http://147.102.106.44/rs/wiki/index.php?feed=atom&target=Sofia_Gkretsi&title=%CE%95%CE%B9%CE%B4%CE%B9%CE%BA%CF%8C%3A%CE%A3%CF%85%CE%BD%CE%B5%CE%B9%CF%83%CF%86%CE%BF%CF%81%CE%AD%CF%82%2FSofia_Gkretsi 2026-05-07T00:21:55Z Από RemoteSensing Wiki MediaWiki 1.16.2 http://147.102.106.44/rs/wiki/index.php/%CE%93%CE%BA%CF%81%CE%AD%CF%84%CF%83%CE%B7_%CE%A3%CE%BF%CF%86%CE%AF%CE%B1 2022-03-17T20:54:02Z

<p>Sofia Gkretsi: </p> <hr /> <div> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]<br /> <br /> [[Τηλεπισκόπηση αστικών χώρων πρασίνου: Ανασκόπηση]]<br /> <br /> [[Χαρτογράφηση «γυμνού» εδάφους στη γεωργία ...]]<br /> <br /> [[Οι δυνατότητες της τηλεπισκόπησης...]]<br /> <br /> [[Υπερφασματική τηλεπισκόπιση για την ανίχνευση θρεπτικών στοιχείων στο φύλλωμα στη δασοπονία]]<br /> <br /> [[Ειδικό θέμα τηλεπισκόπισης για το χιόνι και εφαρμογές της]]</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%93%CE%BA%CF%81%CE%AD%CF%84%CF%83%CE%B7_%CE%A3%CE%BF%CF%86%CE%AF%CE%B1 2022-03-17T20:53:33Z

<p>Sofia Gkretsi: </p> <hr /> <div> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]<br /> <br /> [[Τηλεπισκόπηση αστικών χώρων πρασίνου: Ανασκόπηση]]<br /> <br /> [[Χαρτογράφηση «γυμνού» εδάφους στη γεωργία ...]]<br /> <br /> [[Οι δυνατότητες της τηλεπισκόπησης...]]<br /> <br /> [[Υπερφασματική τηλεπισκόπιση για την ανίχνευση θρεπτικών στοιχείων στο φύλλωμα στη δασοπονία]]</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%93%CE%BA%CF%81%CE%AD%CF%84%CF%83%CE%B7_%CE%A3%CE%BF%CF%86%CE%AF%CE%B1 2022-03-17T20:52:43Z

<p>Sofia Gkretsi: </p> <hr /> <div> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]<br /> <br /> [[Τηλεπισκόπηση αστικών χώρων πρασίνου: Ανασκόπηση]]<br /> <br /> [[Χαρτογράφηση «γυμνού» εδάφους στη γεωργία ...]]<br /> <br /> [[Οι δυνατότητες της τηλεπισκόπησης...]]</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%93%CE%BA%CF%81%CE%AD%CF%84%CF%83%CE%B7_%CE%A3%CE%BF%CF%86%CE%AF%CE%B1 2022-03-17T20:52:20Z

<p>Sofia Gkretsi: </p> <hr /> <div> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]<br /> <br /> [[Τηλεπισκόπηση αστικών χώρων πρασίνου: Ανασκόπηση]]<br /> <br /> [[Χαρτογράφηση «γυμνού» εδάφους στη γεωργία...]]<br /> <br /> [[Οι δυνατότητες της τηλεπισκόπησης...]]</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%93%CE%BA%CF%81%CE%AD%CF%84%CF%83%CE%B7_%CE%A3%CE%BF%CF%86%CE%AF%CE%B1 2022-03-17T20:51:31Z

<p>Sofia Gkretsi: </p> <hr /> <div> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]<br /> <br /> [[Τηλεπισκόπηση αστικών χώρων πρασίνου: Ανασκόπηση]]<br /> <br /> [[Χαρτογράφηση «γυμνού» εδάφους στη γεωργία και τη δασοκομία των λόφων της Νέας Ζηλανδίας για την εκτίμηση κινδύνου διάβρωσης του εδάφους: Μια αυτοματοποιημένη μέθοδος τηλεπισκόπησης μέσω δορυφόρου]]<br /> <br /> [[Οι δυνατότητες της τηλεπισκόπησης...]]</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%93%CE%BA%CF%81%CE%AD%CF%84%CF%83%CE%B7_%CE%A3%CE%BF%CF%86%CE%AF%CE%B1 2022-03-17T20:51:11Z

<p>Sofia Gkretsi: </p> <hr /> <div> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]<br /> <br /> [[Τηλεπισκόπηση αστικών χώρων πρασίνου: Ανασκόπηση]]<br /> <br /> [[Χαρτογράφηση «γυμνού» εδάφους στη γεωργία και τη δασοκομία των λόφων της Νέας Ζηλανδίας για την εκτίμηση κινδύνου διάβρωσης του εδάφους: Μια αυτοματοποιημένη μέθοδος τηλεπισκόπησης μέσω δορυφόρου]]<br /> <br /> [[Οι δυνατότητες της τηλεπισκόπησης και της τεχνητής νοημοσύνης ως εργαλεία για τη βελτίωση της ανθεκτικότητας των συστημάτων γεωργικής παραγωγής]]</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%93%CE%BA%CF%81%CE%AD%CF%84%CF%83%CE%B7_%CE%A3%CE%BF%CF%86%CE%AF%CE%B1 2022-03-17T20:50:02Z

<p>Sofia Gkretsi: </p> <hr /> <div> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]<br /> <br /> [[Τηλεπισκόπηση αστικών χώρων πρασίνου: Ανασκόπηση]]<br /> <br /> [[Χαρτογράφηση «γυμνού» εδάφους στη γεωργία και τη δασοκομία των λόφων της Νέας Ζηλανδίας για την εκτίμηση κινδύνου διάβρωσης του εδάφους: Μια αυτοματοποιημένη μέθοδος τηλεπισκόπησης μέσω δορυφόρου]]</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%93%CE%BA%CF%81%CE%AD%CF%84%CF%83%CE%B7_%CE%A3%CE%BF%CF%86%CE%AF%CE%B1 2022-03-17T20:49:24Z

<p>Sofia Gkretsi: </p> <hr /> <div> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]<br /> <br /> [[Τηλεπισκόπηση αστικών χώρων πρασίνου: Ανασκόπηση]]<br /> <br /> [[Χαρτογράφηση «γυμνού» εδάφους στη γεωργία ...]]</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%93%CE%BA%CF%81%CE%AD%CF%84%CF%83%CE%B7_%CE%A3%CE%BF%CF%86%CE%AF%CE%B1 2022-03-17T20:49:00Z

<p>Sofia Gkretsi: </p> <hr /> <div> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]<br /> <br /> [[Τηλεπισκόπηση αστικών χώρων πρασίνου: Ανασκόπηση]]<br /> <br /> [[Χαρτογράφηση «γυμνού» εδάφους στη γεωργία]]</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%93%CE%BA%CF%81%CE%AD%CF%84%CF%83%CE%B7_%CE%A3%CE%BF%CF%86%CE%AF%CE%B1 2022-03-17T20:48:43Z

<p>Sofia Gkretsi: </p> <hr /> <div> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]<br /> <br /> [[Τηλεπισκόπηση αστικών χώρων πρασίνου: Ανασκόπηση]]<br /> <br /> [[Χαρτογράφηση «γυμνού» εδάφους στη γεωργία και τη δασοκομία των λόφων της Νέας Ζηλανδίας για την εκτίμηση κινδύνου διάβρωσης του εδάφους: Μια αυτοματοποιημένη μέθοδος τηλεπισκόπησης μέσω δορυφόρου]]</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%93%CE%BA%CF%81%CE%AD%CF%84%CF%83%CE%B7_%CE%A3%CE%BF%CF%86%CE%AF%CE%B1 2022-03-17T20:48:21Z

<p>Sofia Gkretsi: </p> <hr /> <div> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]<br /> <br /> [[Τηλεπισκόπηση αστικών χώρων πρασίνου: Ανασκόπηση]]<br /> <br /> [[Χαρτογράφηση «γυμνού» εδάφους στη γεωργία ...]]</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%93%CE%BA%CF%81%CE%AD%CF%84%CF%83%CE%B7_%CE%A3%CE%BF%CF%86%CE%AF%CE%B1 2022-03-17T20:47:50Z

<p>Sofia Gkretsi: </p> <hr /> <div> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]<br /> <br /> [[Τηλεπισκόπηση αστικών χώρων πρασίνου: Ανασκόπηση]]</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%93%CE%BA%CF%81%CE%AD%CF%84%CF%83%CE%B7_%CE%A3%CE%BF%CF%86%CE%AF%CE%B1 2022-03-17T20:47:11Z

<p>Sofia Gkretsi: Νέα σελίδα με ' category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) '</p> <hr /> <div><br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%9F%CE%B9_%CE%B4%CF%85%CE%BD%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B5%CF%82_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82... 2022-03-17T20:40:06Z

<p>Sofia Gkretsi: </p> <hr /> <div>[[category:Γεωργία]]<br /> <br /> '''Οι δυνατότητες της τηλεπισκόπησης και της τεχνητής νοημοσύνης ως εργαλεία για τη βελτίωση της ανθεκτικότητας των συστημάτων γεωργικής παραγωγής'''<br /> <br /> '''Πρωτότυπος τίτλος:''' The potential of remote sensing and artificial intelligence as tools to improve the resilience of agriculture production systems<br /> <br /> '''Συγγραφείς:''' Jinha Jung, Murilo Maeda, Anjin Chang, Mahendra Bhandari, Akash Ashapure και Juan Landivar-Bowles<br /> <br /> '''Δημοσιεύθηκε:''' 7 Οκτωβρίου 2020 (Current Opinion in Biotechnology 2021)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.copbio.2020.09.003<br /> <br /> [[Αρχείο:1.SOFIAGKRETSI1.PNG|200px|thumb|right|'''Εικόνα 1.''' Ροή εργασιών ανάπτυξης εφαρμογών UAS που βασίζονται σε HTP. Η ποιότητα των μη επεξεργασμένων δεδομένων έχει σημαντικό αντίκτυπο στην ακρίβεια των εφαρμογών που αναπτύσσονται (VIs-Δείκτες Βλάστησης, GPS-Παγκόσμια Σύστημα Εντοπισμού Θέσης, DSM-Digital Surface Model).]]<br /> <br /> [[Αρχείο:1.SOFIAGKRETSI2.PNG|200px|thumb|right|'''Εικόνα 2.''' Η ιδέα για τη γεφύρωση του χάσματος γονιδιώματος-φαινοτύπου χρησιμοποιώντας ένα σύστημα μη επανδρωμένου εναέριου συστήματος (UAS) βασισμένο στο σύστημα φαινοτύπου υψηλής απόδοσης (HTP).]]<br /> <br /> [[Αρχείο:1.SOFIAGKRETSI3.PNG|200px|thumb|right|'''Εικόνα 3.''' Η πρόοδος στην ψηφιακή γεωργία θα ωφεληθεί από τη συσχέτιση δεδομένων τηλεπισκόπησης, προηγμένων μοντέλων προσομοίωσης καλλιεργειών και τεχνητής νοημοσύνης (AI).]]<br /> <br /> '''Εισαγωγή'''<br /> <br /> Τα σύγχρονα συστήματα γεωργικής παραγωγής και εφοδιασμού τροφίμων αντιμετωπίζουν αυξανόμενες προκλήσεις παγκοσμίως από την κλιματική αλλαγή, τη μείωση της παροχής νερού για άρδευση, την αύξηση του κόστους παραγωγής, τη συνολική μείωση του αγροτικού εργατικού δυναμικού και, πιο πρόσφατα, από μια πανδημία (COVID-19), απειλώντας την περιβαλλοντική και οικονομική βιωσιμότητα. <br /> Η επιστημονική πρόοδος οδήγησε σε μια καλύτερη κατανόηση του τρόπου με τον οποίο διάφορα στοιχεία του γεωργικού συστήματος αλληλεπιδρούν, από το κύτταρο έως το επίπεδο του πεδίου- αγρού. Παρά τις αλματώδεις προόδους στα γενετικά εργαλεία τις τελευταίες δεκαετίες, η αξιολόγηση με ακρίβεια της κατάστασης των καλλιεργειών σε μεγαλύτερη κλίμακα, απουσίαζε εμφανώς μέχρι πρότινος. <br /> Χάρη στις πρόσφατες εξελίξεις στον τομέα της Τηλεπισκόπησης και της Τεχνητής Νοημοσύνης (AI, Artificial Intelligence), είναι δυνατόν πλέον οι πληροφορίες σχετικά με τον φαινότυπο των φυτών να ποσοτικοποιηθούν με ακρίβεια σε μεγάλη κλίμακα, να αξιοποιηθεί αυτός ο όγκος των δεδομένων και τελικά να ενσωματωθεί σε εργαλεία πρόβλεψης. Τα δεδομένα αυτά είναι εύκολα προσβάσιμα μέσω της χρήσης Συστημάτων Μη Επανδρωμένων Αεροσκαφών (UAS, Unmanned Aircraft Systems). Αυτή η ανασκόπηση εστιάζει στη χρήση της τηλεπισκόπησης και της τεχνητής νοημοσύνης, καθώς και την ανάπτυξη εργαλείων που απαιτούνται για τη βελτίωση των γεωργικών συστημάτων.<br /> Τα Συστήματα Μη Επανδρωμένων Αεροσκαφών (UAS) ως θεμέλιο για την ψηφιακή γεωργία<br /> Τα φυτά συνδυάζουν τη γενετική (G, genetics) με το περιβάλλον τους (E, environments) ανταποκρινόμενα στις φυσικές και χημικές ιδιότητες του εδάφους, στη διαθεσιμότητα της υγρασίας, σε βιοτικούς και αβιοτικούς παράγοντες, καθώς και στις πρακτικές διαχείρισης (M, management practices). Από αυτή την άποψη, τα φυτά μπορούν να χρησιμεύσουν ως βιολογικοί ανιχνευτές πεδίου που μπορούν να αξιολογηθούν από αισθητήρες επί των UAS. Τα UAS εξοπλισμένα με κατάλληλους αισθητήρες μπορούν να μετρήσουν τη χρονική πορεία της ανάπτυξης των φυτών με ακρίβεια, γρήγορα και οικονομικά. Αυτά τα σχετικά οικονομικά συστήματα επιτρέπουν επίσης τη συλλογή δεδομένων χωρικής και υψηλής χρονικής ανάλυσης, που προηγουμένως δεν ήταν διαθέσιμα μέσω συμβατικών αερομεταφερόμενων και πλατφορμών τηλεπισκόπησης.<br /> Λόγω των πιθανών πλεονεκτημάτων, οι ερευνητές έχουν διερευνήσει τη χρήση UAS δεδομένων για την αξιολόγηση των φαινοτυπικών χαρακτηριστικών των φυτών σε επίπεδο πεδίου- αγρού, καθώς και για να παρακολουθήσουν τις ασθένειες των καλλιεργειών, να χαρτογραφήσουν τα ζιζάνια και να εκτιμήσουν τη βιομάζα και την απόδοση. Ακόμη τα δεδομένα υψηλής χρονικής ανάλυσης μπορούν να χρησιμοποιηθούν για την εκτίμηση των παραμέτρων των καλλιεργειών όπως το ύψος και η κάλυψη των υπέργειων τμημάτων (canopy) των καλλιεργειών, οι δείκτες βλάστησης, η επιλογή γονοτύπων και η πρόβλεψη για την απόδοση των καλλιεργειών.<br /> Ιδιαίτερα σημαντική είναι η συλλογή/επεξεργασία και ερμηνεία των δεδομένων, καθώς και η ποιότητα αυτών κατά την ανάπτυξη εφαρμογών για τη διασφάλιση της ακρίβειας των μοντέλων πρόβλεψης. Τα UAS βασιζόμενα σε συστήματα φαινοτύπου υψηλής απόδοσης (HTP, High Throughput Phenotyping) έχουν τρομερή επιρροή στον ταχέως εξελισσόμενο τομέα της Τεχνητής Νοημοσύνης (AI). Εκτός από την ποιότητα των μη επεξεργασμένων δεδομένων, όταν χρησιμοποιείται ένας μεγάλος όγκος δεδομένων για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης, έχει αποδειχθεί ότι η απόδοση είναι εξαιρετική ακόμη και όταν εμπλέκονται δεδομένα με θόρυβο, γεγονός που υποδηλώνει ότι ο όγκος των δεδομένων εκπαίδευσης είναι απαραίτητος για την ανάπτυξη μοντέλων τεχνητής νοημοσύνης για γεωργικές εφαρμογές. Επιπλέον, προσφέρονται εμπορικά γεωργικά εργαλεία που βασίζονται σε τεχνητή νοημοσύνη.<br /> <br /> '''Γεφύρωση του χάσματος μεταξύ γονιδιώματος και φαινοτύπου με UAS'''<br /> <br /> Οι μελέτες συσχέτισης σε επίπεδο γονιδιώματος (GWAS, Genome-Wide Association Studies) έχουν επίσης χρησιμοποιηθεί για τον εντοπισμό γονιδίων- δεικτών που συνδέονται με συγκεκριμένες περιοχές του DNA (QTL, Quantitative Trait Loci) για κάποιο φαινοτυπικό χαρακτηριστικό, για διάφορα γνωρίσματα που προκαλούνται από ασθένειες. Για την πλήρη αξιοποίηση των δυνατοτήτων των γονιδιωματικών εργαλείων για τη βελτίωση των καλλιεργειών, απαιτούνται ακριβείς φαινοτυπικές μετρήσεις, ειδικά σε επίπεδο αγρού- πεδίου. Οι πρόσφατες εξελίξεις στα UAS μπορούν να παρέχουν ακριβή και αξιόπιστα δεδομένα για το φαινότυπο. Για παράδειγμα, οι Condorelli et al. και Shokat et al. έδειξαν ότι οι GWAS των δεικτών βλάστησης (NDVI, Normalized Difference Vegetation Index), θα μπορούσαν να βοηθήσουν στον εντοπισμό των QTL περιοχών που μπορούν να χρησιμοποιηθούν για την ενίσχυση της ανθεκτικότητας στην ξηρασία στο σιτάρι. <br /> <br /> <br /> '''Ψηφιακή γεωργία: συνδυασμός τηλεπισκόπησης, μοντέλων προσομοίωσης και τεχνητής νοημοσύνης (AI)'''<br /> <br /> Η εκτεταμένη χωρική κάλυψη από τα UAS εξακολουθεί να μην είναι εφικτή επί του παρόντος λόγω περιορισμένου χρόνου μπαταρίας και πτήσης. Επιπλέον, παρόλο που τα UAS έχουν χαμηλό λειτουργικό κόστος, το κόστος επεξεργασίας δεδομένων αυξάνεται καθώς ο όγκος των δεδομένων αυξάνεται εκθετικά κατά την κάλυψη μεγαλύτερων περιοχών. Τα ελεύθερα διαθέσιμα δορυφορικά δεδομένα, που παρέχουν μεγαλύτερη χωρική και χρονική ανάλυση, έχουν χρησιμοποιηθεί για την παρακολούθηση της βλάστησης και την εκτίμηση των αποδόσεων. Ωστόσο, έχει δοθεί περιορισμένη προσοχή στον τρόπο προσαρμογής τους για εφαρμογές γεωργίας ακριβείας κατάλληλης κλίμακας. Οι ουσιαστικές εξελίξεις στην τεχνολογία Machine Learning (ML) δημιουργούν μια μοναδική ευκαιρία για την ανάπτυξη μοντέλων πρόβλεψης με ακρίβεια σε μεγάλη κλίμακα και με προδιαγραφές. Τα μοντέλα προσομοίωσης καλλιεργειών χρησιμοποιούν μεταβλητές εισόδου όπως πληροφορίες διαχείρισης καλλιεργειών, καιρικές συνθήκες και δεδομένα εδάφους για την εκτίμηση της παραγωγικότητας των καλλιεργειών και έχουν γίνει ισχυρά εργαλεία για τη συσχέτιση της φυσιολογίας, της γενετικής και των επιστημών που ασχολούνται με το φαινότυπο (phenomics). <br /> <br /> '''Συμπεράσματα και προοπτικές'''<br /> <br /> Η ανάπτυξη πρακτικών βιώσιμης διαχείρισης των καλλιεργειών αποτελεί κεντρικό θέμα στη γεωργική έρευνα εδώ και δεκαετίες. Ενώ τα συστήματα γεωργίας και παραγωγής τροφίμων έχουν εξελιχθεί σημαντικά, οι συνεχιζόμενες τεχνολογικές εξελίξεις αποτελούν μια μοναδική ευκαιρία για την αντιμετώπιση των προκλήσεων. Τα UAS που βασίζονται σε HTP έχει αποδειχθεί ότι είναι μια ακριβής και αξιόπιστη πλατφόρμα για την ποσοτικοποίηση φαινοτυπικών πληροφοριών σε κλίμακα πεδίου- αγρού, και μπορούν επίσης να συσχετιστούν με τις GWAS ακόμη και για να επιταχύνουν τους κύκλους ανάπτυξης σε πολλές καλλιέργειες. Πρωτοποριακές έρευνες σχετικά με τα συστήματα UAS που βασίζονται σε HTP με μοντέλα τηλεπισκόπησης, τεχνητής νοημοσύνης και προσομοίωσης καλλιεργειών για να αναπτύξουν εφαρμογές ψηφιακής γεωργίας μεγάλης περιοχής- κλίμακας. Με τη διεπιστημονικότητα στους κλάδους των βιολογικών και περιβαλλοντικών επιστημών και της επιστήμης των υπολογιστών, είναι δυνατόν να αντιμετωπιστούν τα διάφορα προβλήματα. <br /> <br /> '''Συντομογραφίες'''<br /> *UAS: Unmanned Aircraft Systems<br /> *HTTP: High Throughput Phenotyping <br /> *AI: Artificial Intelligence, Τεχνητή Νοημοσύνη <br /> *VIs: Vegetation Indices, Δείκτες Βλάστησης<br /> *NDVI: Normalized Difference Vegetation Index<br /> *GPS: Global Positioning System, Παγκόσμια Σύστημα Εντοπισμού Θέσης<br /> *DSM: Digital Surface Model<br /> *NGS: Next-generation sequencing<br /> *GWAS: Genome-Wide Association Studies <br /> *QTL: Quantitative Trait Loci <br /> *ML: Machine Learning</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%9F%CE%B9_%CE%B4%CF%85%CE%BD%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B5%CF%82_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82... 2022-03-17T20:39:09Z

<p>Sofia Gkretsi: </p> <hr /> <div>[[category:Γεωργία]]<br /> <br /> '''Οι δυνατότητες της τηλεπισκόπησης και της τεχνητής νοημοσύνης ως εργαλεία για τη βελτίωση της ανθεκτικότητας των συστημάτων γεωργικής παραγωγής'''<br /> <br /> '''Πρωτότυπος τίτλος:''' The potential of remote sensing and artificial intelligence as tools to improve the resilience of agriculture production systems<br /> <br /> '''Συγγραφείς:''' Jinha Jung, Murilo Maeda, Anjin Chang, Mahendra Bhandari, Akash Ashapure και Juan Landivar-Bowles<br /> <br /> '''Δημοσιεύθηκε:''' 7 Οκτωβρίου 2020 (Current Opinion in Biotechnology 2021)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.copbio.2020.09.003<br /> <br /> [[Αρχείο:1.SOFIAGKRETSI1.PNG|200px|thumb|right|'''Εικόνα 1.''' Ροή εργασιών ανάπτυξης εφαρμογών UAS που βασίζονται σε HTP. Η ποιότητα των μη επεξεργασμένων δεδομένων έχει σημαντικό αντίκτυπο στην ακρίβεια των εφαρμογών που αναπτύσσονται (VIs-Δείκτες Βλάστησης, GPS-Παγκόσμια Σύστημα Εντοπισμού Θέσης, DSM-Digital Surface Model).]]<br /> <br /> [[Αρχείο:1.SOFIAGKRETSI2.PNG|200px|thumb|right|'''Εικόνα 2.''' Η ιδέα για τη γεφύρωση του χάσματος γονιδιώματος-φαινοτύπου χρησιμοποιώντας ένα σύστημα μη επανδρωμένου εναέριου συστήματος (UAS) βασισμένο στο σύστημα φαινοτύπου υψηλής απόδοσης (HTP).]]<br /> <br /> [[Αρχείο:1.SOFIAGKRETSI3.PNG|200px|thumb|right|'''Εικόνα 3.''' Η πρόοδος στην ψηφιακή γεωργία θα ωφεληθεί από τη συσχέτιση δεδομένων τηλεπισκόπησης, προηγμένων μοντέλων προσομοίωσης καλλιεργειών και τεχνητής νοημοσύνης (AI).]]<br /> <br /> '''Εισαγωγή'''<br /> <br /> Τα σύγχρονα συστήματα γεωργικής παραγωγής και εφοδιασμού τροφίμων αντιμετωπίζουν αυξανόμενες προκλήσεις παγκοσμίως από την κλιματική αλλαγή, τη μείωση της παροχής νερού για άρδευση, την αύξηση του κόστους παραγωγής, τη συνολική μείωση του αγροτικού εργατικού δυναμικού και, πιο πρόσφατα, από μια πανδημία (COVID-19), απειλώντας την περιβαλλοντική και οικονομική βιωσιμότητα. <br /> Η επιστημονική πρόοδος οδήγησε σε μια καλύτερη κατανόηση του τρόπου με τον οποίο διάφορα στοιχεία του γεωργικού συστήματος αλληλεπιδρούν, από το κύτταρο έως το επίπεδο του πεδίου- αγρού. Παρά τις αλματώδεις προόδους στα γενετικά εργαλεία τις τελευταίες δεκαετίες, η αξιολόγηση με ακρίβεια της κατάστασης των καλλιεργειών σε μεγαλύτερη κλίμακα, απουσίαζε εμφανώς μέχρι πρότινος. <br /> Χάρη στις πρόσφατες εξελίξεις στον τομέα της Τηλεπισκόπησης και της Τεχνητής Νοημοσύνης (AI, Artificial Intelligence), είναι δυνατόν πλέον οι πληροφορίες σχετικά με τον φαινότυπο των φυτών να ποσοτικοποιηθούν με ακρίβεια σε μεγάλη κλίμακα, να αξιοποιηθεί αυτός ο όγκος των δεδομένων και τελικά να ενσωματωθεί σε εργαλεία πρόβλεψης. Τα δεδομένα αυτά είναι εύκολα προσβάσιμα μέσω της χρήσης Συστημάτων Μη Επανδρωμένων Αεροσκαφών (UAS, Unmanned Aircraft Systems). Αυτή η ανασκόπηση εστιάζει στη χρήση της τηλεπισκόπησης και της τεχνητής νοημοσύνης, καθώς και την ανάπτυξη εργαλείων που απαιτούνται για τη βελτίωση των γεωργικών συστημάτων.<br /> Τα Συστήματα Μη Επανδρωμένων Αεροσκαφών (UAS) ως θεμέλιο για την ψηφιακή γεωργία<br /> Τα φυτά συνδυάζουν τη γενετική (G, genetics) με το περιβάλλον τους (E, environments) ανταποκρινόμενα στις φυσικές και χημικές ιδιότητες του εδάφους, στη διαθεσιμότητα της υγρασίας, σε βιοτικούς και αβιοτικούς παράγοντες, καθώς και στις πρακτικές διαχείρισης (M, management practices). Από αυτή την άποψη, τα φυτά μπορούν να χρησιμεύσουν ως βιολογικοί ανιχνευτές πεδίου που μπορούν να αξιολογηθούν από αισθητήρες επί των UAS. Τα UAS εξοπλισμένα με κατάλληλους αισθητήρες μπορούν να μετρήσουν τη χρονική πορεία της ανάπτυξης των φυτών με ακρίβεια, γρήγορα και οικονομικά. Αυτά τα σχετικά οικονομικά συστήματα επιτρέπουν επίσης τη συλλογή δεδομένων χωρικής και υψηλής χρονικής ανάλυσης, που προηγουμένως δεν ήταν διαθέσιμα μέσω συμβατικών αερομεταφερόμενων και πλατφορμών τηλεπισκόπησης.<br /> Λόγω των πιθανών πλεονεκτημάτων, οι ερευνητές έχουν διερευνήσει τη χρήση UAS δεδομένων για την αξιολόγηση των φαινοτυπικών χαρακτηριστικών των φυτών σε επίπεδο πεδίου- αγρού, καθώς και για να παρακολουθήσουν τις ασθένειες των καλλιεργειών, να χαρτογραφήσουν τα ζιζάνια και να εκτιμήσουν τη βιομάζα και την απόδοση. Ακόμη τα δεδομένα υψηλής χρονικής ανάλυσης μπορούν να χρησιμοποιηθούν για την εκτίμηση των παραμέτρων των καλλιεργειών όπως το ύψος και η κάλυψη των υπέργειων τμημάτων (canopy) των καλλιεργειών, οι δείκτες βλάστησης, η επιλογή γονοτύπων και η πρόβλεψη για την απόδοση των καλλιεργειών.<br /> Ιδιαίτερα σημαντική είναι η συλλογή/επεξεργασία και ερμηνεία των δεδομένων, καθώς και η ποιότητα αυτών κατά την ανάπτυξη εφαρμογών για τη διασφάλιση της ακρίβειας των μοντέλων πρόβλεψης. Τα UAS βασιζόμενα σε συστήματα φαινοτύπου υψηλής απόδοσης (HTP, High Throughput Phenotyping) έχουν τρομερή επιρροή στον ταχέως εξελισσόμενο τομέα της Τεχνητής Νοημοσύνης (AI). Εκτός από την ποιότητα των μη επεξεργασμένων δεδομένων, όταν χρησιμοποιείται ένας μεγάλος όγκος δεδομένων για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης, έχει αποδειχθεί ότι η απόδοση είναι εξαιρετική ακόμη και όταν εμπλέκονται δεδομένα με θόρυβο, γεγονός που υποδηλώνει ότι ο όγκος των δεδομένων εκπαίδευσης είναι απαραίτητος για την ανάπτυξη μοντέλων τεχνητής νοημοσύνης για γεωργικές εφαρμογές. Επιπλέον, προσφέρονται εμπορικά γεωργικά εργαλεία που βασίζονται σε τεχνητή νοημοσύνη.<br /> <br /> '''Γεφύρωση του χάσματος μεταξύ γονιδιώματος και φαινοτύπου με UAS'''<br /> <br /> Οι μελέτες συσχέτισης σε επίπεδο γονιδιώματος (GWAS, Genome-Wide Association Studies) έχουν επίσης χρησιμοποιηθεί για τον εντοπισμό γονιδίων- δεικτών που συνδέονται με συγκεκριμένες περιοχές του DNA (QTL, Quantitative Trait Loci) για κάποιο φαινοτυπικό χαρακτηριστικό, για διάφορα γνωρίσματα που προκαλούνται από ασθένειες. Για την πλήρη αξιοποίηση των δυνατοτήτων των γονιδιωματικών εργαλείων για τη βελτίωση των καλλιεργειών, απαιτούνται ακριβείς φαινοτυπικές μετρήσεις, ειδικά σε επίπεδο αγρού- πεδίου. Οι πρόσφατες εξελίξεις στα UAS μπορούν να παρέχουν ακριβή και αξιόπιστα δεδομένα για το φαινότυπο. Για παράδειγμα, οι Condorelli et al. και Shokat et al. έδειξαν ότι οι GWAS των δεικτών βλάστησης (NDVI, Normalized Difference Vegetation Index), θα μπορούσαν να βοηθήσουν στον εντοπισμό των QTL περιοχών που μπορούν να χρησιμοποιηθούν για την ενίσχυση της ανθεκτικότητας στην ξηρασία στο σιτάρι. <br /> <br /> <br /> '''Ψηφιακή γεωργία: συνδυασμός τηλεπισκόπησης, μοντέλων προσομοίωσης και τεχνητής νοημοσύνης (AI)'''<br /> <br /> Η εκτεταμένη χωρική κάλυψη από τα UAS εξακολουθεί να μην είναι εφικτή επί του παρόντος λόγω περιορισμένου χρόνου μπαταρίας και πτήσης. Επιπλέον, παρόλο που τα UAS έχουν χαμηλό λειτουργικό κόστος, το κόστος επεξεργασίας δεδομένων αυξάνεται καθώς ο όγκος των δεδομένων αυξάνεται εκθετικά κατά την κάλυψη μεγαλύτερων περιοχών. Τα ελεύθερα διαθέσιμα δορυφορικά δεδομένα, που παρέχουν μεγαλύτερη χωρική και χρονική ανάλυση, έχουν χρησιμοποιηθεί για την παρακολούθηση της βλάστησης και την εκτίμηση των αποδόσεων. Ωστόσο, έχει δοθεί περιορισμένη προσοχή στον τρόπο προσαρμογής τους για εφαρμογές γεωργίας ακριβείας κατάλληλης κλίμακας. <br /> Οι ουσιαστικές εξελίξεις στην τεχνολογία Machine Learning (ML) δημιουργούν μια μοναδική ευκαιρία για την ανάπτυξη μοντέλων πρόβλεψης με ακρίβεια σε μεγάλη κλίμακα και με προδιαγραφές. <br /> <br /> Τα μοντέλα προσομοίωσης καλλιεργειών χρησιμοποιούν μεταβλητές εισόδου όπως πληροφορίες διαχείρισης καλλιεργειών, καιρικές συνθήκες και δεδομένα εδάφους για την εκτίμηση της παραγωγικότητας των καλλιεργειών και έχουν γίνει ισχυρά εργαλεία για τη συσχέτιση της φυσιολογίας, της γενετικής και των επιστημών που ασχολούνται με το φαινότυπο (phenomics). <br /> <br /> '''Συμπεράσματα και προοπτικές'''<br /> <br /> Η ανάπτυξη πρακτικών βιώσιμης διαχείρισης των καλλιεργειών αποτελεί κεντρικό θέμα στη γεωργική έρευνα εδώ και δεκαετίες. Ενώ τα συστήματα γεωργίας και παραγωγής τροφίμων έχουν εξελιχθεί σημαντικά, οι συνεχιζόμενες τεχνολογικές εξελίξεις αποτελούν μια μοναδική ευκαιρία για την αντιμετώπιση των προκλήσεων. Τα UAS που βασίζονται σε HTP έχει αποδειχθεί ότι είναι μια ακριβής και αξιόπιστη πλατφόρμα για την ποσοτικοποίηση φαινοτυπικών πληροφοριών σε κλίμακα πεδίου- αγρού, και μπορούν επίσης να συσχετιστούν με τις GWAS ακόμη και για να επιταχύνουν τους κύκλους ανάπτυξης σε πολλές καλλιέργειες. Πρωτοποριακές έρευνες σχετικά με τα συστήματα UAS που βασίζονται σε HTP με μοντέλα τηλεπισκόπησης, τεχνητής νοημοσύνης και προσομοίωσης καλλιεργειών για να αναπτύξουν εφαρμογές ψηφιακής γεωργίας μεγάλης περιοχής- κλίμακας. Με τη διεπιστημονικότητα στους κλάδους των βιολογικών και περιβαλλοντικών επιστημών και της επιστήμης των υπολογιστών, είναι δυνατόν να αντιμετωπιστούν τα διάφορα προβλήματα. <br /> <br /> '''Συντομογραφίες'''<br /> *UAS: Unmanned Aircraft Systems<br /> *HTTP: High Throughput Phenotyping <br /> *AI: Artificial Intelligence, Τεχνητή Νοημοσύνη <br /> *VIs: Vegetation Indices, Δείκτες Βλάστησης<br /> *NDVI: Normalized Difference Vegetation Index<br /> *GPS: Global Positioning System, Παγκόσμια Σύστημα Εντοπισμού Θέσης<br /> *DSM: Digital Surface Model<br /> *NGS: Next-generation sequencing<br /> *GWAS: Genome-Wide Association Studies <br /> *QTL: Quantitative Trait Loci <br /> *ML: Machine Learning</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%9F%CE%B9_%CE%B4%CF%85%CE%BD%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B5%CF%82_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82... 2022-03-17T20:38:19Z

<p>Sofia Gkretsi: </p> <hr /> <div>[[category:Γεωργία]]<br /> <br /> '''Οι δυνατότητες της τηλεπισκόπησης και της τεχνητής νοημοσύνης ως εργαλεία για τη βελτίωση της ανθεκτικότητας των συστημάτων γεωργικής παραγωγής'''<br /> <br /> '''Πρωτότυπος τίτλος:''' The potential of remote sensing and artificial intelligence as tools to improve the resilience of agriculture production systems<br /> <br /> '''Συγγραφείς:''' Jinha Jung, Murilo Maeda, Anjin Chang, Mahendra Bhandari, Akash Ashapure και Juan Landivar-Bowles<br /> <br /> '''Δημοσιεύθηκε:''' 7 Οκτωβρίου 2020 (Current Opinion in Biotechnology 2021)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.copbio.2020.09.003<br /> <br /> [[Αρχείο:1.SOFIAGKRETSI1.PNG|200px|thumb|right|'''Εικόνα 1.''' Ροή εργασιών ανάπτυξης εφαρμογών UAS που βασίζονται σε HTP. Η ποιότητα των μη επεξεργασμένων δεδομένων έχει σημαντικό αντίκτυπο στην ακρίβεια των εφαρμογών που αναπτύσσονται (VIs-Δείκτες Βλάστησης, GPS-Παγκόσμια Σύστημα Εντοπισμού Θέσης, DSM-Digital Surface Model).]]<br /> <br /> [[Αρχείο:1.SOFIAGKRETSI2.PNG|200px|thumb|right|'''Εικόνα 2.''' Η ιδέα για τη γεφύρωση του χάσματος γονιδιώματος-φαινοτύπου χρησιμοποιώντας ένα σύστημα μη επανδρωμένου εναέριου συστήματος (UAS) βασισμένο στο σύστημα φαινοτύπου υψηλής απόδοσης (HTP).]]<br /> <br /> [[Αρχείο:1.SOFIAGKRETSI3.PNG|200px|thumb|right|'''Εικόνα 3.''' Η πρόοδος στην ψηφιακή γεωργία θα ωφεληθεί από τη συσχέτιση δεδομένων τηλεπισκόπησης, προηγμένων μοντέλων προσομοίωσης καλλιεργειών και τεχνητής νοημοσύνης (AI).]]<br /> <br /> '''Εισαγωγή'''<br /> <br /> Τα σύγχρονα συστήματα γεωργικής παραγωγής και εφοδιασμού τροφίμων αντιμετωπίζουν αυξανόμενες προκλήσεις παγκοσμίως από την κλιματική αλλαγή, τη μείωση της παροχής νερού για άρδευση, την αύξηση του κόστους παραγωγής, τη συνολική μείωση του αγροτικού εργατικού δυναμικού και, πιο πρόσφατα, από μια πανδημία (COVID-19), απειλώντας την περιβαλλοντική και οικονομική βιωσιμότητα. <br /> Η επιστημονική πρόοδος οδήγησε σε μια καλύτερη κατανόηση του τρόπου με τον οποίο διάφορα στοιχεία του γεωργικού συστήματος αλληλεπιδρούν, από το κύτταρο έως το επίπεδο του πεδίου- αγρού. Παρά τις αλματώδεις προόδους στα γενετικά εργαλεία τις τελευταίες δεκαετίες, η αξιολόγηση με ακρίβεια της κατάστασης των καλλιεργειών σε μεγαλύτερη κλίμακα, απουσίαζε εμφανώς μέχρι πρότινος. <br /> Χάρη στις πρόσφατες εξελίξεις στον τομέα της Τηλεπισκόπησης και της Τεχνητής Νοημοσύνης (AI, Artificial Intelligence), είναι δυνατόν πλέον οι πληροφορίες σχετικά με τον φαινότυπο των φυτών να ποσοτικοποιηθούν με ακρίβεια σε μεγάλη κλίμακα, να αξιοποιηθεί αυτός ο όγκος των δεδομένων και τελικά να ενσωματωθεί σε εργαλεία πρόβλεψης. Τα δεδομένα αυτά είναι εύκολα προσβάσιμα μέσω της χρήσης Συστημάτων Μη Επανδρωμένων Αεροσκαφών (UAS, Unmanned Aircraft Systems). Αυτή η ανασκόπηση εστιάζει στη χρήση της τηλεπισκόπησης και της τεχνητής νοημοσύνης, καθώς και την ανάπτυξη εργαλείων που απαιτούνται για τη βελτίωση των γεωργικών συστημάτων.<br /> Τα Συστήματα Μη Επανδρωμένων Αεροσκαφών (UAS) ως θεμέλιο για την ψηφιακή γεωργία<br /> Τα φυτά συνδυάζουν τη γενετική (G, genetics) με το περιβάλλον τους (E, environments) ανταποκρινόμενα στις φυσικές και χημικές ιδιότητες του εδάφους, στη διαθεσιμότητα της υγρασίας, σε βιοτικούς και αβιοτικούς παράγοντες, καθώς και στις πρακτικές διαχείρισης (M, management practices). Από αυτή την άποψη, τα φυτά μπορούν να χρησιμεύσουν ως βιολογικοί ανιχνευτές πεδίου που μπορούν να αξιολογηθούν από αισθητήρες επί των UAS. Τα UAS εξοπλισμένα με κατάλληλους αισθητήρες μπορούν να μετρήσουν τη χρονική πορεία της ανάπτυξης των φυτών με ακρίβεια, γρήγορα και οικονομικά. Αυτά τα σχετικά οικονομικά συστήματα επιτρέπουν επίσης τη συλλογή δεδομένων χωρικής και υψηλής χρονικής ανάλυσης, που προηγουμένως δεν ήταν διαθέσιμα μέσω συμβατικών αερομεταφερόμενων και πλατφορμών τηλεπισκόπησης.<br /> Λόγω των πιθανών πλεονεκτημάτων, οι ερευνητές έχουν διερευνήσει τη χρήση UAS δεδομένων για την αξιολόγηση των φαινοτυπικών χαρακτηριστικών των φυτών σε επίπεδο πεδίου- αγρού, καθώς και για να παρακολουθήσουν τις ασθένειες των καλλιεργειών, να χαρτογραφήσουν τα ζιζάνια και να εκτιμήσουν τη βιομάζα και την απόδοση. Ακόμη τα δεδομένα υψηλής χρονικής ανάλυσης μπορούν να χρησιμοποιηθούν για την εκτίμηση των παραμέτρων των καλλιεργειών όπως το ύψος και η κάλυψη των υπέργειων τμημάτων (canopy) των καλλιεργειών, οι δείκτες βλάστησης, η επιλογή γονοτύπων και η πρόβλεψη για την απόδοση των καλλιεργειών.<br /> Ιδιαίτερα σημαντική είναι η συλλογή/επεξεργασία και ερμηνεία των δεδομένων, καθώς και η ποιότητα αυτών κατά την ανάπτυξη εφαρμογών για τη διασφάλιση της ακρίβειας των μοντέλων πρόβλεψης. Τα UAS βασιζόμενα σε συστήματα φαινοτύπου υψηλής απόδοσης (HTP, High Throughput Phenotyping) έχουν τρομερή επιρροή στον ταχέως εξελισσόμενο τομέα της Τεχνητής Νοημοσύνης (AI). Εκτός από την ποιότητα των μη επεξεργασμένων δεδομένων, όταν χρησιμοποιείται ένας μεγάλος όγκος δεδομένων για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης, έχει αποδειχθεί ότι η απόδοση είναι εξαιρετική ακόμη και όταν εμπλέκονται δεδομένα με θόρυβο, γεγονός που υποδηλώνει ότι ο όγκος των δεδομένων εκπαίδευσης είναι απαραίτητος για την ανάπτυξη μοντέλων τεχνητής νοημοσύνης για γεωργικές εφαρμογές. Επιπλέον, προσφέρονται εμπορικά γεωργικά εργαλεία που βασίζονται σε τεχνητή νοημοσύνη.<br /> <br /> '''Γεφύρωση του χάσματος μεταξύ γονιδιώματος και φαινοτύπου με UAS'''<br /> Οι μελέτες συσχέτισης σε επίπεδο γονιδιώματος (GWAS, Genome-Wide Association Studies) έχουν επίσης χρησιμοποιηθεί για τον εντοπισμό γονιδίων- δεικτών που συνδέονται με συγκεκριμένες περιοχές του DNA (QTL, Quantitative Trait Loci) για κάποιο φαινοτυπικό χαρακτηριστικό, για διάφορα γνωρίσματα που προκαλούνται από ασθένειες. Για την πλήρη αξιοποίηση των δυνατοτήτων των γονιδιωματικών εργαλείων για τη βελτίωση των καλλιεργειών, απαιτούνται ακριβείς φαινοτυπικές μετρήσεις, ειδικά σε επίπεδο αγρού- πεδίου. Οι πρόσφατες εξελίξεις στα UAS μπορούν να παρέχουν ακριβή και αξιόπιστα δεδομένα για το φαινότυπο. Για παράδειγμα, οι Condorelli et al. και Shokat et al. έδειξαν ότι οι GWAS των δεικτών βλάστησης (NDVI, Normalized Difference Vegetation Index), θα μπορούσαν να βοηθήσουν στον εντοπισμό των QTL περιοχών που μπορούν να χρησιμοποιηθούν για την ενίσχυση της ανθεκτικότητας στην ξηρασία στο σιτάρι. <br /> <br /> <br /> '''Ψηφιακή γεωργία: συνδυασμός τηλεπισκόπησης, μοντέλων προσομοίωσης και τεχνητής νοημοσύνης (AI)'''<br /> Η εκτεταμένη χωρική κάλυψη από τα UAS εξακολουθεί να μην είναι εφικτή επί του παρόντος λόγω περιορισμένου χρόνου μπαταρίας και πτήσης. Επιπλέον, παρόλο που τα UAS έχουν χαμηλό λειτουργικό κόστος, το κόστος επεξεργασίας δεδομένων αυξάνεται καθώς ο όγκος των δεδομένων αυξάνεται εκθετικά κατά την κάλυψη μεγαλύτερων περιοχών. Τα ελεύθερα διαθέσιμα δορυφορικά δεδομένα, που παρέχουν μεγαλύτερη χωρική και χρονική ανάλυση, έχουν χρησιμοποιηθεί για την παρακολούθηση της βλάστησης και την εκτίμηση των αποδόσεων. Ωστόσο, έχει δοθεί περιορισμένη προσοχή στον τρόπο προσαρμογής τους για εφαρμογές γεωργίας ακριβείας κατάλληλης κλίμακας. <br /> Οι ουσιαστικές εξελίξεις στην τεχνολογία Machine Learning (ML) δημιουργούν μια μοναδική ευκαιρία για την ανάπτυξη μοντέλων πρόβλεψης με ακρίβεια σε μεγάλη κλίμακα και με προδιαγραφές. <br /> <br /> Τα μοντέλα προσομοίωσης καλλιεργειών χρησιμοποιούν μεταβλητές εισόδου όπως πληροφορίες διαχείρισης καλλιεργειών, καιρικές συνθήκες και δεδομένα εδάφους για την εκτίμηση της παραγωγικότητας των καλλιεργειών και έχουν γίνει ισχυρά εργαλεία για τη συσχέτιση της φυσιολογίας, της γενετικής και των επιστημών που ασχολούνται με το φαινότυπο (phenomics). <br /> <br /> '''Συμπεράσματα και προοπτικές'''<br /> Η ανάπτυξη πρακτικών βιώσιμης διαχείρισης των καλλιεργειών αποτελεί κεντρικό θέμα στη γεωργική έρευνα εδώ και δεκαετίες. Ενώ τα συστήματα γεωργίας και παραγωγής τροφίμων έχουν εξελιχθεί σημαντικά, οι συνεχιζόμενες τεχνολογικές εξελίξεις αποτελούν μια μοναδική ευκαιρία για την αντιμετώπιση των προκλήσεων. Τα UAS που βασίζονται σε HTP έχει αποδειχθεί ότι είναι μια ακριβής και αξιόπιστη πλατφόρμα για την ποσοτικοποίηση φαινοτυπικών πληροφοριών σε κλίμακα πεδίου- αγρού, και μπορούν επίσης να συσχετιστούν με τις GWAS ακόμη και για να επιταχύνουν τους κύκλους ανάπτυξης σε πολλές καλλιέργειες. Πρωτοποριακές έρευνες σχετικά με τα συστήματα UAS που βασίζονται σε HTP με μοντέλα τηλεπισκόπησης, τεχνητής νοημοσύνης και προσομοίωσης καλλιεργειών για να αναπτύξουν εφαρμογές ψηφιακής γεωργίας μεγάλης περιοχής- κλίμακας. Με τη διεπιστημονικότητα στους κλάδους των βιολογικών και περιβαλλοντικών επιστημών και της επιστήμης των υπολογιστών, είναι δυνατόν να αντιμετωπιστούν τα διάφορα προβλήματα. <br /> <br /> '''Συντομογραφίες'''<br /> *UAS: Unmanned Aircraft Systems<br /> *HTTP: High Throughput Phenotyping <br /> *AI: Artificial Intelligence, Τεχνητή Νοημοσύνη <br /> *VIs: Vegetation Indices, Δείκτες Βλάστησης<br /> *NDVI: Normalized Difference Vegetation Index<br /> *GPS: Global Positioning System, Παγκόσμια Σύστημα Εντοπισμού Θέσης<br /> *DSM: Digital Surface Model<br /> *NGS: Next-generation sequencing<br /> *GWAS: Genome-Wide Association Studies <br /> *QTL: Quantitative Trait Loci <br /> *ML: Machine Learning</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%9F%CE%B9_%CE%B4%CF%85%CE%BD%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B5%CF%82_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82... 2022-03-17T20:35:27Z

<p>Sofia Gkretsi: </p> <hr /> <div>[[category:Γεωργία]]<br /> <br /> '''Οι δυνατότητες της τηλεπισκόπησης και της τεχνητής νοημοσύνης ως εργαλεία για τη βελτίωση της ανθεκτικότητας των συστημάτων γεωργικής παραγωγής'''<br /> <br /> '''Πρωτότυπος τίτλος:''' The potential of remote sensing and artificial intelligence as tools to improve the resilience of agriculture production systems<br /> <br /> '''Συγγραφείς:''' Jinha Jung, Murilo Maeda, Anjin Chang, Mahendra Bhandari, Akash Ashapure και Juan Landivar-Bowles<br /> <br /> '''Δημοσιεύθηκε:''' 7 Οκτωβρίου 2020 (Current Opinion in Biotechnology 2021)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.copbio.2020.09.003<br /> <br /> [[Αρχείο:1.SOFIAGKRETSI1.PNG|200px|thumb|right|'''Εικόνα 1.''' Ροή εργασιών ανάπτυξης εφαρμογών UAS που βασίζονται σε HTP. Η ποιότητα των μη επεξεργασμένων δεδομένων έχει σημαντικό αντίκτυπο στην ακρίβεια των εφαρμογών που αναπτύσσονται (VIs-Δείκτες Βλάστησης, GPS-Παγκόσμια Σύστημα Εντοπισμού Θέσης, DSM-Digital Surface Model).]]<br /> <br /> [[Αρχείο:1.SOFIAGKRETSI2.PNG|200px|thumb|right|'''Εικόνα 2.''' Η ιδέα για τη γεφύρωση του χάσματος γονιδιώματος-φαινοτύπου χρησιμοποιώντας ένα σύστημα μη επανδρωμένου εναέριου συστήματος (UAS) βασισμένο στο σύστημα φαινοτύπου υψηλής απόδοσης (HTP).]]<br /> <br /> [[Αρχείο:1.SOFIAGKRETSI3.PNG|200px|thumb|right|'''Εικόνα 3.''' Η πρόοδος στην ψηφιακή γεωργία θα ωφεληθεί από τη συσχέτιση δεδομένων τηλεπισκόπησης, προηγμένων μοντέλων προσομοίωσης καλλιεργειών και τεχνητής νοημοσύνης (AI).]]<br /> <br /> '''Εισαγωγή'''<br /> Τα σύγχρονα συστήματα γεωργικής παραγωγής και εφοδιασμού τροφίμων αντιμετωπίζουν αυξανόμενες προκλήσεις παγκοσμίως από την κλιματική αλλαγή, τη μείωση της παροχής νερού για άρδευση, την αύξηση του κόστους παραγωγής, τη συνολική μείωση του αγροτικού εργατικού δυναμικού και, πιο πρόσφατα, από μια πανδημία (COVID-19), απειλώντας την περιβαλλοντική και οικονομική βιωσιμότητα. <br /> Η επιστημονική πρόοδος οδήγησε σε μια καλύτερη κατανόηση του τρόπου με τον οποίο διάφορα στοιχεία του γεωργικού συστήματος αλληλεπιδρούν, από το κύτταρο έως το επίπεδο του πεδίου- αγρού. Παρά τις αλματώδεις προόδους στα γενετικά εργαλεία τις τελευταίες δεκαετίες, η αξιολόγηση με ακρίβεια της κατάστασης των καλλιεργειών σε μεγαλύτερη κλίμακα, απουσίαζε εμφανώς μέχρι πρότινος. <br /> Χάρη στις πρόσφατες εξελίξεις στον τομέα της Τηλεπισκόπησης και της Τεχνητής Νοημοσύνης (AI, Artificial Intelligence), είναι δυνατόν πλέον οι πληροφορίες σχετικά με τον φαινότυπο των φυτών να ποσοτικοποιηθούν με ακρίβεια σε μεγάλη κλίμακα, να αξιοποιηθεί αυτός ο όγκος των δεδομένων και τελικά να ενσωματωθεί σε εργαλεία πρόβλεψης. Τα δεδομένα αυτά είναι εύκολα προσβάσιμα μέσω της χρήσης Συστημάτων Μη Επανδρωμένων Αεροσκαφών (UAS, Unmanned Aircraft Systems). Αυτή η ανασκόπηση εστιάζει στη χρήση της τηλεπισκόπησης και της τεχνητής νοημοσύνης, καθώς και την ανάπτυξη εργαλείων που απαιτούνται για τη βελτίωση των γεωργικών συστημάτων.<br /> Τα Συστήματα Μη Επανδρωμένων Αεροσκαφών (UAS) ως θεμέλιο για την ψηφιακή γεωργία<br /> Τα φυτά συνδυάζουν τη γενετική (G, genetics) με το περιβάλλον τους (E, environments) ανταποκρινόμενα στις φυσικές και χημικές ιδιότητες του εδάφους, στη διαθεσιμότητα της υγρασίας, σε βιοτικούς και αβιοτικούς παράγοντες, καθώς και στις πρακτικές διαχείρισης (M, management practices). Από αυτή την άποψη, τα φυτά μπορούν να χρησιμεύσουν ως βιολογικοί ανιχνευτές πεδίου που μπορούν να αξιολογηθούν από αισθητήρες επί των UAS. Τα UAS εξοπλισμένα με κατάλληλους αισθητήρες μπορούν να μετρήσουν τη χρονική πορεία της ανάπτυξης των φυτών με ακρίβεια, γρήγορα και οικονομικά. Αυτά τα σχετικά οικονομικά συστήματα επιτρέπουν επίσης τη συλλογή δεδομένων χωρικής και υψηλής χρονικής ανάλυσης, που προηγουμένως δεν ήταν διαθέσιμα μέσω συμβατικών αερομεταφερόμενων και πλατφορμών τηλεπισκόπησης.<br /> Λόγω των πιθανών πλεονεκτημάτων, οι ερευνητές έχουν διερευνήσει τη χρήση UAS δεδομένων για την αξιολόγηση των φαινοτυπικών χαρακτηριστικών των φυτών σε επίπεδο πεδίου- αγρού, καθώς και για να παρακολουθήσουν τις ασθένειες των καλλιεργειών, να χαρτογραφήσουν τα ζιζάνια και να εκτιμήσουν τη βιομάζα και την απόδοση. Ακόμη τα δεδομένα υψηλής χρονικής ανάλυσης μπορούν να χρησιμοποιηθούν για την εκτίμηση των παραμέτρων των καλλιεργειών όπως το ύψος και η κάλυψη των υπέργειων τμημάτων (canopy) των καλλιεργειών, οι δείκτες βλάστησης, η επιλογή γονοτύπων και η πρόβλεψη για την απόδοση των καλλιεργειών.<br /> Ιδιαίτερα σημαντική είναι η συλλογή/επεξεργασία και ερμηνεία των δεδομένων, καθώς και η ποιότητα αυτών κατά την ανάπτυξη εφαρμογών για τη διασφάλιση της ακρίβειας των μοντέλων πρόβλεψης. Τα UAS βασιζόμενα σε συστήματα φαινοτύπου υψηλής απόδοσης (HTP, High Throughput Phenotyping) έχουν τρομερή επιρροή στον ταχέως εξελισσόμενο τομέα της Τεχνητής Νοημοσύνης (AI). Εκτός από την ποιότητα των μη επεξεργασμένων δεδομένων, όταν χρησιμοποιείται ένας μεγάλος όγκος δεδομένων για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης, έχει αποδειχθεί ότι η απόδοση είναι εξαιρετική ακόμη και όταν εμπλέκονται δεδομένα με θόρυβο, γεγονός που υποδηλώνει ότι ο όγκος των δεδομένων εκπαίδευσης είναι απαραίτητος για την ανάπτυξη μοντέλων τεχνητής νοημοσύνης για γεωργικές εφαρμογές. Επιπλέον, προσφέρονται εμπορικά γεωργικά εργαλεία που βασίζονται σε τεχνητή νοημοσύνη.<br /> <br /> '''Γεφύρωση του χάσματος μεταξύ γονιδιώματος και φαινοτύπου με UAS'''<br /> Οι μελέτες συσχέτισης σε επίπεδο γονιδιώματος (GWAS, Genome-Wide Association Studies) έχουν επίσης χρησιμοποιηθεί για τον εντοπισμό γονιδίων- δεικτών που συνδέονται με συγκεκριμένες περιοχές του DNA (QTL, Quantitative Trait Loci) για κάποιο φαινοτυπικό χαρακτηριστικό, για διάφορα γνωρίσματα που προκαλούνται από ασθένειες. Για την πλήρη αξιοποίηση των δυνατοτήτων των γονιδιωματικών εργαλείων για τη βελτίωση των καλλιεργειών, απαιτούνται ακριβείς φαινοτυπικές μετρήσεις, ειδικά σε επίπεδο αγρού- πεδίου. Οι πρόσφατες εξελίξεις στα UAS μπορούν να παρέχουν ακριβή και αξιόπιστα δεδομένα για το φαινότυπο. Για παράδειγμα, οι Condorelli et al. και Shokat et al. έδειξαν ότι οι GWAS των δεικτών βλάστησης (NDVI, Normalized Difference Vegetation Index), θα μπορούσαν να βοηθήσουν στον εντοπισμό των QTL περιοχών που μπορούν να χρησιμοποιηθούν για την ενίσχυση της ανθεκτικότητας στην ξηρασία στο σιτάρι. <br /> <br /> <br /> '''Ψηφιακή γεωργία: συνδυασμός τηλεπισκόπησης, μοντέλων προσομοίωσης και τεχνητής νοημοσύνης (AI)'''<br /> Η εκτεταμένη χωρική κάλυψη από τα UAS εξακολουθεί να μην είναι εφικτή επί του παρόντος λόγω περιορισμένου χρόνου μπαταρίας και πτήσης. Επιπλέον, παρόλο που τα UAS έχουν χαμηλό λειτουργικό κόστος, το κόστος επεξεργασίας δεδομένων αυξάνεται καθώς ο όγκος των δεδομένων αυξάνεται εκθετικά κατά την κάλυψη μεγαλύτερων περιοχών. Τα ελεύθερα διαθέσιμα δορυφορικά δεδομένα, που παρέχουν μεγαλύτερη χωρική και χρονική ανάλυση, έχουν χρησιμοποιηθεί για την παρακολούθηση της βλάστησης και την εκτίμηση των αποδόσεων. Ωστόσο, έχει δοθεί περιορισμένη προσοχή στον τρόπο προσαρμογής τους για εφαρμογές γεωργίας ακριβείας κατάλληλης κλίμακας. <br /> Οι ουσιαστικές εξελίξεις στην τεχνολογία Machine Learning (ML) δημιουργούν μια μοναδική ευκαιρία για την ανάπτυξη μοντέλων πρόβλεψης με ακρίβεια σε μεγάλη κλίμακα και με προδιαγραφές. <br /> <br /> Τα μοντέλα προσομοίωσης καλλιεργειών χρησιμοποιούν μεταβλητές εισόδου όπως πληροφορίες διαχείρισης καλλιεργειών, καιρικές συνθήκες και δεδομένα εδάφους για την εκτίμηση της παραγωγικότητας των καλλιεργειών και έχουν γίνει ισχυρά εργαλεία για τη συσχέτιση της φυσιολογίας, της γενετικής και των επιστημών που ασχολούνται με το φαινότυπο (phenomics). <br /> <br /> '''Συμπεράσματα και προοπτικές'''<br /> Η ανάπτυξη πρακτικών βιώσιμης διαχείρισης των καλλιεργειών αποτελεί κεντρικό θέμα στη γεωργική έρευνα εδώ και δεκαετίες. Ενώ τα συστήματα γεωργίας και παραγωγής τροφίμων έχουν εξελιχθεί σημαντικά, οι συνεχιζόμενες τεχνολογικές εξελίξεις αποτελούν μια μοναδική ευκαιρία για την αντιμετώπιση των προκλήσεων. Τα UAS που βασίζονται σε HTP έχει αποδειχθεί ότι είναι μια ακριβής και αξιόπιστη πλατφόρμα για την ποσοτικοποίηση φαινοτυπικών πληροφοριών σε κλίμακα πεδίου- αγρού, και μπορούν επίσης να συσχετιστούν με τις GWAS ακόμη και για να επιταχύνουν τους κύκλους ανάπτυξης σε πολλές καλλιέργειες. Πρωτοποριακές έρευνες σχετικά με τα συστήματα UAS που βασίζονται σε HTP με μοντέλα τηλεπισκόπησης, τεχνητής νοημοσύνης και προσομοίωσης καλλιεργειών για να αναπτύξουν εφαρμογές ψηφιακής γεωργίας μεγάλης περιοχής- κλίμακας. Με τη διεπιστημονικότητα στους κλάδους των βιολογικών και περιβαλλοντικών επιστημών και της επιστήμης των υπολογιστών, είναι δυνατόν να αντιμετωπιστούν τα διάφορα προβλήματα. <br /> <br /> '''Συντομογραφίες'''<br /> *UAS: Unmanned Aircraft Systems<br /> *HTTP: High Throughput Phenotyping <br /> *AI: Artificial Intelligence, Τεχνητή Νοημοσύνη <br /> *VIs: Vegetation Indices, Δείκτες Βλάστησης<br /> *NDVI: Normalized Difference Vegetation Index<br /> *GPS: Global Positioning System, Παγκόσμια Σύστημα Εντοπισμού Θέσης<br /> *DSM: Digital Surface Model<br /> *NGS: Next-generation sequencing<br /> *GWAS: Genome-Wide Association Studies <br /> *QTL: Quantitative Trait Loci <br /> *ML: Machine Learning</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%B9%CE%B4%CE%B9%CE%BA%CF%8C_%CE%B8%CE%AD%CE%BC%CE%B1_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B9%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%BF_%CF%87%CE%B9%CF%8C%CE%BD%CE%B9_%CE%BA%CE%B1%CE%B9_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82_%CF%84%CE%B7%CF%82 2022-03-17T20:34:43Z

<p>Sofia Gkretsi: </p> <hr /> <div>[[category:Υδατικοί Πόροι]]<br /> <br /> '''Ειδικό θέμα τηλεπισκόπισης για το χιόνι και εφαρμογές της'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Special Issue on Remote Sensing of Snow and Its Applications<br /> <br /> '''Συγγραφείς:''' Ali Nadir Arslan, Zuhal Akyürek<br /> <br /> '''Δημοσιεύθηκε:''' Ιούνιος 2019 (Geosciences)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3390/geosciences9060277<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η χιονοκάλυψη είναι μια βασική κλιματική μεταβλητή που επηρεάζει άμεσα την ενεργειακή ισορροπία της Γης και έχει μια σειρά από σημαντικές φυσικές ιδιότητες που επηρεάζουν τους κύκλους ενέργειας, νερού και άνθρακα. Η επιφανειακή θερμοκρασία εξαρτάται σε μεγάλο βαθμό από την παρουσία ή την απουσία χιονοκάλυψης και έχει αποδειχθεί ότι οι τάσεις της θερμοκρασίας σχετίζονται με τις μεταβολές της χιονοκάλυψης. Με την τεχνολογία της τηλεπισκόπησης επιτρέπεται η αφομοίωση των πληροφοριών για τη χιονοκάλυψη σε υδρολογικά, επιφανειακά, μετεωρολογικά και κλιματικά μοντέλα για την πρόβλεψη της τήξη, των υδάτινων πόρων και την προειδοποίηση για φυσικούς κινδύνους που σχετίζονται με το χιόνι. Στην παρούσα ανασκόπηση παρουσιάζεται ένα ευρύ φάσμα θεμάτων όπως (1) τεχνικές και μέθοδοι τηλεπισκόπησης για το χιόνι, (2) μοντελοποίηση, αλγόριθμοι ανάκτησης και επιτόπιες (in-situ) μετρήσεις παραμέτρων του χιονιού, (3) τηλεπισκόπηση του χιονιού με πολλές πηγές και πολλούς αισθητήρες, (4) ολοκληρωμένες προσεγγίσεις τηλεπισκόπησης και μοντέλων για το χιόνι, και (5) εφαρμογές όπου οι πληροφορίες που λαμβάνονται με τηλεπισκόπηση για το χιόνι χρησιμοποιούνται για την πρόγνωση του καιρού, τις πλημμύρες, τις χιονοστιβάδες, τη διαχείριση των υδάτων, την ιχνηλασιμότητα, την υγεία και τον αθλητισμό, τη γεωργία και τη δασοκομία, τα κλιματικά σενάρια κ.λπ. Είναι πολύ σημαντικό να κατανοήσουμε (α) τις διαφορές και τις ομοιότητες, (β) την αντιπροσωπευτικότητα και την εφαρμοσιμότητα, (γ) την ακρίβεια και τις πηγές σφαλμάτων στη μέτρηση του χιονιού τόσο in-situ όσο και με τηλεπισκόπηση σε υδρολογικά, επιφανειακά, μετεωρολογικά και κλιματικά μοντέλα.<br /> <br /> '''Τηλεπισκόπηση του χιονιού και εφαρμογές της'''<br /> <br /> Το Copernicus είναι το πρόγραμμα παρατήρησης της Γης (EO, Earth Observation) της Ευρωπαϊκής Ένωσης (ΕΕ), το οποίο προσφέρει δωρεάν και ανοικτές υπηρεσίες πληροφοριών που βασίζονται σε δορυφορικά δεδομένα παρατήρησης της Γης και σε δεδομένα in situ (μη διαστημικά). Για την κατανόηση της κατάστασης της χρήσης των Copernicus Sentinels στο χιόνι γενικά, εξετάστηκαν δημοσιευμένες εργασίες στο Web of Science από το 2015 έως το 2019. Σύμφωνα με την ανάλυση που πραγματοποιήθηκε, το MODIS (Moderate Resolution Imaging Spectroradiometer) και το PMW (Passive Microwave) ήταν τα πιο συχνά χρησιμοποιούμενα σε τηλεπισκοπικές μελέτες χιονιού. Τα Copernicus Sentinels και οι αναδυόμενες τεχνολογίες χρησιμοποιούνται επίσης στις μελέτες χιονιού με τηλεπισκόπηση. Οι εικόνες που ελήφθησαν για μια περίοδο δέκα ετών αναλύθηκαν με τη χρήση ενός αυτοματοποιημένου αλγορίθμου ανίχνευσης χιονιού-μη χιονιού που βασίζεται στη φασματική ομοιότητα. Τα δορυφορικά προϊόντα χιονιού μεσαίας χωρικής ανάλυσης είναι καλά για την παρακολούθηση της δυναμικής του χιονιού, αλλά απαιτείται καλύτερη χωρική ανάλυση για την κατανόηση της χωρικής διακύμανσης, ιδίως σε ανώμαλο έδαφος.<br /> Η παρακολούθηση της χιονοκάλυψης και των συνιστωσών της σε μεσο-, περιφερειακή και παγκόσμια κλίμακα είναι σημαντική για την υποστήριξη της επιστήμης του καιρού, της υδρολογίας και του κλίματος, καθώς και για την παρακολούθηση των φυσικών κινδύνων, τη λήψη αποφάσεων και τη διαμόρφωση περιβαλλοντικής πολιτικής. Η ικανότητα αυτή θα παρέχει πληροφορίες βασισμένες στη γνώση σχετικά με τις πιθανές επιπτώσεις στην κοινωνία, την οικονομία και την ασφάλεια (π.χ. υδροηλεκτρική ενέργεια, διαθεσιμότητα νερού, μεταφορές, τουρισμός, πλημμύρες, χιονοστιβάδες κ.λπ.) Το χιόνι είναι ένα πολύπλοκο μέσο και γι' αυτό είναι σημαντικό να κατανοηθούν όλες οι πτυχές, όπως ο χαρακτηρισμός, η ανίχνευση και η μοντελοποίηση. Στόχος της συγκεκριμένης ανασκόπησης ήταν να συνδυαστούν αυτές οι τρεις πτυχές μαζί, καθώς πιστεύεται ότι αυτό θα είναι χρήσιμο για όλους τους κλάδους που ασχολούνται με κάποιο μέρος της επιστήμης του χιονιού.</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CF%87%CF%8E%CF%81%CF%89%CE%BD_%CF%80%CF%81%CE%B1%CF%83%CE%AF%CE%BD%CE%BF%CF%85:_%CE%91%CE%BD%CE%B1%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7 2022-03-17T20:34:11Z

<p>Sofia Gkretsi: </p> <hr /> <div> [[category:Αστικός και περιφερειακός σχεδιασμός]]<br /> <br /> '''Τηλεπισκόπηση αστικών χώρων πρασίνου: Ανασκόπηση'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Remote sensing of urban green spaces: A review<br /> <br /> '''Συγγραφείς:''' Amir Reza Shahtahmassebi, Chenlu Li, Yifan Fan, Yani Wu, Yue lin, Muye Gan, Ke Wang, Arunima Malik, George Alan Blackburn<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2021 (Urban Forestry &amp; Urban Greening)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.ufug.2020.126946<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Οι αστικοί χώροι πρασίνου (UGS, urban green spaces) διαδραματίζουν σπουδαίο ρόλο στην υγεία, την ευεξία και τα αισθητικά οφέλη στους κατοίκους των πόλεων, καθώς επίσης και σε μια σειρά περιβαλλοντικών προβλημάτων στις πόλεις, όπως είναι η αυξανόμενη ατμοσφαιρική ρύπανση και οι κλιματικές διαταραχές. Ως UGS ορίζονται όλα τα φυσικά, ημιφυσικά και τεχνητά συστήματα εντός, γύρω και μεταξύ αστικών περιοχών κάθε χωρικής κλίμακας. Μπορούν να χωριστούν ευρέως σε δύο κατηγορίες: (α) μεσαίας έως μεγάλης κλίμακας όπως πάρκα και αστικά δάση και (β) μικρής κλίμακας όπως κήποι ή χώροι πρασίνου ιδιωτικών κατοικιών και διάσπαρτα κομμάτια δέντρων. Οι περισσότερες μελέτες έχουν επικεντρωθεί σε UGS (κυρίως δέντρα) που καλύπτουν μεγάλες εκτάσεις, ενώ λιγότερες είναι οι μελέτες σχετικές με τους UGS μικρής κλίμακας, οι οποίες παρόλο που καταλαμβάνουν μια περιορισμένη περιοχή, όταν ληφθούν υπόψη στο σύνολό τους, μπορούν να αντιπροσωπεύουν ένα σημαντικό μέρος του αστικού χώρου. Έτσι, υπάρχει έντονη ανάγκη για προστασία και βελτίωση των υπαρχόντων UGS, και ταυτόχρονα ανάπτυξη νέων αστικών πράσινων υποδομών. Επομένως, η γνώση των χαρακτηριστικών των UGS (αφθονία, χωρική κατανομή και σύνθεση των ειδών) και τα δεδομένα είναι ζωτικής σημασίας για μια σειρά ζητημάτων στον πολεοδομικό σχεδιασμό, τη διαχείριση και τη δημόσια υγεία.<br /> Έχουν χρησιμοποιηθεί διάφορες προσεγγίσεις για τη συλλογή πληροφοριών σχετικά με τους UGS. Οι έρευνες στο πεδίο μπορούν να προσφέρουν ακριβείς πληροφορίες για τους UGS, αλλά είναι δαπανηρές και χρονοβόρες. Αν και η οπτική ερμηνεία και η χειροκίνητη ψηφιοποίηση από έντυπους χάρτες ή αεροφωτογραφίες είναι από τις πιο ακριβείς τεχνικές, μπορεί να είναι αρκετά υποκειμενικές και δύσκολο να αναπαραχθούν, οδηγώντας σε ασυνεπή αποτελέσματα. Τις τελευταίες δεκαετίες, οι τεχνολογίες τηλεπισκόπησης έχουν καταλάβει σημαντική θέση στη μελέτη και ανάλυση των UGS καθώς μπορούν να δημιουργήσουν επαναλαμβανόμενη και πλήρη κάλυψη σε διαφορετικές χωρικές κλίμακες και για διαφορετικές εποχές. Με βάση τις πρόσφατες εξελίξεις, όπως πολιτικές πρόσβασης χωρίς χρέωση δεδομένων και εικόνες υψηλής χωρικής ανάλυσης, η τηλεπισκόπηση παρέχει ένα πολύτιμο σύνολο εργαλείων που μπορούν να ελαχιστοποιήσουν την ανάγκη για έρευνα στο πεδίο, ακόμη και σε εξαιρετικά ετερογενή και πολύπλοκα αστικά περιβάλλοντα, παρέχοντας τη δυνατότητα εξαγωγής πληροφοριών για τους UGS με ακρίβεια (π.χ. ανίχνευση τοποθεσίας, αναγνώριση ειδών κάλυψης βλάστησης και εκτίμηση κλάσματος UGS), γρήγορα και με ελάχιστο κόστος. Η τηλεπισκόπηση έχει αποδειχθεί αποτελεσματική για τη χαρτογράφηση και ανίχνευση ειδών δέντρων που βρίσκονται στο δρόμο, καθώς και για την αξιολόγηση της υγείας της βλάστησης εντός UGSs. <br /> Σε αυτή την ανασκόπηση, εξετάζονται λεπτομερώς οι προσεγγίσεις τηλεπισκόπησης για τον χαρακτηρισμό των UGS και αξιολογείται η αποτελεσματικότητα διαφορετικών συστημάτων τηλεπισκόπησης και αναλυτικών τεχνικών. <br /> <br /> '''Υλικά - Μέθοδοι'''<br /> <br /> Αρχικά, πραγματοποιήθηκε αναζήτηση σε διάφορες σχετικές ιστοσελίδες με λέξεις-κλειδιά από το 1982 μέχρι και το 2019 και στη συνέχεια από 1500 άρθρα επιλέχθηκαν με διάφορα κριτήρια τα 159. Οι θεματικοί τομείς εφαρμογής που εξήχθησαν ήταν οι εξής: Απογραφή και αξιολόγηση, Βιομάζα και άνθρακας, Ανίχνευση αλλαγών, Υπηρεσίες σχετικές με το οικοσύστημα, Συνολική χαρτογράφηση των UGS, Χαρτογράφηση ειδών και Τρισδιάστατη μοντελοποίηση, όπως περιγράφονται και πιο αναλυτικά στα αποτελέσματα. Τέλος, πραγματοποιήθηκε στατιστική ανάλυση και παρουσίαση των αποτελεσμάτων.<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Πρώτον, η αυξημένη διαθεσιμότητα τεχνολογίας τηλεπισκόπησης υψηλής χωρικής ανάλυσης κατέστησε δυνατή την παρακολούθηση ακριβής κλίμακας των UGS. Επιπλέον, εικόνες υψηλής χωρικής ανάλυσης έχουν γίνει διαθέσιμες σε παγκόσμια κλίμακα μέσω του Google Earth, με τη μορφή διαφορετικών προϊόντων, όπως αεροφωτογραφίες, δορυφορικές εικόνες και προβολές δρόμων. Δεύτερον, έχει υπάρξει μια ολοένα και πιο ευρεία ανάπτυξη δύο πηγών δεδομένων είτε μεμονωμένων είτε συνδυασμένων μεταξύ τους: Ανίχνευσης και εμβέλειας φωτός (LiDAR) και τεχνολογίες υπερφασματικής τηλεπισκόπησης. Οι αισθητήρες LiDAR είναι σε θέση να παράγουν ακριβείς πληροφορίες για την κατακόρυφη δομή της βλάστησης εντός των UGS χρησιμοποιώντας διακριτές επιστροφές και δεδομένα κυματομορφής. Οι υπερφασματικοί αισθητήρες διευκολύνουν την αναγνώριση ειδών βλάστησης εντός των UGS μέσω φασματοσκοπικής ανάλυσης. Η αυτόνομη ή συνδυασμένη χρήση του LiDAR και της υπερφασματικής ανίχνευσης έχει γίνει σημαντική σε πολλές πρακτικές μελέτες των UGS. Τρίτον, πριν από το 2008, το κόστος πρόσβασης σε εικόνες Landsat (μέτρια χωρική ανάλυση) είχε περιορίσει την ικανότητά μας να παρακολουθούμε UGS. Από το 2009, ωστόσο, όλες οι αρχειοθετημένες σκηνές Landsat έχουν γίνει διαθέσιμες σε όλους τους χρήστες χωρίς χρέωση μέσω πολλών ιστοσελίδων. Ο Ευρωπαϊκός Οργανισμός Διαστήματος έχει εφαρμόσει το πρόγραμμα Copernicus με μια πολιτική ελεύθερης και ανοιχτής πρόσβασης για εικόνες από τους δορυφόρους Sentinel από το 2015 (μέτριας χωρικής ανάλυσης οπτικά δεδομένα και δεδομένα ραντάρ) -ευεργετική σε πολλές μελέτες των UGS. Ένας επιπλέον λόγος για την αύξηση των μελετών που βασίζονται στην τηλεπισκόπηση των UGS ήταν οι εκκλήσεις διεθνών οργανισμών για πιο εκτεταμένες έρευνες των UGS τα τελευταία χρόνια. Για παράδειγμα, ο Παγκόσμιος Οργανισμός Υγείας (ΠΟΥ) έχει αφιερώσει μια ειδική έκθεση στα UGS που καταδεικνύει τα πολλαπλά οφέλη τους για τη δημόσια υγεία.<br /> * '''Χωρική ανάλυση:''' Το 38% των δημοσιευμένων μελετών χρησιμοποίησε εικόνες υψηλής χωρικής ανάλυσης, ακολουθούμενες από εικόνες μέσης χωρικής ανάλυσης (17%) και συνδυασμό εικόνων υψηλής και μέσης χωρικής ανάλυσης (9%). Τα αποτελέσματα αυτής της μελέτης έδειξαν ότι οι UGS μπορούν να ληφθούν με επιτυχία χρησιμοποιώντας εικόνες με χωρική ανάλυση μεταξύ 2 m και 16 m, με λιγότερο επιτυχή αποτελέσματα σε χαμηλότερες αναλύσεις. Επιπλέον, αξίζει να σημειωθεί ότι ορισμένες μελέτες χρησιμοποίησαν αισθητήρες υψηλής χωρικής ανάλυσης σε μη επανδρωμένα εναέρια οχήματα (UAV) και αεροσκάφη.<br /> * '''Φασματική ανάλυση:''' Η φασματική ανάλυση των οργάνων τηλεπισκόπησης μπορεί γενικά να χωριστεί σε δύο ομάδες: πολυφασματική και υπερφασματική. Τα πολυφασματικά συστήματα τείνουν να είναι ικανά να διακρίνουν τη βλάστηση εντός των αστικών περιοχών και να χαρτογραφούν τους UGS, ενώ οι υπερφασματικοί αισθητήρες συνήθως απαιτούνται για την αναγνώριση ειδών βλάστησης εντός των UGS. Παρά τη δυνητική αξία των υπερφασματικών αισθητήρων, παρατηρήθηκε ότι μόνο το 5% των μελετών έχουν χρησιμοποιήσει αυτούς τους αισθητήρες σε έρευνες UGS, ενώ οι υπόλοιπες βασίζονται στην πολυφασματική τηλεπισκόπηση κυρίως μέσης χωρικής ανάλυσης. Αυτό πιθανότατα οφείλεται στην περιορισμένη προσβασιμότητα σε υπερφασματικά δεδομένα που συλλέγονται από αερομεταφερόμενες πλατφόρμες και σε λίγους δορυφορικούς αισθητήρες που έχουν περιορισμένη χωρική κάλυψη και σχετικά υψηλό κόστος απόκτησης.<br /> * '''Χρόνος λήψης εικόνας:''' Ο χρόνος λήψης εικόνας είναι πολύ σημαντικός παράγοντας στην τηλεπισκόπηση των UGS λόγω των κύκλων της βλάστησης που προκαλούν αλλαγές στη βιοχημεία των φύλλων και στη δομή του θόλου της βλάστησης. Γενικά, το φθινόπωρο και η άνοιξη έχει βρεθεί ότι είναι οι καταλληλότερες εποχές για τη χαρτογράφηση των UGS και τον εντοπισμό ειδών βλάστησης. <br /> * '''LiDAR:''' Τα συστήματα ανίχνευσης και εμβέλειας φωτός προσφέρουν μία από τις πιο ακριβείς τεχνικές και μπορούν να μειώσουν την επίδραση της σκιάς, να μετρήσουν δομικά χαρακτηριστικά και βιοφυσικές παραμέτρους και να παρέχουν τρισδιάστατες πληροφορίες. Αρκετές μελέτες έχουν δείξει τα οφέλη του συνδυασμού του LiDAR με υπερφασματικά δεδομένα και εικόνες υψηλής χωρικής ανάλυσης.<br /> * '''SAR (Synthetic Aperture Radar):''' Οι αισθητήρες SAR ανιχνεύουν την επιφάνεια της Γης μέρα ή νύχτα και κάτω από όλες τις καιρικές συνθήκες. Τα μεταδιδόμενα σήματα μικροκυμάτων μπορούν επίσης να διεισδύσουν στους θόλους βλάστησης και στα επιφανειακά στρώματα του εδάφους, τα οποία μπορεί να είναι χρήσιμα σε ορισμένες αξιολογήσεις των UGS. Ωστόσο, παρά τα πλεονεκτήματα τους, βιβλιογραφικά είναι ελάχιστη η χρήση δεδομένων SAR σε μελέτες των UGS. Ως εκ τούτου, η χρήση δεδομένων SAR σε μελέτες των UGS φαίνεται να είναι πολύτιμη για μελλοντικές έρευνες, και στη δασοκομία.<br /> * '''Προϊόντα Google Earth - Google Street View:''' Μια σειρά μελετών (3,5 %) έχουν χρησιμοποιήσει προϊόντα Google Earth, συμπεριλαμβανομένου του Google Street View.<br /> * '''Google Earth Engine (GEE):''' Η Google Earth Engine (GEE), μια υπολογιστική πλατφόρμα γεωχωρικής επεξεργασίας που βασίζεται σε νέφη, προσφέρει δορυφορική επεξεργασία δεδομένων και ανάλυση γεωγραφικού συστήματος πληροφοριών (GIS) από τοπική έως παγκόσμια κλίμακα. <br /> * '''Προεπεξεργασία-ατμοσφαιρική διόρθωση:''' Η ποιότητα των δορυφορικών εικόνων συνήθως χρειάζεται να βελτιωθεί με τη χρήση αλγορίθμων διόρθωσης της ατμόσφαιρας. 38 από τις μελέτες χρησιμοποίησαν τεχνικές ατμοσφαιρικής διόρθωσης ως βήμα προεπεξεργασίας.<br /> * '''Απαιτήσεις χρηστών και αποδοτικότητα κόστους:''' Το βασικό σκεπτικό πίσω από τη χρήση εικόνων τηλεπισκόπησης σε μελέτες των UGS είναι η μείωση του κόστους που σχετίζεται με τις διαδικασίες συλλογής δεδομένων πεδίου. Αν και το κόστος των εικόνων τηλεπισκόπησης θα μπορούσε να αποτελέσει εμπόδιο για λεπτομερείς, μεγάλης κλίμακας και επαναλαμβανόμενες μετρήσεις των UGS, υποστηρίζεται ότι αντισταθμίζεται από την αξία που προκύπτει από τέτοιες εργασίες για τη βελτίωση των UGS και την παροχή πολλαπλών οφελών και υπηρεσιών.<br /> <br /> '''Αναλυτικές τεχνικές στην τηλεπισκόπηση των UGS'''<br /> <br /> Ο συνδυασμός των δυνατοτήτων διαφόρων αλγορίθμων σε ένα ενιαίο πλαίσιο τείνει να αυξήσει την απόδοση της τεχνικής. Σε αυτήν την έρευνα, η μέθοδος MTMF (mixture-tuned match filtering) χρησιμοποιήθηκε για την ανίχνευση ειδών ενώ η τμηματοποίηση πολλαπλής ανάλυσης χρησιμοποιήθηκε για τη διαφοροποίηση δασικών/μη δασικών και της λεκάνης απορροής για την οριοθέτηση στεφάνων δέντρων. Αυτή η μέθοδος διευκόλυνε τη σύνθεση πληροφοριών από LiDAR και υπερφασματικά δεδομένα. Ακόμη, πολλοί ερευνητές έχουν εφαρμόσει ανάλυση εικόνας βάσει αντικειμένων (OBIA, object-based image analysis) για τη χαρτογράφηση των UGS. Οι μέθοδοι κλασμάτων, επίσης, και η χαρτογράφηση αστικών χώρων πρασίνου σε επίπεδο κλασμάτων (επίπεδο υπο-pixel) παρέχει πληροφορίες για την πυκνότητα των περιοχών με βλάστηση στις αστικές περιοχές. Σε πληθώρα μελετών χρησιμοποιούνται δείκτες κάλυψης γης για τον χαρακτηρισμό των UGS από δορυφορικές εικόνες. Μεταξύ των δεικτών κάλυψης γης, ο δείκτης βλάστησης (NDVI) είναι ο πιο γνωστός και πιο ευρέως εφαρμοσμένος δείκτης για τη χαρτογράφηση των UGS.<br /> Κύριοι θεματικοί τομείς εφαρμογής για την τηλεπισκόπηση των UGS<br /> (α) Απογραφή και αξιολόγηση: Περιλαμβάνει μελέτες που αξιολογούν τις βιοφυσικές ιδιότητες των UGS, όπως ο δείκτης επιφάνειας των φύλλων, η υγεία της βλάστησης καθώς και τη γεωχωρική μοντελοποίηση. Οι υπόλοιπες μελέτες επικεντρώθηκαν σε άλλες πτυχές, όπως η μοντελοποίηση της φυλλικής περιοχής, η φαινολογία της βλάστησης, οι επιπτώσεις της αλατότητας και της ρύπανσης στην αστική βλάστηση και οι οικονομικές έρευνες.<br /> (β) Βιομάζα και άνθρακας: Τα δεδομένα τηλεπισκόπησης έχουν χρησιμοποιηθεί για την παρακολούθηση του άνθρακα και της βιομάζας εντός των UGS. Για παράδειγμα, καθιερώθηκαν μοντέλα μεταξύ των αποθεμάτων άνθρακα πάνω από το έδαφος σε UGS και αρκετών δεικτών βλάστησης.<br /> (γ) Ανίχνευση αλλαγών: Ορισμένες μελέτες έχουν χρησιμοποιήσει χωρική ανάλυση βασισμένη σε GIS για να ποσοτικοποιήσουν τις αλλαγές στους UGS εντός ομόκεντρων ζωνών προστασίας. <br /> (δ) Υπηρεσίες σχετικές με το αστικό οικοσύστημα: Βρέθηκαν τρεις μεγάλες ομάδες μελετών: μοντελοποίηση, έρευνα πολιτικής και ανάλυση μορφολογικού χωρικού προτύπου (MSPA). Η χαρτογράφηση για την παροχή υπηρεσιών οδικών δέντρων θα μπορούσε να βοηθήσει στην ιεράρχηση των περιοχών για νέα φύτευση, εντοπίζοντας δρόμους ή τμήματα τους με χαμηλή σκίαση. <br /> (ε) Συνολική χαρτογράφηση των UGS: Περιλαμβάνει μελέτες της χωρικής κατανομής των UGS που μπορεί να είναι σε κατηγορίες (δηλαδή UGS και μη UGS) ή κλασματικά (ποσοστό των UGS σε κάθε pixel). Η σημασία της δημιουργίας μιας βάσης δεδομένων για τη χωρική κατανομή και την αφθονία των UGS θα μπορούσε να διαδραματίσει σημαντικό ρόλο στην υποστήριξη των υφιστάμενων βιώσιμων αστικών κανονισμών και μπορεί να αναδειχθεί ως δείκτης του βαθμού αστικής ποιότητας. <br /> (στ) Χαρτογράφηση ειδών: Η επιστημονική κοινότητα και οι φορείς διαχείρισης αστικών περιοχών είναι πλέον σε θέση να προσδιορίζουν και να αναγνωρίζουν είδη βλάστησης (δέντρα και θάμνους) εντός των αστικών περιοχών με ακριβή και έγκαιρο τρόπο μέσω της τεχνολογίας τηλεπισκόπησης για την κατάλληλη διατήρησή τους και για την προστασία των UGS από χωροκατακτητικά είδη. <br /> (ζ) Τρισδιάστατη μοντελοποίηση: Αυτή η ομάδα μελετών καλύπτει την ανάλυση των κατακόρυφων χαρακτηριστικών των UGS και τη χρήση τέτοιων πληροφοριών για τη δημιουργία τρισδιάστατων μοντέλων. Τέτοιες μελέτες βασίζονται σε δεδομένα LiDAR και σε συνδυασμό εικόνων LiDAR και υψηλής χωρικής ανάλυσης. <br /> <br /> '''Συμπέρασμα'''<br /> <br /> Η παρακολούθηση του συνολικού μεγέθους, των τάσεων και των χωρικών προτύπων των UGS είναι κρίσιμη για τον αποτελεσματικό σχεδιασμό για τη βελτίωση των περιβαλλοντικών συνθηκών εντός των πόλεων και για τη βιώσιμη διαχείριση της αστικής βλάστησης. Η ανασκόπηση έδειξε ότι για την ανάλυση UGS, οι μελέτες έχουν χρησιμοποιήσει δεδομένα που αποτελούνται από δύο κύριες κατηγορίες. Πρώτον, δορυφορικές εικόνες σε μέτρια χωρική ανάλυση. Εδώ, αισθητήρες όπως ο Landsat και ο Sentinel (οπτικοί αισθητήρες) έχουν συμβάλει σημαντικά στις δυνατότητες στη συνολική χαρτογράφηση των UGS και στην ανίχνευση αλλαγών χρησιμοποιώντας αρχεία χρονοσειρών. Τέτοια δεδομένα προσφέρουν τα πλεονεκτήματα της απαίτησης λιγότερο περίπλοκων τεχνικών επεξεργασίας εικόνας και της ελεύθερης πρόσβασης. Ωστόσο, η χωρική ανάλυση αυτών των αισθητήρων εμποδίζει τη διαδικασία ανίχνευσης χαρακτηριστικών λεπτής κλίμακας των UGS σε πολύπλοκες αστικές περιοχές. Αντίθετα, αισθητήρες με υψηλή και εξαιρετικά υψηλή χωρική ανάλυση (π.χ. IKONOS) έχουν προσφέρει πληροφορίες λεπτής κλίμακας (π.χ. ανιχνεύσεις δέντρων αστικών δρόμων, παρακολουθώντας τις ανεπαίσθητες αλλαγές στους USGs). <br /> Ένας αριθμός μελετών χρησιμοποίησε LiDAR, υπερφασματικές και άλλες πηγές δεδομένων προκειμένου να προσδιοριστούν συγκεκριμένα χαρακτηριστικά των UGS. Τα δεδομένα LiDAR, οι εικόνες εξαιρετικά υψηλής χωρικής ανάλυσης, τα υπερφασματικά δεδομένα και τα προϊόντα Google Earth παρέχουν ένα φάσμα χρήσιμων πληροφοριών είτε μεμονωμένα ή σε συνδυασμό. Οι τεχνικές που χρησιμοποιούνται περιλαμβάνουν υβριδικές προσεγγίσεις, κλασματική ανάλυση, δείκτες κάλυψης γης, ταξινόμηση ανά pixel, δειγματοληψία σημείων, οπτική ερμηνεία και ανάλυση προϋπαρχόντων χαρτών. Η ανασκόπηση ανέλαβε επίσης σε βάθος ανάλυση των προσεγγίσεων επεξεργασίας εικόνας που χρησιμοποιούνται για την εξαγωγή πληροφοριών σχετικά με τους UGS. <br /> <br /> '''Συντομογραφίες'''<br /> <br /> *UGS: Urban Green Spaces, Αστικοί χώροι πρασίνου <br /> *LiDAR: Light Detection and Ranging, Ανίχνευση και εμβέλεια φωτός <br /> *UAV: Unmanned aerial vehicles, Μη επανδρωμένα εναέρια οχήματα <br /> *SAR: Synthetic Aperture Radar<br /> *GEE: Google Earth Engine <br /> *MTMF: Mixture-tuned match filtering<br /> *OBIA: Object-based image analysis<br /> *NDVI: Normalized Difference Vegetation Index<br /> *MSPA: Μorphological spatial pattern analysis</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%80%CE%B5%CF%81%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AE_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B9%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CE%B8%CF%81%CE%B5%CF%80%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%84%CE%BF%CE%B9%CF%87%CE%B5%CE%AF%CF%89%CE%BD_%CF%83%CF%84%CE%BF_%CF%86%CF%8D%CE%BB%CE%BB%CF%89%CE%BC%CE%B1_%CF%83%CF%84%CE%B7_%CE%B4%CE%B1%CF%83%CE%BF%CF%80%CE%BF%CE%BD%CE%AF%CE%B1 2022-03-17T20:32:34Z

<p>Sofia Gkretsi: </p> <hr /> <div> [[category:Δασοπονία, Δασική διαχείριση]]<br /> <br /> '''Υπερφασματική τηλεπισκόπιση για την ανίχνευση θρεπτικών στοιχείων στο φύλλωμα στη δασοπονία: Μια προοπτική στο εγγύς υπέρυθρο'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Hyperspectral remote sensing for foliar nutrient detection in forestry: A near-infrared perspective<br /> <br /> '''Συγγραφείς:''' L. Singh, O. Mutanga, P. Mafongoya, K. Peerbhay, J. Crous<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2022 (Remote Sensing Applications: Society and Environment)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.rsase.2021.100676<br /> <br /> [[Αρχείο:4.SOFIAGKRETSI1.PNG|200px|thumb|right|'''Εικόνα 1.''' Σχηματικό διάγραμμα ροής που δείχνει τη διαδικασία ανίχνευσης θρεπτικών ουσιών με τη χρήση συσκευής υπερφασματικού φασματοφωτόμετρου.]]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η εντατική διαχείριση των δασικών φυτειών έχει εξελιχθεί σημαντικά για να καλύψει την παγκόσμια προσφορά και ζήτηση σε δασικά προϊόντα. Σε επίπεδο φυτωρίου, τα δέντρα λαμβάνουν θρεπτικά στοιχεία ώστε να δημιουργήσουν αποθέματα κατά την επακόλουθη φύτευσή τους στο πεδίο- χωράφι για τη μεγιστοποίηση της ριζοβολίας και της παραγωγής των βλαστών και τα μεταφέρουν στα φύλλα ως μηχανισμό διατήρησης. Η έλλειψη θρεπτικών ουσιών πλήττει τη φυτική παραγωγή, μειώνοντας σημαντικά την παραγωγή και την παραγωγικότητα των βιομηχανικών φυτειών και θα μπορούσε να αφήσει τα φυτά εκτεθειμένα στην εισβολή παρασίτων και ασθενειών. Παράλληλα, η υπερλίπανση είναι δυνατό να οδηγήσει σε τοξικότητα. <br /> Η έγκαιρη αξιολόγηση και η ακριβής διάγνωση της κατάστασης των θρεπτικών στοιχείων των φυτών κατά τα πρώιμα στάδια της ανάπτυξης είναι κρίσιμη για τη διατήρηση των βέλτιστων επιπέδων θρέψης βλαστών και ριζοβολίας. Επιπλέον, οι ελλείψεις σε θρεπτικές ουσίες δεν μπορούν να παρατηρηθούν οπτικά και να ερμηνευθούν μόνο με γυμνό μάτι, προκαλώντας σφάλματα στη διάγνωση. Ακόμη, το γεγονός πως δεν είναι όλα τα δέντρα ομοιογενή συνεπάγεται ακανόνιστες συγκεντρώσεις των θρεπτικών ουσιών. Οι παραδοσιακές μέθοδοι αξιολόγησης αυτών καθίστανται ανεπαρκείς σε υψηλές απαιτήσεις όταν εξετάζονται μεγάλα μεγέθη δειγμάτων. Η εισαγωγή δεδομένων τηλεπισκόπησης, και ειδικά η φασματοσκοπία εγγύς υπέρυθρου (NIRS, near-infrared spectroscopy), μπορεί να προσφέρει σχεδόν στιγμιαία αποτελέσματα για την πρακτική δασοκομικής ακριβείας μεγάλης κλίμακας. Την τελευταία δεκαετία, η NIRS (τύπος φασματοσκοπίας δονήσεων υψηλής ενέργειας, στην περιοχή μήκους κύματος 750 nm–2500 nm) ως μια ταχεία, μη-καταστροφική τεχνική έχει συμβάλει σημαντικά στην αξιολόγηση της βλάστησης και συγκεκριμένα στην ανίχνευση θρεπτικών συστατικών του φυλλώματος των δέντρων σε δασικές περιοχές. <br /> Η παρούσα ανασκόπηση εξετάζει μια δεκαετία (2010-2020) έρευνας, συνοψίζοντας τεχνικές του παρελθόντος και του παρόντος και παρέχει πληροφορίες σχετικά με: (1) την υπερφασματική τηλεπισκόπηση (NIRS) και τη σχέση της με τα φυσιολογικά χαρακτηριστικά των φυτών, (2) την επίδραση του φασματικού θορύβου σε δεδομένα υψηλών διαστάσεων και (3) τις στρατηγικές τεχνικές/ μεθόδους προεπεξεργασίας δεδομένων και στατιστικής μοντελοποίησης που χρησιμοποιούν τεχνολογία εγγύς υπέρυθρης ακτινοβολίας. <br /> Η τεχνολογία αυτή παρέχει αρκετά ακριβή αποτελέσματα που μειώνουν τον φασματικό θόρυβο. Τα μεγέθη των δειγμάτων, οι λανθάνουσες μεταβλητές και η περιεκτικότητα των φύλλων σε νερό ήταν οι κύριοι παράγοντες που καθόρισαν τα επιτυχή αποτελέσματα. Η θέση δειγματοληψίας για την απόκτηση ενός αντιπροσωπευτικού δείγματος αποτελεί αναπόσπαστο μέρος του ακριβέστερου προσδιορισμού της περιεκτικότητας σε θρεπτικά συστατικά. Για παράδειγμα, μελέτες έχουν αναφέρει ασυνεπείς φασματικές τιμές σε δείγμα στην επάνω επιφάνεια σε σύγκριση με την κάτω επιφάνεια του ίδιου φύλλου. Οι περιορισμοί που παρουσιάστηκαν παρακινούν τη μελλοντική έρευνα για την κατανόηση των επιδράσεων των οπτικών ιδιοτήτων του κεριού που καλύπτει την εξωτερική επιφάνεια της επιδερμίδας (epicuticle wax), καθώς και των τριχιδίων στα φύλλα (trichomes on leaf). <br /> <br /> '''Φασματονομία: “Spectranomics”'''<br /> <br /> Η &quot;Spectranomics&quot; είναι μια νέα, αναπτυσσόμενη έννοια που διερευνά τη σχέση μεταξύ των ειδών των φυτών και των λειτουργικών χαρακτηριστικών τους με τις φασματο-οπτικές ιδιότητές τους. Οι Asner και Martin (2009) συνδύασαν χημικά στοιχεία (N, P, Chl-a, Chl-b) και φασματική τηλεπισκόπηση για τη χαρτογράφηση της ποικιλομορφίας ενός φυτικού θόλου. Αναπτύχθηκαν μέθοδοι με χρήση ενός συνδυασμού τεχνικών μοντελοποίησης μεταφοράς ακτινοβολίας, θορύβου υψηλής συχνότητας και του αλγορίθμου μερικής παλινδρόμησης ελαχίστων τετραγώνων PLSR (partial least squares regression), με φασματικό εύρος 400 nm–2500 nm. Η PLSR είναι μια αποτελεσματική μέθοδος εκτίμησης της περιεκτικότητας σε θρεπτικά συστατικά των φυτών. Επιπλέον, εξετάστηκε η έννοια της ανάκτησης χαρακτηριστικών του φυλλώματος (μάζα φύλλων ανά περιοχή (Leaf mass per area, LMA)) και χημικών δεδομένων (P, Ca, K, Mg, B, Fe) χρησιμοποιώντας δεδομένα φασματοσκοπίας απεικόνισης (Carnegie Airborne Observatory, CAO) (350 nm–2510 nm) που συνδυάστηκαν με μετρήσεις φωτός LiDAR. Οι μελέτες σε συγκεκριμένες περιοχές και θρεπτικά συστατικά για ένα είδος δέντρου είναι πιθανό να μην παράγουν επιτυχημένα μοντέλα τηλεπισκόπησης σε σύγκριση με μελέτες σε μια μεγάλη γεωγραφική περιοχή.<br /> Στη συνέχεια, περιγράφονται συνοπτικά (α) οι προκλήσεις της αντιμετώπισης του φασματικού θορύβου στα υπερφασματικά δεδομένα NIR, (β) οι στρατηγικές μεθοδολογίες για τη μείωση του φασματικού θορύβου και (γ) διερευνώνται οι επιδράσεις της περιεκτικότητας σε υγρασία και της επίστρωσης κεριού που καλύπτει την εξωτερική επιφάνεια της επιδερμίδας στα φύλλα για την εξαγωγή ενός αντιπροσωπευτικού δείγματος.<br /> Αρχικά, αναφέρονται ορισμένες προκλήσεις σχετικά με τον φασματικό θόρυβο. Ο φασματικός θόρυβος εκφράζεται ως «Signal-to-Noise Ratio» (SNR) μεταξύ του επιθυμητού σήματος και του ανεπιθύμητου θορύβου περιβάλλοντος ως: SNR = Psignal/Pnoise. Επιπλέον, μπορεί να προκύψει φασματικός θόρυβος όταν ο αισθητήρας δυσλειτουργεί. Ο αισθητήρας επηρεάζεται από περιβαλλοντικά ερεθίσματα ή από τη συνάρτηση κατανομής αμφίδρομης ανάκλασης (Bidirectional Reflectance Distribution Function, BDRF). Οι υπερφασματικοί αισθητήρες παράγουν υψηλότερο φασματικό θόρυβο από τους πολυφασματικούς αισθητήρες μέσω της απόκτησης εξαιρετικά διακριτών φασματικών πληροφοριών. Στην πράξη, εξετάστηκε η επίδραση της φασματικής ανάλυσης, της χωρικής ανάλυσης και της πιστότητας του αισθητήρα σχετικά με την ανάκλαση των παρατηρούμενων μοτίβων του %N του φυλλώματος και του φυτικού θόλου. Η μελέτη αυτή αποκάλυψε ουσιαστικά μηδενική μείωση στην ισχύ των σχέσεων μεταξύ %N και ανάκλασης από εικόνες AVIRIS (Airborne Visible/Infrared Imaging Spectrometer), αλλά αντίθετα παρατηρήθηκαν μειώσεις με την αύξηση της χωρικής ανάλυσης και την απώλεια πιστότητας του αισθητήρα. Η επεξεργασία σήματος είναι ένα συνεχώς αναπτυσσόμενο πεδίο με νέες τεχνικές αποθορυβοποίησης του σήματος που είναι διαθέσιμες σε πολλά πεδία όπως η φωτογραμμετρία, η βιοπληροφορική και η τηλεπισκόπηση. Οι πιο τυπικές τεχνικές αποθορυβοποίησης είναι η Savitzky Golay ή φιλτράρισμα Fourier και οι πιο προηγμένες προσεγγίσεις είναι η Ανάλυση Κύριων Στοιχείων (Principal Component Analysis, PCA) και το Κλάσμα Ελάχιστου Θορύβου (Minimum Noise Fraction, MNF).<br /> Οι περισσότερες από τις μελέτες σε αυτήν την ανασκόπηση έχουν χρησιμοποιήσει τεχνικές προεπεξεργασίας δεδομένων για τη μείωση του φασματικού θορύβου και την κανονικοποίηση των τιμών φασματικής ανάκλασης.<br /> Ένα άλλο κοινό πρόβλημα κατά την απόκτηση φασμάτων είναι η επίδραση της περιεκτικότητας σε υγρασία (aquaphotomics) μέσα στο φύλλο. Το νερό είναι πανταχού παρόν σε βιολογικά δείγματα. Η παρουσία του κεριού που καλύπτει την εξωτερική επιφάνεια της επιδερμίδας στα φύλλα και η παρουσία τριχιδίων έχουν σημαντικό αντίκτυπο στις τιμές ανάκλασης των φύλλων. Είναι πιθανό, η ποσότητα του φωτός που ανακλάται κατοπτρικά από ένα φύλλο να εξαρτάται από τα φυτικά είδη και να σχετίζεται με τη φυσιολογική κατάσταση και το στάδιο ανάπτυξης. <br /> Μέθοδοι προεπεξεργασίας δεδομένων NIR &amp; στατιστική μοντελοποίηση<br /> Η ενότητα αυτή χωρίστηκε σε τέσσερα μέρη: (α) στρατηγική δειγματοληψίας, (β) επιλογή μιας μεθόδου δεδομένων προεπεξεργασίας, (γ) επιλογή κατάλληλου στατιστικού μοντέλου και (δ) επιλογή μεταβλητής. Η εφαρμογή μιας μεθόδου δεδομένων προεπεξεργασίας έχει πολλά πλεονεκτήματα, όπως η ελάττωση του φασματικού θορύβου από το περιβάλλον, των μη απαραίτητων δεδομένων, ειδικά όταν χρησιμοποιούνται δεδομένα υψηλών διαστάσεων και πολλών μεταβλητών. Αρχικά, η εξαγωγή μιας κατάλληλης στρατηγικής δειγματοληψίας είναι το πρωταρχικό βήμα για την απόκτηση ακριβών αποτελεσμάτων χρησιμοποιώντας συστήματα σάρωσης NIR με στόχο την ενίσχυση της ακεραιότητας των δεδομένων για μοντελοποίηση. Επιπλέον, ιδιαίτερα σημαντική πριν από τη μοντελοποίηση είναι η χρήση μιας αξιόπιστης και ακριβής μεθόδου αξιολόγησης υγρής χημείας. Δεύτερον, η επιλογή της καταλληλότερης μεθόδου προεπεξεργασίας φασματικών δεδομένων είναι σημαντικό βήμα. Η επιτυχία του στατιστικού μοντέλου εξαρτάται από τη μέθοδο προεπεξεργασίας δεδομένων. Υπάρχουν πολλές παραλλαγές στις μεθόδους προεπεξεργασίας φασματικών δεδομένων, όπως παράγωγα σήματος, κανονικοποίηση διανύσματος (vector normalization, VN) ή πολλαπλασιαστική διόρθωση σκέδασης (multiplicative scatter correction, MSC). Τρίτον, επιλέγεται ένα στατιστικό μοντέλο βασισμένο κυρίως στην εφαρμογή της έρευνας, που χρησιμοποιείται είτε για ταξινόμηση είτε για πρόβλεψη των δεδομένων της μελέτης. Σπουδαία είναι η. Ο διαχωρισμός των δεδομένων σε δεδομένα εκπαίδευσης και δοκιμής είναι απαραίτητος για τη βαθμονόμηση και τη δοκιμή των μοντέλων. Προηγούμενες μελέτες χρησιμοποιούσαν τυπικούς πολυπαραγοντικούς στατιστικούς αλγόριθμους όπως των μερικών ελαχίστων τετραγώνων (PLS) και των PLSR. Τέλος, η επιλογή μεταβλητών δίνει τη δυνατότητα στους επιστήμονες να δοκιμάσουν την ικανότητα μιας φασματικής ζώνης να ανιχνεύει με ακρίβεια ένα χαρακτηριστικό. Για παράδειγμα, οι αλγόριθμοι επιλογής μεταβλητής συχνά ανιχνεύουν χαρακτηριστικά απορρόφησης νερού. Οι μελέτες έχουν δείξει γενικά αξιοπρεπή έως σημαντικά ακριβή αποτελέσματα όταν χρησιμοποιείται μεταβλητή επιλογή για την πρόβλεψη χημικών ιδιοτήτων του φυλλώματος. <br /> <br /> '''Συζήτηση'''<br /> <br /> Τα αποτελέσματα αυτής της ανασκόπησης επικεντρώθηκαν ιδιαίτερα στις πιο πρόσφατες μεθόδους προεπεξεργασίας δεδομένων και στα στατιστικά μοντέλα για την αξιολόγηση των θρεπτικών στοιχείων των φυλλωμάτων σε δασικές περιοχές. Το άζωτο (N) είναι η πιο κοινή χημική παράμετρος για την υγεία των φυτών που παρακολουθείται. Ως εκ τούτου, τα περισσότερα από τα παραδείγματα σε αυτήν την ανασκόπηση διερευνούν την εκτίμηση των επιπέδων Ν εντός του φυλλώδες υλικού των φυτών. Αντίθετα, πολύ λίγες μελέτες διερεύνησαν άλλα μακροθρεπτικά (P, K, Ca, Mg, νάτριο) και μικροθρεπτικά συστατικά (μαγγάνιο, σίδηρο, χαλκό, ψευδάργυρο, βόριο). Τα μεγέθη των δειγμάτων διέφεραν σημαντικά από 15 έως &gt;1000 δείγματα ανά μελέτη. Ωστόσο, οι ερευνητές διαπίστωσαν ότι τα μικρότερα μεγέθη δειγμάτων δεν επηρέασαν σημαντικά τα αποτελέσματα της πρόβλεψης σε σχέση με τις μελέτες με μεγαλύτερα μεγέθη δείγματος. Επιπλέον, μελέτες έχουν δείξει ότι η ηλικία του φυτού, η εποχικότητα και η θερμοκρασία επηρεάζουν την παραγωγή του κεριού και των τριχιδίων της επιδερμίδας των φύλλων. Ως εκ τούτου, η ανακλαστικότητα των φύλλων θα ποικίλλει μεταξύ αυτών των στοιχείων. Τα όργανα NIR που χρησιμοποιήθηκαν στις περισσότερες μελέτες ήταν εν μέρει συσκευές χειρός και συσκευές πάγκου. Η βέλτιστη πρακτική αυτής της τεχνολογίας θα προσφέρει στην εμπορική βιομηχανία υψηλής απόδοσης μια γρήγορη και οικονομικά αποδοτική εναλλακτική λύση για την αξιολόγηση της θρεπτικής κατάστασης των φυτών. Ως εκ τούτου, η μελλοντική έρευνα θα πρέπει να υποστηρίζει την εφαρμογή ενός συστήματος NIRS με μια τυποποιημένη προσέγγιση για την προετοιμασία δειγμάτων, την προεπεξεργασία δεδομένων και τη στατιστική μοντελοποίηση. Συνιστάται η μελλοντική έρευνα να διερευνήσει τη χρήση της πολλαπλασιαστικής διόρθωσης σκέδασης (MSC, multiplicative scatter correction), της τυπικής κανονικής μεταβλητής (SNV, standard normal variate) και της smoothing convolution Savitzky-Golay (SG) ως μεθόδων προεπεξεργασίας δεδομένων σε συνδυασμό με τα λογισμικά της μερικής παλινδρόμησης ελαχίστων τετραγώνων PLSR και SVMR ως στατιστικά μοντέλα. Επομένως, με τη μείωση του φασματικού θορύβου υπάρχει μια ευκαιρία για την κατανόηση της επίδρασης του κεριού και των τριχιδίων στα φύλλα, της περιεκτικότητας σε υγρασία και των επιδράσεων της δειγματοληψίας των επάνω και κάτω επιφανειών των φύλλων κατά ηλικία, εποχικότητα και θερμοκρασία, καθώς και των ετερογενών δέντρων.</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%80%CE%B5%CF%81%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AE_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B9%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CE%B8%CF%81%CE%B5%CF%80%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%84%CE%BF%CE%B9%CF%87%CE%B5%CE%AF%CF%89%CE%BD_%CF%83%CF%84%CE%BF_%CF%86%CF%8D%CE%BB%CE%BB%CF%89%CE%BC%CE%B1_%CF%83%CF%84%CE%B7_%CE%B4%CE%B1%CF%83%CE%BF%CF%80%CE%BF%CE%BD%CE%AF%CE%B1 2022-03-17T20:32:23Z

<p>Sofia Gkretsi: </p> <hr /> <div><br /> [[category:Δασοπονία, Δασική διαχείριση]]<br /> <br /> '''Υπερφασματική τηλεπισκόπιση για την ανίχνευση θρεπτικών στοιχείων στο φύλλωμα στη δασοπονία: Μια προοπτική στο εγγύς υπέρυθρο'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Hyperspectral remote sensing for foliar nutrient detection in forestry: A near-infrared perspective<br /> <br /> '''Συγγραφείς:''' L. Singh, O. Mutanga, P. Mafongoya, K. Peerbhay, J. Crous<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2022 (Remote Sensing Applications: Society and Environment)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.rsase.2021.100676<br /> <br /> [[Αρχείο:4.SOFIAGKRETSI1.PNG|200px|thumb|right|'''Εικόνα 1.''' Σχηματικό διάγραμμα ροής που δείχνει τη διαδικασία ανίχνευσης θρεπτικών ουσιών με τη χρήση συσκευής υπερφασματικού φασματοφωτόμετρου.]]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η εντατική διαχείριση των δασικών φυτειών έχει εξελιχθεί σημαντικά για να καλύψει την παγκόσμια προσφορά και ζήτηση σε δασικά προϊόντα. Σε επίπεδο φυτωρίου, τα δέντρα λαμβάνουν θρεπτικά στοιχεία ώστε να δημιουργήσουν αποθέματα κατά την επακόλουθη φύτευσή τους στο πεδίο- χωράφι για τη μεγιστοποίηση της ριζοβολίας και της παραγωγής των βλαστών και τα μεταφέρουν στα φύλλα ως μηχανισμό διατήρησης. Η έλλειψη θρεπτικών ουσιών πλήττει τη φυτική παραγωγή, μειώνοντας σημαντικά την παραγωγή και την παραγωγικότητα των βιομηχανικών φυτειών και θα μπορούσε να αφήσει τα φυτά εκτεθειμένα στην εισβολή παρασίτων και ασθενειών. Παράλληλα, η υπερλίπανση είναι δυνατό να οδηγήσει σε τοξικότητα. <br /> Η έγκαιρη αξιολόγηση και η ακριβής διάγνωση της κατάστασης των θρεπτικών στοιχείων των φυτών κατά τα πρώιμα στάδια της ανάπτυξης είναι κρίσιμη για τη διατήρηση των βέλτιστων επιπέδων θρέψης βλαστών και ριζοβολίας. Επιπλέον, οι ελλείψεις σε θρεπτικές ουσίες δεν μπορούν να παρατηρηθούν οπτικά και να ερμηνευθούν μόνο με γυμνό μάτι, προκαλώντας σφάλματα στη διάγνωση. Ακόμη, το γεγονός πως δεν είναι όλα τα δέντρα ομοιογενή συνεπάγεται ακανόνιστες συγκεντρώσεις των θρεπτικών ουσιών. Οι παραδοσιακές μέθοδοι αξιολόγησης αυτών καθίστανται ανεπαρκείς σε υψηλές απαιτήσεις όταν εξετάζονται μεγάλα μεγέθη δειγμάτων. Η εισαγωγή δεδομένων τηλεπισκόπησης, και ειδικά η φασματοσκοπία εγγύς υπέρυθρου (NIRS, near-infrared spectroscopy), μπορεί να προσφέρει σχεδόν στιγμιαία αποτελέσματα για την πρακτική δασοκομικής ακριβείας μεγάλης κλίμακας. Την τελευταία δεκαετία, η NIRS (τύπος φασματοσκοπίας δονήσεων υψηλής ενέργειας, στην περιοχή μήκους κύματος 750 nm–2500 nm) ως μια ταχεία, μη-καταστροφική τεχνική έχει συμβάλει σημαντικά στην αξιολόγηση της βλάστησης και συγκεκριμένα στην ανίχνευση θρεπτικών συστατικών του φυλλώματος των δέντρων σε δασικές περιοχές. <br /> Η παρούσα ανασκόπηση εξετάζει μια δεκαετία (2010-2020) έρευνας, συνοψίζοντας τεχνικές του παρελθόντος και του παρόντος και παρέχει πληροφορίες σχετικά με: (1) την υπερφασματική τηλεπισκόπηση (NIRS) και τη σχέση της με τα φυσιολογικά χαρακτηριστικά των φυτών, (2) την επίδραση του φασματικού θορύβου σε δεδομένα υψηλών διαστάσεων και (3) τις στρατηγικές τεχνικές/ μεθόδους προεπεξεργασίας δεδομένων και στατιστικής μοντελοποίησης που χρησιμοποιούν τεχνολογία εγγύς υπέρυθρης ακτινοβολίας. <br /> Η τεχνολογία αυτή παρέχει αρκετά ακριβή αποτελέσματα που μειώνουν τον φασματικό θόρυβο. Τα μεγέθη των δειγμάτων, οι λανθάνουσες μεταβλητές και η περιεκτικότητα των φύλλων σε νερό ήταν οι κύριοι παράγοντες που καθόρισαν τα επιτυχή αποτελέσματα. Η θέση δειγματοληψίας για την απόκτηση ενός αντιπροσωπευτικού δείγματος αποτελεί αναπόσπαστο μέρος του ακριβέστερου προσδιορισμού της περιεκτικότητας σε θρεπτικά συστατικά. Για παράδειγμα, μελέτες έχουν αναφέρει ασυνεπείς φασματικές τιμές σε δείγμα στην επάνω επιφάνεια σε σύγκριση με την κάτω επιφάνεια του ίδιου φύλλου. Οι περιορισμοί που παρουσιάστηκαν παρακινούν τη μελλοντική έρευνα για την κατανόηση των επιδράσεων των οπτικών ιδιοτήτων του κεριού που καλύπτει την εξωτερική επιφάνεια της επιδερμίδας (epicuticle wax), καθώς και των τριχιδίων στα φύλλα (trichomes on leaf). <br /> <br /> '''Φασματονομία: “Spectranomics”'''<br /> <br /> Η &quot;Spectranomics&quot; είναι μια νέα, αναπτυσσόμενη έννοια που διερευνά τη σχέση μεταξύ των ειδών των φυτών και των λειτουργικών χαρακτηριστικών τους με τις φασματο-οπτικές ιδιότητές τους. Οι Asner και Martin (2009) συνδύασαν χημικά στοιχεία (N, P, Chl-a, Chl-b) και φασματική τηλεπισκόπηση για τη χαρτογράφηση της ποικιλομορφίας ενός φυτικού θόλου. Αναπτύχθηκαν μέθοδοι με χρήση ενός συνδυασμού τεχνικών μοντελοποίησης μεταφοράς ακτινοβολίας, θορύβου υψηλής συχνότητας και του αλγορίθμου μερικής παλινδρόμησης ελαχίστων τετραγώνων PLSR (partial least squares regression), με φασματικό εύρος 400 nm–2500 nm. Η PLSR είναι μια αποτελεσματική μέθοδος εκτίμησης της περιεκτικότητας σε θρεπτικά συστατικά των φυτών. Επιπλέον, εξετάστηκε η έννοια της ανάκτησης χαρακτηριστικών του φυλλώματος (μάζα φύλλων ανά περιοχή (Leaf mass per area, LMA)) και χημικών δεδομένων (P, Ca, K, Mg, B, Fe) χρησιμοποιώντας δεδομένα φασματοσκοπίας απεικόνισης (Carnegie Airborne Observatory, CAO) (350 nm–2510 nm) που συνδυάστηκαν με μετρήσεις φωτός LiDAR. Οι μελέτες σε συγκεκριμένες περιοχές και θρεπτικά συστατικά για ένα είδος δέντρου είναι πιθανό να μην παράγουν επιτυχημένα μοντέλα τηλεπισκόπησης σε σύγκριση με μελέτες σε μια μεγάλη γεωγραφική περιοχή.<br /> Στη συνέχεια, περιγράφονται συνοπτικά (α) οι προκλήσεις της αντιμετώπισης του φασματικού θορύβου στα υπερφασματικά δεδομένα NIR, (β) οι στρατηγικές μεθοδολογίες για τη μείωση του φασματικού θορύβου και (γ) διερευνώνται οι επιδράσεις της περιεκτικότητας σε υγρασία και της επίστρωσης κεριού που καλύπτει την εξωτερική επιφάνεια της επιδερμίδας στα φύλλα για την εξαγωγή ενός αντιπροσωπευτικού δείγματος.<br /> Αρχικά, αναφέρονται ορισμένες προκλήσεις σχετικά με τον φασματικό θόρυβο. Ο φασματικός θόρυβος εκφράζεται ως «Signal-to-Noise Ratio» (SNR) μεταξύ του επιθυμητού σήματος και του ανεπιθύμητου θορύβου περιβάλλοντος ως: SNR = Psignal/Pnoise. Επιπλέον, μπορεί να προκύψει φασματικός θόρυβος όταν ο αισθητήρας δυσλειτουργεί. Ο αισθητήρας επηρεάζεται από περιβαλλοντικά ερεθίσματα ή από τη συνάρτηση κατανομής αμφίδρομης ανάκλασης (Bidirectional Reflectance Distribution Function, BDRF). Οι υπερφασματικοί αισθητήρες παράγουν υψηλότερο φασματικό θόρυβο από τους πολυφασματικούς αισθητήρες μέσω της απόκτησης εξαιρετικά διακριτών φασματικών πληροφοριών. Στην πράξη, εξετάστηκε η επίδραση της φασματικής ανάλυσης, της χωρικής ανάλυσης και της πιστότητας του αισθητήρα σχετικά με την ανάκλαση των παρατηρούμενων μοτίβων του %N του φυλλώματος και του φυτικού θόλου. Η μελέτη αυτή αποκάλυψε ουσιαστικά μηδενική μείωση στην ισχύ των σχέσεων μεταξύ %N και ανάκλασης από εικόνες AVIRIS (Airborne Visible/Infrared Imaging Spectrometer), αλλά αντίθετα παρατηρήθηκαν μειώσεις με την αύξηση της χωρικής ανάλυσης και την απώλεια πιστότητας του αισθητήρα. Η επεξεργασία σήματος είναι ένα συνεχώς αναπτυσσόμενο πεδίο με νέες τεχνικές αποθορυβοποίησης του σήματος που είναι διαθέσιμες σε πολλά πεδία όπως η φωτογραμμετρία, η βιοπληροφορική και η τηλεπισκόπηση. Οι πιο τυπικές τεχνικές αποθορυβοποίησης είναι η Savitzky Golay ή φιλτράρισμα Fourier και οι πιο προηγμένες προσεγγίσεις είναι η Ανάλυση Κύριων Στοιχείων (Principal Component Analysis, PCA) και το Κλάσμα Ελάχιστου Θορύβου (Minimum Noise Fraction, MNF).<br /> Οι περισσότερες από τις μελέτες σε αυτήν την ανασκόπηση έχουν χρησιμοποιήσει τεχνικές προεπεξεργασίας δεδομένων για τη μείωση του φασματικού θορύβου και την κανονικοποίηση των τιμών φασματικής ανάκλασης.<br /> Ένα άλλο κοινό πρόβλημα κατά την απόκτηση φασμάτων είναι η επίδραση της περιεκτικότητας σε υγρασία (aquaphotomics) μέσα στο φύλλο. Το νερό είναι πανταχού παρόν σε βιολογικά δείγματα. Η παρουσία του κεριού που καλύπτει την εξωτερική επιφάνεια της επιδερμίδας στα φύλλα και η παρουσία τριχιδίων έχουν σημαντικό αντίκτυπο στις τιμές ανάκλασης των φύλλων. Είναι πιθανό, η ποσότητα του φωτός που ανακλάται κατοπτρικά από ένα φύλλο να εξαρτάται από τα φυτικά είδη και να σχετίζεται με τη φυσιολογική κατάσταση και το στάδιο ανάπτυξης. <br /> Μέθοδοι προεπεξεργασίας δεδομένων NIR &amp; στατιστική μοντελοποίηση<br /> Η ενότητα αυτή χωρίστηκε σε τέσσερα μέρη: (α) στρατηγική δειγματοληψίας, (β) επιλογή μιας μεθόδου δεδομένων προεπεξεργασίας, (γ) επιλογή κατάλληλου στατιστικού μοντέλου και (δ) επιλογή μεταβλητής. Η εφαρμογή μιας μεθόδου δεδομένων προεπεξεργασίας έχει πολλά πλεονεκτήματα, όπως η ελάττωση του φασματικού θορύβου από το περιβάλλον, των μη απαραίτητων δεδομένων, ειδικά όταν χρησιμοποιούνται δεδομένα υψηλών διαστάσεων και πολλών μεταβλητών. Αρχικά, η εξαγωγή μιας κατάλληλης στρατηγικής δειγματοληψίας είναι το πρωταρχικό βήμα για την απόκτηση ακριβών αποτελεσμάτων χρησιμοποιώντας συστήματα σάρωσης NIR με στόχο την ενίσχυση της ακεραιότητας των δεδομένων για μοντελοποίηση. Επιπλέον, ιδιαίτερα σημαντική πριν από τη μοντελοποίηση είναι η χρήση μιας αξιόπιστης και ακριβής μεθόδου αξιολόγησης υγρής χημείας. Δεύτερον, η επιλογή της καταλληλότερης μεθόδου προεπεξεργασίας φασματικών δεδομένων είναι σημαντικό βήμα. Η επιτυχία του στατιστικού μοντέλου εξαρτάται από τη μέθοδο προεπεξεργασίας δεδομένων. Υπάρχουν πολλές παραλλαγές στις μεθόδους προεπεξεργασίας φασματικών δεδομένων, όπως παράγωγα σήματος, κανονικοποίηση διανύσματος (vector normalization, VN) ή πολλαπλασιαστική διόρθωση σκέδασης (multiplicative scatter correction, MSC). Τρίτον, επιλέγεται ένα στατιστικό μοντέλο βασισμένο κυρίως στην εφαρμογή της έρευνας, που χρησιμοποιείται είτε για ταξινόμηση είτε για πρόβλεψη των δεδομένων της μελέτης. Σπουδαία είναι η. Ο διαχωρισμός των δεδομένων σε δεδομένα εκπαίδευσης και δοκιμής είναι απαραίτητος για τη βαθμονόμηση και τη δοκιμή των μοντέλων. Προηγούμενες μελέτες χρησιμοποιούσαν τυπικούς πολυπαραγοντικούς στατιστικούς αλγόριθμους όπως των μερικών ελαχίστων τετραγώνων (PLS) και των PLSR. Τέλος, η επιλογή μεταβλητών δίνει τη δυνατότητα στους επιστήμονες να δοκιμάσουν την ικανότητα μιας φασματικής ζώνης να ανιχνεύει με ακρίβεια ένα χαρακτηριστικό. Για παράδειγμα, οι αλγόριθμοι επιλογής μεταβλητής συχνά ανιχνεύουν χαρακτηριστικά απορρόφησης νερού. Οι μελέτες έχουν δείξει γενικά αξιοπρεπή έως σημαντικά ακριβή αποτελέσματα όταν χρησιμοποιείται μεταβλητή επιλογή για την πρόβλεψη χημικών ιδιοτήτων του φυλλώματος. <br /> <br /> '''Συζήτηση'''<br /> <br /> Τα αποτελέσματα αυτής της ανασκόπησης επικεντρώθηκαν ιδιαίτερα στις πιο πρόσφατες μεθόδους προεπεξεργασίας δεδομένων και στα στατιστικά μοντέλα για την αξιολόγηση των θρεπτικών στοιχείων των φυλλωμάτων σε δασικές περιοχές. Το άζωτο (N) είναι η πιο κοινή χημική παράμετρος για την υγεία των φυτών που παρακολουθείται. Ως εκ τούτου, τα περισσότερα από τα παραδείγματα σε αυτήν την ανασκόπηση διερευνούν την εκτίμηση των επιπέδων Ν εντός του φυλλώδες υλικού των φυτών. Αντίθετα, πολύ λίγες μελέτες διερεύνησαν άλλα μακροθρεπτικά (P, K, Ca, Mg, νάτριο) και μικροθρεπτικά συστατικά (μαγγάνιο, σίδηρο, χαλκό, ψευδάργυρο, βόριο). Τα μεγέθη των δειγμάτων διέφεραν σημαντικά από 15 έως &gt;1000 δείγματα ανά μελέτη. Ωστόσο, οι ερευνητές διαπίστωσαν ότι τα μικρότερα μεγέθη δειγμάτων δεν επηρέασαν σημαντικά τα αποτελέσματα της πρόβλεψης σε σχέση με τις μελέτες με μεγαλύτερα μεγέθη δείγματος. Επιπλέον, μελέτες έχουν δείξει ότι η ηλικία του φυτού, η εποχικότητα και η θερμοκρασία επηρεάζουν την παραγωγή του κεριού και των τριχιδίων της επιδερμίδας των φύλλων. Ως εκ τούτου, η ανακλαστικότητα των φύλλων θα ποικίλλει μεταξύ αυτών των στοιχείων. Τα όργανα NIR που χρησιμοποιήθηκαν στις περισσότερες μελέτες ήταν εν μέρει συσκευές χειρός και συσκευές πάγκου. Η βέλτιστη πρακτική αυτής της τεχνολογίας θα προσφέρει στην εμπορική βιομηχανία υψηλής απόδοσης μια γρήγορη και οικονομικά αποδοτική εναλλακτική λύση για την αξιολόγηση της θρεπτικής κατάστασης των φυτών. Ως εκ τούτου, η μελλοντική έρευνα θα πρέπει να υποστηρίζει την εφαρμογή ενός συστήματος NIRS με μια τυποποιημένη προσέγγιση για την προετοιμασία δειγμάτων, την προεπεξεργασία δεδομένων και τη στατιστική μοντελοποίηση. Συνιστάται η μελλοντική έρευνα να διερευνήσει τη χρήση της πολλαπλασιαστικής διόρθωσης σκέδασης (MSC, multiplicative scatter correction), της τυπικής κανονικής μεταβλητής (SNV, standard normal variate) και της smoothing convolution Savitzky-Golay (SG) ως μεθόδων προεπεξεργασίας δεδομένων σε συνδυασμό με τα λογισμικά της μερικής παλινδρόμησης ελαχίστων τετραγώνων PLSR και SVMR ως στατιστικά μοντέλα. Επομένως, με τη μείωση του φασματικού θορύβου υπάρχει μια ευκαιρία για την κατανόηση της επίδρασης του κεριού και των τριχιδίων στα φύλλα, της περιεκτικότητας σε υγρασία και των επιδράσεων της δειγματοληψίας των επάνω και κάτω επιφανειών των φύλλων κατά ηλικία, εποχικότητα και θερμοκρασία, καθώς και των ετερογενών δέντρων.</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%C2%AB%CE%B3%CF%85%CE%BC%CE%BD%CE%BF%CF%8D%C2%BB_%CE%B5%CE%B4%CE%AC%CF%86%CE%BF%CF%85%CF%82_%CF%83%CF%84%CE%B7_%CE%B3%CE%B5%CF%89%CF%81%CE%B3%CE%AF%CE%B1_... 2022-03-17T20:31:45Z

<p>Sofia Gkretsi: </p> <hr /> <div> [[category:Γεωργία]]<br /> <br /> '''Χαρτογράφηση «γυμνού» εδάφους στη γεωργία και τη δασοκομία των λόφων της Νέας Ζηλανδίας για την εκτίμηση κινδύνου διάβρωσης του εδάφους: Μια αυτοματοποιημένη μέθοδος τηλεπισκόπησης μέσω δορυφόρου'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Mapping bare ground in New Zealand hill-country agriculture and forestry for soil erosion risk assessment: An automated satellite remote-sensing method<br /> <br /> '''Συγγραφείς:''' Heather North, Alexander Amies, John Dymond, Stella Belliss, David Pairman, John Drewry, Jan Schindler, James Shepherd<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2022 (Journal of Environmental Management)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.jenvman.2021.113812<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI1.PNG|200px|thumb|right|'''Εικόνα 1.''' Κατανομή του χαρτογραφημένου «γυμνού» εδάφους λόγω (α) χειμερινής βόσκησης και (β) δασοκομίας που γίνονται «γυμνά» 20% ή και περισσότερο οποιαδήποτε στιγμή κατά τη διάρκεια του έτους. Οι μεγεθύνσεις αφορούν την περιοχή γεωργικής μελέτης Fairlie, South Canterbury, και την περιοχή μελέτης δασοκομίας Tokomaru Bay, Gisborne. Μέσα σε κάθε μεγέθυνση υπάρχει ένα μπλε ορθογώνιο που υποδεικνύει τη θέση των περαιτέρω μεγεθύνσεων που φαίνεται στην Εικόνα 2.]]<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI2.PNG|200px|thumb|right|'''Εικόνα 2.'''Μεγεθύνσεις (2 × 1,5 km) που δείχνουν τις λεπτομέρειες των πολυγώνων αγροτεμαχίων. Οι θέσεις αυτών των μεγεθύνσεων υποδεικνύονται από τα μπλε ορθογώνια στην Εικόνα 1. (α) Τοποθεσία γεωργικής μελέτης που φαίνεται στα κανάλια Sentinel-2: 12 (SWIR-2), 4 (κόκκινο) και 2 (μπλε), στις οποίες η καλλιέργεια brassica εμφανίζεται μπλε, τα λιβάδια μωβ-κόκκινο, και το «γυμνό» έδαφος λευκό. (β) Η περιοχή μελέτης δασοκομίας φαίνεται στα κανάλια Sentinel-2: 8 (NIR), 4 (κόκκινο) και 3 (πράσινο), στις οποίες το «ώριμο» δάσος εμφανίζεται σκούρο κόκκινο, τα χαμηλά δέντρα ή άλλη μερική κάλυψη βλάστησης ροζ και οι περιοχές συγκομιδής ως κυανό. ]]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Στη Νέα Ζηλανδία (NZ) και παγκοσμίως, υπάρχει αυξανόμενη ανησυχία για τις επιπτώσεις των ανθρώπινων δραστηριοτήτων στην ποιότητα του πόσιμου νερού. Κύριος παράγοντας των επιπτώσεων στο πόσιμο νερό είναι η διάβρωση του εδάφους, όχι μόνο επειδή αυξάνει την καθίζηση ποταμών, λιμνών, εκβολών ποταμών και σχετικών υδρόβιων οικοτόπων, αλλά και εξαιτίας της μεταφοράς ιζήματος, όπως θρεπτικά συστατικά και μικροβιακοί ρύποι, στις υδάτινες οδούς. Τα εδάφη με κλίση χωρίς φυτική κάλυψη απομακρύνονται εύκολα λόγω επιφανειακής διάβρωσης κατά τη διάρκεια έντονων βροχοπτώσεων. Δύο βασικές αιτίες αφαίρεσης της βλάστησης στις ορεινές περιοχές είναι η χειμερινή βόσκηση χορτονομής των ζώων (βοοειδή, πρόβατα και ελάφια) και η απομάκρυνση όλων των δέντρων από μια περιοχή που έχει επιλεγεί για συγκομιδή δασοκομίας παραγωγής. Μια ακόμη αιτία «γυμνού» εδάφους είναι η καλλιέργεια για ανανέωση βοσκοτόπων ή οι αροτραίες καλλιέργειες, με τα ζώα να βόσκουν μεταξύ των αμειψισπορών. Το «γυμνό» έδαφος που εκτίθεται από αυτές τις δραστηριότητες ποικίλλει ετησίως και εποχιακά σε τοποθεσία και χωρική έκταση. <br /> Στην παρούσα ανασκόπηση, αναπτύσσεται μια μέθοδος ανάλυσης δορυφορικών εικόνων χρονοσειράς για τη χαρτογράφηση αγροτεμαχίων αυτών των χρήσεων γης, επιτρέποντας έτσι την κάλυψη ευρείας περιοχής και την ευκολία ενημέρωσης, καθώς επίσης και ποσοτικοποίηση του «γυμνού» εδάφους για τη μοντελοποίηση της διάβρωσης του εδάφους. Η μοντελοποίηση απαιτεί χρονικά και χωρικά σαφή χαρτογράφηση αυτού του «γυμνού» εδάφους. Η χρονική ανάλυση προσδιορίζει τη χρήση γης μαζί με την περίοδο απομάκρυνσης της βλάστησης και παράγει αποτελέσματα ανά αγροτεμάχιο (σε διανυσματική μορφή) για χρήση σε πρόγραμμα Γεωγραφικού Συστήματος Πληροφοριών (GIS). Παρουσιάζεται μια περιγραφή της μεθόδου, εθνικοί χάρτες και στατιστικά στοιχεία της έκτασης του «γυμνού» εδάφους στη δασοκομία και της χειμερινής κτηνοτροφικής βοσκής της Νέας Ζηλανδίας το 2018 και μια αξιολόγηση της ακρίβειας. Τα χαρακτηριστικά των χαρτογραφημένων αγροτεμαχίων έχουν σχεδιαστεί για εισαγωγή σε ένα μοντέλο εκτίμησης της διάβρωσης του εδάφους (New Zealand Universal Soil Loss Equation, USLE).<br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> Η εθνική χαρτογράφηση απαιτεί μεγάλο όγκο δορυφορικών δεδομένων για πολυχρονική ανάλυση, επομένως όλη η επεξεργασία πραγματοποιήθηκε στις εγκαταστάσεις εθνικών υποδομών της NZ (National eScience Infrastructure (NeSI) High Performance Computing facilities).<br /> Αρχικά, επιτεύχθηκε προεπεξεργασία χρονοσειρών δορυφορικών εικόνων από τους δορυφόρους Sentinel-2A και 2B της Ευρωπαϊκής Υπηρεσίας Διαστήματος (ESA). Πραγματοποιήθηκε επεξεργασία των εικόνων από νέφη και άλλους παράγοντες που επηρεάζουν αρνητικά την απεικόνιση στις περιοχές μελέτης, δηλαδή σε γεωργικά χωράφια, δασικά τετράγωνα ή αγροτεμάχια με συνεπή διαχείριση ή καλλιέργεια, με την πάροδο του χρόνου. Μέσω του προγράμματος GIS, έγινε χαρτογράφηση δασικών πολυγώνων και ακολουθήθηκαν τα απαραίτητα βήματα επεξεργασίας για τον προσδιορισμό της κάλυψης γης και τον ποσοτικό προσδιορισμό του «γυμνού» εδάφους που είναι επιρρεπές στην επιφανειακή διάβρωση. Η βόσκηση των κτηνοτροφικών καλλιεργειών εκθέτει «γυμνό» το έδαφος, αφαιρώντας συχνά σχεδόν όλη τη βλάστηση, παρόλο που ενίοτε μπορεί να παραμείνουν οι ρίζες των φυτών. Στην ανάλυση δορυφορικών εικόνων, μια μέτρηση που χρησιμοποιείται συνήθως για την κάλυψη της βλάστησης είναι ο δείκτης βλάστησης (NDVI). Έχει χαμηλές τιμές τόσο για «γυμνό» έδαφος όσο και για νεκρή ή μη πράσινη (χωρίς χλωροφύλλη) βλάστηση. Μια επιλογή για τη διάκριση μεταξύ «γυμνού» εδάφους και μη πράσινης βλάστησης είναι να χρησιμοποιηθούν εναλλακτικοί δείκτες βλάστησης, που είναι πιο ευαίσθητοι στα υπολείμματα των καλλιεργειών, και μια δεύτερη είναι η φασματική ταξινόμηση ως διαφορετικές καλύψεις γης του «γυμνού» εδάφους και της νεκρής βλάστησης. Επιλέχθηκε το δεύτερο καθώς είναι πιο εύκολος ο προσδιορισμός των τύπων κτηνοτροφικών καλλιεργειών, βοσκοτόπων και δέντρων στη διαδικασία ταξινόμησης. Τέλος, πραγματοποιήθηκε αξιολόγηση ακρίβειας χαρτών «γυμνού» εδάφους. <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα συνοψίζονται στις Εικόνες 1 και 2.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Για πλαγιές λόφων 7ο ή περισσότερο, τα αποτελέσματα δείχνουν 47.177 εκτάρια χειμερινής χορτονομής «γυμνού» εδάφους το 2018, μαζί με 159.522 εκτάρια λόγω δασικών δραστηριοτήτων. Η ακρίβεια ήταν καλύτερη για τον δασικό χάρτη από τον χάρτη χειμερινών ζωοτροφών. Πιθανό αυτό να συμβαίνει επειδή οι κανόνες ταξινόμησης είναι απλούστεροι στη δασοκομία, ενώ η γεωργική ταξινόμηση απαιτούσε συγκεκριμένο προσδιορισμό της χειμερινής χορτονομής ως αιτίας του «γυμνού» εδάφους. Οι πιο σημαντικές κτηνοτροφικές καλλιέργειες (brassica και κτηνοτροφικά τεύτλα) είναι καλά ταξινομημένες. Οι περιοχές με την πλειονότητα των χειμερινών χορτονομών της Νέας Ζηλανδίας (Canterbury, Otago και Southland) έχουν, κατά μέσο όρο, την υψηλότερη ακρίβεια χαρτογράφησης. Η αυτοματοποιημένη μέθοδος ανάλυσης δορυφορικής εικόνας είναι ένας πρακτικός τρόπος για να ληφθούν χωρικά και χρονικά σαφή δεδομένα σχετικά με τη βλάστηση για τον παράγοντα C σε μοντέλα επιφανειακής διάβρωσης τύπου USLE. Η προσέγγιση αυτή στη χαρτογράφηση είναι ιδιαίτερα σημαντική για χρήσεις γης όπου υπάρχει υψηλή χρονική μεταβλητότητα στη βλάστηση, όπως η δασοκομία παραγωγής και η γεωργική καλλιέργεια.</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%C2%AB%CE%B3%CF%85%CE%BC%CE%BD%CE%BF%CF%8D%C2%BB_%CE%B5%CE%B4%CE%AC%CF%86%CE%BF%CF%85%CF%82_%CF%83%CF%84%CE%B7_%CE%B3%CE%B5%CF%89%CF%81%CE%B3%CE%AF%CE%B1_... 2022-03-17T20:31:35Z

<p>Sofia Gkretsi: </p> <hr /> <div> [[category:Γεωργία]]<br /> '''Χαρτογράφηση «γυμνού» εδάφους στη γεωργία και τη δασοκομία των λόφων της Νέας Ζηλανδίας για την εκτίμηση κινδύνου διάβρωσης του εδάφους: Μια αυτοματοποιημένη μέθοδος τηλεπισκόπησης μέσω δορυφόρου'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Mapping bare ground in New Zealand hill-country agriculture and forestry for soil erosion risk assessment: An automated satellite remote-sensing method<br /> <br /> '''Συγγραφείς:''' Heather North, Alexander Amies, John Dymond, Stella Belliss, David Pairman, John Drewry, Jan Schindler, James Shepherd<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2022 (Journal of Environmental Management)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.jenvman.2021.113812<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI1.PNG|200px|thumb|right|'''Εικόνα 1.''' Κατανομή του χαρτογραφημένου «γυμνού» εδάφους λόγω (α) χειμερινής βόσκησης και (β) δασοκομίας που γίνονται «γυμνά» 20% ή και περισσότερο οποιαδήποτε στιγμή κατά τη διάρκεια του έτους. Οι μεγεθύνσεις αφορούν την περιοχή γεωργικής μελέτης Fairlie, South Canterbury, και την περιοχή μελέτης δασοκομίας Tokomaru Bay, Gisborne. Μέσα σε κάθε μεγέθυνση υπάρχει ένα μπλε ορθογώνιο που υποδεικνύει τη θέση των περαιτέρω μεγεθύνσεων που φαίνεται στην Εικόνα 2.]]<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI2.PNG|200px|thumb|right|'''Εικόνα 2.'''Μεγεθύνσεις (2 × 1,5 km) που δείχνουν τις λεπτομέρειες των πολυγώνων αγροτεμαχίων. Οι θέσεις αυτών των μεγεθύνσεων υποδεικνύονται από τα μπλε ορθογώνια στην Εικόνα 1. (α) Τοποθεσία γεωργικής μελέτης που φαίνεται στα κανάλια Sentinel-2: 12 (SWIR-2), 4 (κόκκινο) και 2 (μπλε), στις οποίες η καλλιέργεια brassica εμφανίζεται μπλε, τα λιβάδια μωβ-κόκκινο, και το «γυμνό» έδαφος λευκό. (β) Η περιοχή μελέτης δασοκομίας φαίνεται στα κανάλια Sentinel-2: 8 (NIR), 4 (κόκκινο) και 3 (πράσινο), στις οποίες το «ώριμο» δάσος εμφανίζεται σκούρο κόκκινο, τα χαμηλά δέντρα ή άλλη μερική κάλυψη βλάστησης ροζ και οι περιοχές συγκομιδής ως κυανό. ]]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Στη Νέα Ζηλανδία (NZ) και παγκοσμίως, υπάρχει αυξανόμενη ανησυχία για τις επιπτώσεις των ανθρώπινων δραστηριοτήτων στην ποιότητα του πόσιμου νερού. Κύριος παράγοντας των επιπτώσεων στο πόσιμο νερό είναι η διάβρωση του εδάφους, όχι μόνο επειδή αυξάνει την καθίζηση ποταμών, λιμνών, εκβολών ποταμών και σχετικών υδρόβιων οικοτόπων, αλλά και εξαιτίας της μεταφοράς ιζήματος, όπως θρεπτικά συστατικά και μικροβιακοί ρύποι, στις υδάτινες οδούς. Τα εδάφη με κλίση χωρίς φυτική κάλυψη απομακρύνονται εύκολα λόγω επιφανειακής διάβρωσης κατά τη διάρκεια έντονων βροχοπτώσεων. Δύο βασικές αιτίες αφαίρεσης της βλάστησης στις ορεινές περιοχές είναι η χειμερινή βόσκηση χορτονομής των ζώων (βοοειδή, πρόβατα και ελάφια) και η απομάκρυνση όλων των δέντρων από μια περιοχή που έχει επιλεγεί για συγκομιδή δασοκομίας παραγωγής. Μια ακόμη αιτία «γυμνού» εδάφους είναι η καλλιέργεια για ανανέωση βοσκοτόπων ή οι αροτραίες καλλιέργειες, με τα ζώα να βόσκουν μεταξύ των αμειψισπορών. Το «γυμνό» έδαφος που εκτίθεται από αυτές τις δραστηριότητες ποικίλλει ετησίως και εποχιακά σε τοποθεσία και χωρική έκταση. <br /> Στην παρούσα ανασκόπηση, αναπτύσσεται μια μέθοδος ανάλυσης δορυφορικών εικόνων χρονοσειράς για τη χαρτογράφηση αγροτεμαχίων αυτών των χρήσεων γης, επιτρέποντας έτσι την κάλυψη ευρείας περιοχής και την ευκολία ενημέρωσης, καθώς επίσης και ποσοτικοποίηση του «γυμνού» εδάφους για τη μοντελοποίηση της διάβρωσης του εδάφους. Η μοντελοποίηση απαιτεί χρονικά και χωρικά σαφή χαρτογράφηση αυτού του «γυμνού» εδάφους. Η χρονική ανάλυση προσδιορίζει τη χρήση γης μαζί με την περίοδο απομάκρυνσης της βλάστησης και παράγει αποτελέσματα ανά αγροτεμάχιο (σε διανυσματική μορφή) για χρήση σε πρόγραμμα Γεωγραφικού Συστήματος Πληροφοριών (GIS). Παρουσιάζεται μια περιγραφή της μεθόδου, εθνικοί χάρτες και στατιστικά στοιχεία της έκτασης του «γυμνού» εδάφους στη δασοκομία και της χειμερινής κτηνοτροφικής βοσκής της Νέας Ζηλανδίας το 2018 και μια αξιολόγηση της ακρίβειας. Τα χαρακτηριστικά των χαρτογραφημένων αγροτεμαχίων έχουν σχεδιαστεί για εισαγωγή σε ένα μοντέλο εκτίμησης της διάβρωσης του εδάφους (New Zealand Universal Soil Loss Equation, USLE).<br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> Η εθνική χαρτογράφηση απαιτεί μεγάλο όγκο δορυφορικών δεδομένων για πολυχρονική ανάλυση, επομένως όλη η επεξεργασία πραγματοποιήθηκε στις εγκαταστάσεις εθνικών υποδομών της NZ (National eScience Infrastructure (NeSI) High Performance Computing facilities).<br /> Αρχικά, επιτεύχθηκε προεπεξεργασία χρονοσειρών δορυφορικών εικόνων από τους δορυφόρους Sentinel-2A και 2B της Ευρωπαϊκής Υπηρεσίας Διαστήματος (ESA). Πραγματοποιήθηκε επεξεργασία των εικόνων από νέφη και άλλους παράγοντες που επηρεάζουν αρνητικά την απεικόνιση στις περιοχές μελέτης, δηλαδή σε γεωργικά χωράφια, δασικά τετράγωνα ή αγροτεμάχια με συνεπή διαχείριση ή καλλιέργεια, με την πάροδο του χρόνου. Μέσω του προγράμματος GIS, έγινε χαρτογράφηση δασικών πολυγώνων και ακολουθήθηκαν τα απαραίτητα βήματα επεξεργασίας για τον προσδιορισμό της κάλυψης γης και τον ποσοτικό προσδιορισμό του «γυμνού» εδάφους που είναι επιρρεπές στην επιφανειακή διάβρωση. Η βόσκηση των κτηνοτροφικών καλλιεργειών εκθέτει «γυμνό» το έδαφος, αφαιρώντας συχνά σχεδόν όλη τη βλάστηση, παρόλο που ενίοτε μπορεί να παραμείνουν οι ρίζες των φυτών. Στην ανάλυση δορυφορικών εικόνων, μια μέτρηση που χρησιμοποιείται συνήθως για την κάλυψη της βλάστησης είναι ο δείκτης βλάστησης (NDVI). Έχει χαμηλές τιμές τόσο για «γυμνό» έδαφος όσο και για νεκρή ή μη πράσινη (χωρίς χλωροφύλλη) βλάστηση. Μια επιλογή για τη διάκριση μεταξύ «γυμνού» εδάφους και μη πράσινης βλάστησης είναι να χρησιμοποιηθούν εναλλακτικοί δείκτες βλάστησης, που είναι πιο ευαίσθητοι στα υπολείμματα των καλλιεργειών, και μια δεύτερη είναι η φασματική ταξινόμηση ως διαφορετικές καλύψεις γης του «γυμνού» εδάφους και της νεκρής βλάστησης. Επιλέχθηκε το δεύτερο καθώς είναι πιο εύκολος ο προσδιορισμός των τύπων κτηνοτροφικών καλλιεργειών, βοσκοτόπων και δέντρων στη διαδικασία ταξινόμησης. Τέλος, πραγματοποιήθηκε αξιολόγηση ακρίβειας χαρτών «γυμνού» εδάφους. <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα συνοψίζονται στις Εικόνες 1 και 2.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Για πλαγιές λόφων 7ο ή περισσότερο, τα αποτελέσματα δείχνουν 47.177 εκτάρια χειμερινής χορτονομής «γυμνού» εδάφους το 2018, μαζί με 159.522 εκτάρια λόγω δασικών δραστηριοτήτων. Η ακρίβεια ήταν καλύτερη για τον δασικό χάρτη από τον χάρτη χειμερινών ζωοτροφών. Πιθανό αυτό να συμβαίνει επειδή οι κανόνες ταξινόμησης είναι απλούστεροι στη δασοκομία, ενώ η γεωργική ταξινόμηση απαιτούσε συγκεκριμένο προσδιορισμό της χειμερινής χορτονομής ως αιτίας του «γυμνού» εδάφους. Οι πιο σημαντικές κτηνοτροφικές καλλιέργειες (brassica και κτηνοτροφικά τεύτλα) είναι καλά ταξινομημένες. Οι περιοχές με την πλειονότητα των χειμερινών χορτονομών της Νέας Ζηλανδίας (Canterbury, Otago και Southland) έχουν, κατά μέσο όρο, την υψηλότερη ακρίβεια χαρτογράφησης. Η αυτοματοποιημένη μέθοδος ανάλυσης δορυφορικής εικόνας είναι ένας πρακτικός τρόπος για να ληφθούν χωρικά και χρονικά σαφή δεδομένα σχετικά με τη βλάστηση για τον παράγοντα C σε μοντέλα επιφανειακής διάβρωσης τύπου USLE. Η προσέγγιση αυτή στη χαρτογράφηση είναι ιδιαίτερα σημαντική για χρήσεις γης όπου υπάρχει υψηλή χρονική μεταβλητότητα στη βλάστηση, όπως η δασοκομία παραγωγής και η γεωργική καλλιέργεια.</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%C2%AB%CE%B3%CF%85%CE%BC%CE%BD%CE%BF%CF%8D%C2%BB_%CE%B5%CE%B4%CE%AC%CF%86%CE%BF%CF%85%CF%82_%CF%83%CF%84%CE%B7_%CE%B3%CE%B5%CF%89%CF%81%CE%B3%CE%AF%CE%B1_... 2022-03-17T20:29:46Z

<p>Sofia Gkretsi: </p> <hr /> <div><br /> [[category:Γεωργία]]<br /> <br /> '''Χαρτογράφηση «γυμνού» εδάφους στη γεωργία και τη δασοκομία των λόφων της Νέας Ζηλανδίας για την εκτίμηση κινδύνου διάβρωσης του εδάφους: Μια αυτοματοποιημένη μέθοδος τηλεπισκόπησης μέσω δορυφόρου'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Mapping bare ground in New Zealand hill-country agriculture and forestry for soil erosion risk assessment: An automated satellite remote-sensing method<br /> <br /> '''Συγγραφείς:''' Heather North, Alexander Amies, John Dymond, Stella Belliss, David Pairman, John Drewry, Jan Schindler, James Shepherd<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2022 (Journal of Environmental Management)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.jenvman.2021.113812<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI1.PNG|200px|thumb|right|'''Εικόνα 1.''' Κατανομή του χαρτογραφημένου «γυμνού» εδάφους λόγω (α) χειμερινής βόσκησης και (β) δασοκομίας που γίνονται «γυμνά» 20% ή και περισσότερο οποιαδήποτε στιγμή κατά τη διάρκεια του έτους. Οι μεγεθύνσεις αφορούν την περιοχή γεωργικής μελέτης Fairlie, South Canterbury, και την περιοχή μελέτης δασοκομίας Tokomaru Bay, Gisborne. Μέσα σε κάθε μεγέθυνση υπάρχει ένα μπλε ορθογώνιο που υποδεικνύει τη θέση των περαιτέρω μεγεθύνσεων που φαίνεται στην Εικόνα 2.]]<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI2.PNG|200px|thumb|right|'''Εικόνα 2.'''Μεγεθύνσεις (2 × 1,5 km) που δείχνουν τις λεπτομέρειες των πολυγώνων αγροτεμαχίων. Οι θέσεις αυτών των μεγεθύνσεων υποδεικνύονται από τα μπλε ορθογώνια στην Εικόνα 1. (α) Τοποθεσία γεωργικής μελέτης που φαίνεται στα κανάλια Sentinel-2: 12 (SWIR-2), 4 (κόκκινο) και 2 (μπλε), στις οποίες η καλλιέργεια brassica εμφανίζεται μπλε, τα λιβάδια μωβ-κόκκινο, και το «γυμνό» έδαφος λευκό. (β) Η περιοχή μελέτης δασοκομίας φαίνεται στα κανάλια Sentinel-2: 8 (NIR), 4 (κόκκινο) και 3 (πράσινο), στις οποίες το «ώριμο» δάσος εμφανίζεται σκούρο κόκκινο, τα χαμηλά δέντρα ή άλλη μερική κάλυψη βλάστησης ροζ και οι περιοχές συγκομιδής ως κυανό. ]]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Στη Νέα Ζηλανδία (NZ) και παγκοσμίως, υπάρχει αυξανόμενη ανησυχία για τις επιπτώσεις των ανθρώπινων δραστηριοτήτων στην ποιότητα του πόσιμου νερού. Κύριος παράγοντας των επιπτώσεων στο πόσιμο νερό είναι η διάβρωση του εδάφους, όχι μόνο επειδή αυξάνει την καθίζηση ποταμών, λιμνών, εκβολών ποταμών και σχετικών υδρόβιων οικοτόπων, αλλά και εξαιτίας της μεταφοράς ιζήματος, όπως θρεπτικά συστατικά και μικροβιακοί ρύποι, στις υδάτινες οδούς. Τα εδάφη με κλίση χωρίς φυτική κάλυψη απομακρύνονται εύκολα λόγω επιφανειακής διάβρωσης κατά τη διάρκεια έντονων βροχοπτώσεων. Δύο βασικές αιτίες αφαίρεσης της βλάστησης στις ορεινές περιοχές είναι η χειμερινή βόσκηση χορτονομής των ζώων (βοοειδή, πρόβατα και ελάφια) και η απομάκρυνση όλων των δέντρων από μια περιοχή που έχει επιλεγεί για συγκομιδή δασοκομίας παραγωγής. Μια ακόμη αιτία «γυμνού» εδάφους είναι η καλλιέργεια για ανανέωση βοσκοτόπων ή οι αροτραίες καλλιέργειες, με τα ζώα να βόσκουν μεταξύ των αμειψισπορών. Το «γυμνό» έδαφος που εκτίθεται από αυτές τις δραστηριότητες ποικίλλει ετησίως και εποχιακά σε τοποθεσία και χωρική έκταση. <br /> Στην παρούσα ανασκόπηση, αναπτύσσεται μια μέθοδος ανάλυσης δορυφορικών εικόνων χρονοσειράς για τη χαρτογράφηση αγροτεμαχίων αυτών των χρήσεων γης, επιτρέποντας έτσι την κάλυψη ευρείας περιοχής και την ευκολία ενημέρωσης, καθώς επίσης και ποσοτικοποίηση του «γυμνού» εδάφους για τη μοντελοποίηση της διάβρωσης του εδάφους. Η μοντελοποίηση απαιτεί χρονικά και χωρικά σαφή χαρτογράφηση αυτού του «γυμνού» εδάφους. Η χρονική ανάλυση προσδιορίζει τη χρήση γης μαζί με την περίοδο απομάκρυνσης της βλάστησης και παράγει αποτελέσματα ανά αγροτεμάχιο (σε διανυσματική μορφή) για χρήση σε πρόγραμμα Γεωγραφικού Συστήματος Πληροφοριών (GIS). Παρουσιάζεται μια περιγραφή της μεθόδου, εθνικοί χάρτες και στατιστικά στοιχεία της έκτασης του «γυμνού» εδάφους στη δασοκομία και της χειμερινής κτηνοτροφικής βοσκής της Νέας Ζηλανδίας το 2018 και μια αξιολόγηση της ακρίβειας. Τα χαρακτηριστικά των χαρτογραφημένων αγροτεμαχίων έχουν σχεδιαστεί για εισαγωγή σε ένα μοντέλο εκτίμησης της διάβρωσης του εδάφους (New Zealand Universal Soil Loss Equation, USLE).<br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> Η εθνική χαρτογράφηση απαιτεί μεγάλο όγκο δορυφορικών δεδομένων για πολυχρονική ανάλυση, επομένως όλη η επεξεργασία πραγματοποιήθηκε στις εγκαταστάσεις εθνικών υποδομών της NZ (National eScience Infrastructure (NeSI) High Performance Computing facilities).<br /> Αρχικά, επιτεύχθηκε προεπεξεργασία χρονοσειρών δορυφορικών εικόνων από τους δορυφόρους Sentinel-2A και 2B της Ευρωπαϊκής Υπηρεσίας Διαστήματος (ESA). Πραγματοποιήθηκε επεξεργασία των εικόνων από νέφη και άλλους παράγοντες που επηρεάζουν αρνητικά την απεικόνιση στις περιοχές μελέτης, δηλαδή σε γεωργικά χωράφια, δασικά τετράγωνα ή αγροτεμάχια με συνεπή διαχείριση ή καλλιέργεια, με την πάροδο του χρόνου. Μέσω του προγράμματος GIS, έγινε χαρτογράφηση δασικών πολυγώνων και ακολουθήθηκαν τα απαραίτητα βήματα επεξεργασίας για τον προσδιορισμό της κάλυψης γης και τον ποσοτικό προσδιορισμό του «γυμνού» εδάφους που είναι επιρρεπές στην επιφανειακή διάβρωση. Η βόσκηση των κτηνοτροφικών καλλιεργειών εκθέτει «γυμνό» το έδαφος, αφαιρώντας συχνά σχεδόν όλη τη βλάστηση, παρόλο που ενίοτε μπορεί να παραμείνουν οι ρίζες των φυτών. Στην ανάλυση δορυφορικών εικόνων, μια μέτρηση που χρησιμοποιείται συνήθως για την κάλυψη της βλάστησης είναι ο δείκτης βλάστησης (NDVI). Έχει χαμηλές τιμές τόσο για «γυμνό» έδαφος όσο και για νεκρή ή μη πράσινη (χωρίς χλωροφύλλη) βλάστηση. Μια επιλογή για τη διάκριση μεταξύ «γυμνού» εδάφους και μη πράσινης βλάστησης είναι να χρησιμοποιηθούν εναλλακτικοί δείκτες βλάστησης, που είναι πιο ευαίσθητοι στα υπολείμματα των καλλιεργειών, και μια δεύτερη είναι η φασματική ταξινόμηση ως διαφορετικές καλύψεις γης του «γυμνού» εδάφους και της νεκρής βλάστησης. Επιλέχθηκε το δεύτερο καθώς είναι πιο εύκολος ο προσδιορισμός των τύπων κτηνοτροφικών καλλιεργειών, βοσκοτόπων και δέντρων στη διαδικασία ταξινόμησης. Τέλος, πραγματοποιήθηκε αξιολόγηση ακρίβειας χαρτών «γυμνού» εδάφους. <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα συνοψίζονται στις Εικόνες 1 και 2.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Για πλαγιές λόφων 7ο ή περισσότερο, τα αποτελέσματα δείχνουν 47.177 εκτάρια χειμερινής χορτονομής «γυμνού» εδάφους το 2018, μαζί με 159.522 εκτάρια λόγω δασικών δραστηριοτήτων. Η ακρίβεια ήταν καλύτερη για τον δασικό χάρτη από τον χάρτη χειμερινών ζωοτροφών. Πιθανό αυτό να συμβαίνει επειδή οι κανόνες ταξινόμησης είναι απλούστεροι στη δασοκομία, ενώ η γεωργική ταξινόμηση απαιτούσε συγκεκριμένο προσδιορισμό της χειμερινής χορτονομής ως αιτίας του «γυμνού» εδάφους. Οι πιο σημαντικές κτηνοτροφικές καλλιέργειες (brassica και κτηνοτροφικά τεύτλα) είναι καλά ταξινομημένες. Οι περιοχές με την πλειονότητα των χειμερινών χορτονομών της Νέας Ζηλανδίας (Canterbury, Otago και Southland) έχουν, κατά μέσο όρο, την υψηλότερη ακρίβεια χαρτογράφησης. Η αυτοματοποιημένη μέθοδος ανάλυσης δορυφορικής εικόνας είναι ένας πρακτικός τρόπος για να ληφθούν χωρικά και χρονικά σαφή δεδομένα σχετικά με τη βλάστηση για τον παράγοντα C σε μοντέλα επιφανειακής διάβρωσης τύπου USLE. Η προσέγγιση αυτή στη χαρτογράφηση είναι ιδιαίτερα σημαντική για χρήσεις γης όπου υπάρχει υψηλή χρονική μεταβλητότητα στη βλάστηση, όπως η δασοκομία παραγωγής και η γεωργική καλλιέργεια.</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%C2%AB%CE%B3%CF%85%CE%BC%CE%BD%CE%BF%CF%8D%C2%BB_%CE%B5%CE%B4%CE%AC%CF%86%CE%BF%CF%85%CF%82_%CF%83%CF%84%CE%B7_%CE%B3%CE%B5%CF%89%CF%81%CE%B3%CE%AF%CE%B1_... 2022-03-17T20:29:34Z

<p>Sofia Gkretsi: </p> <hr /> <div><br /> <br /> [[category:Γεωργία]]<br /> <br /> '''Χαρτογράφηση «γυμνού» εδάφους στη γεωργία και τη δασοκομία των λόφων της Νέας Ζηλανδίας για την εκτίμηση κινδύνου διάβρωσης του εδάφους: Μια αυτοματοποιημένη μέθοδος τηλεπισκόπησης μέσω δορυφόρου'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Mapping bare ground in New Zealand hill-country agriculture and forestry for soil erosion risk assessment: An automated satellite remote-sensing method<br /> <br /> '''Συγγραφείς:''' Heather North, Alexander Amies, John Dymond, Stella Belliss, David Pairman, John Drewry, Jan Schindler, James Shepherd<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2022 (Journal of Environmental Management)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.jenvman.2021.113812<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI1.PNG|200px|thumb|right|'''Εικόνα 1.''' Κατανομή του χαρτογραφημένου «γυμνού» εδάφους λόγω (α) χειμερινής βόσκησης και (β) δασοκομίας που γίνονται «γυμνά» 20% ή και περισσότερο οποιαδήποτε στιγμή κατά τη διάρκεια του έτους. Οι μεγεθύνσεις αφορούν την περιοχή γεωργικής μελέτης Fairlie, South Canterbury, και την περιοχή μελέτης δασοκομίας Tokomaru Bay, Gisborne. Μέσα σε κάθε μεγέθυνση υπάρχει ένα μπλε ορθογώνιο που υποδεικνύει τη θέση των περαιτέρω μεγεθύνσεων που φαίνεται στην Εικόνα 2.]]<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI2.PNG|200px|thumb|right|'''Εικόνα 2.'''Μεγεθύνσεις (2 × 1,5 km) που δείχνουν τις λεπτομέρειες των πολυγώνων αγροτεμαχίων. Οι θέσεις αυτών των μεγεθύνσεων υποδεικνύονται από τα μπλε ορθογώνια στην Εικόνα 1. (α) Τοποθεσία γεωργικής μελέτης που φαίνεται στα κανάλια Sentinel-2: 12 (SWIR-2), 4 (κόκκινο) και 2 (μπλε), στις οποίες η καλλιέργεια brassica εμφανίζεται μπλε, τα λιβάδια μωβ-κόκκινο, και το «γυμνό» έδαφος λευκό. (β) Η περιοχή μελέτης δασοκομίας φαίνεται στα κανάλια Sentinel-2: 8 (NIR), 4 (κόκκινο) και 3 (πράσινο), στις οποίες το «ώριμο» δάσος εμφανίζεται σκούρο κόκκινο, τα χαμηλά δέντρα ή άλλη μερική κάλυψη βλάστησης ροζ και οι περιοχές συγκομιδής ως κυανό. ]]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Στη Νέα Ζηλανδία (NZ) και παγκοσμίως, υπάρχει αυξανόμενη ανησυχία για τις επιπτώσεις των ανθρώπινων δραστηριοτήτων στην ποιότητα του πόσιμου νερού. Κύριος παράγοντας των επιπτώσεων στο πόσιμο νερό είναι η διάβρωση του εδάφους, όχι μόνο επειδή αυξάνει την καθίζηση ποταμών, λιμνών, εκβολών ποταμών και σχετικών υδρόβιων οικοτόπων, αλλά και εξαιτίας της μεταφοράς ιζήματος, όπως θρεπτικά συστατικά και μικροβιακοί ρύποι, στις υδάτινες οδούς. Τα εδάφη με κλίση χωρίς φυτική κάλυψη απομακρύνονται εύκολα λόγω επιφανειακής διάβρωσης κατά τη διάρκεια έντονων βροχοπτώσεων. Δύο βασικές αιτίες αφαίρεσης της βλάστησης στις ορεινές περιοχές είναι η χειμερινή βόσκηση χορτονομής των ζώων (βοοειδή, πρόβατα και ελάφια) και η απομάκρυνση όλων των δέντρων από μια περιοχή που έχει επιλεγεί για συγκομιδή δασοκομίας παραγωγής. Μια ακόμη αιτία «γυμνού» εδάφους είναι η καλλιέργεια για ανανέωση βοσκοτόπων ή οι αροτραίες καλλιέργειες, με τα ζώα να βόσκουν μεταξύ των αμειψισπορών. Το «γυμνό» έδαφος που εκτίθεται από αυτές τις δραστηριότητες ποικίλλει ετησίως και εποχιακά σε τοποθεσία και χωρική έκταση. <br /> Στην παρούσα ανασκόπηση, αναπτύσσεται μια μέθοδος ανάλυσης δορυφορικών εικόνων χρονοσειράς για τη χαρτογράφηση αγροτεμαχίων αυτών των χρήσεων γης, επιτρέποντας έτσι την κάλυψη ευρείας περιοχής και την ευκολία ενημέρωσης, καθώς επίσης και ποσοτικοποίηση του «γυμνού» εδάφους για τη μοντελοποίηση της διάβρωσης του εδάφους. Η μοντελοποίηση απαιτεί χρονικά και χωρικά σαφή χαρτογράφηση αυτού του «γυμνού» εδάφους. Η χρονική ανάλυση προσδιορίζει τη χρήση γης μαζί με την περίοδο απομάκρυνσης της βλάστησης και παράγει αποτελέσματα ανά αγροτεμάχιο (σε διανυσματική μορφή) για χρήση σε πρόγραμμα Γεωγραφικού Συστήματος Πληροφοριών (GIS). Παρουσιάζεται μια περιγραφή της μεθόδου, εθνικοί χάρτες και στατιστικά στοιχεία της έκτασης του «γυμνού» εδάφους στη δασοκομία και της χειμερινής κτηνοτροφικής βοσκής της Νέας Ζηλανδίας το 2018 και μια αξιολόγηση της ακρίβειας. Τα χαρακτηριστικά των χαρτογραφημένων αγροτεμαχίων έχουν σχεδιαστεί για εισαγωγή σε ένα μοντέλο εκτίμησης της διάβρωσης του εδάφους (New Zealand Universal Soil Loss Equation, USLE).<br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> Η εθνική χαρτογράφηση απαιτεί μεγάλο όγκο δορυφορικών δεδομένων για πολυχρονική ανάλυση, επομένως όλη η επεξεργασία πραγματοποιήθηκε στις εγκαταστάσεις εθνικών υποδομών της NZ (National eScience Infrastructure (NeSI) High Performance Computing facilities).<br /> Αρχικά, επιτεύχθηκε προεπεξεργασία χρονοσειρών δορυφορικών εικόνων από τους δορυφόρους Sentinel-2A και 2B της Ευρωπαϊκής Υπηρεσίας Διαστήματος (ESA). Πραγματοποιήθηκε επεξεργασία των εικόνων από νέφη και άλλους παράγοντες που επηρεάζουν αρνητικά την απεικόνιση στις περιοχές μελέτης, δηλαδή σε γεωργικά χωράφια, δασικά τετράγωνα ή αγροτεμάχια με συνεπή διαχείριση ή καλλιέργεια, με την πάροδο του χρόνου. Μέσω του προγράμματος GIS, έγινε χαρτογράφηση δασικών πολυγώνων και ακολουθήθηκαν τα απαραίτητα βήματα επεξεργασίας για τον προσδιορισμό της κάλυψης γης και τον ποσοτικό προσδιορισμό του «γυμνού» εδάφους που είναι επιρρεπές στην επιφανειακή διάβρωση. Η βόσκηση των κτηνοτροφικών καλλιεργειών εκθέτει «γυμνό» το έδαφος, αφαιρώντας συχνά σχεδόν όλη τη βλάστηση, παρόλο που ενίοτε μπορεί να παραμείνουν οι ρίζες των φυτών. Στην ανάλυση δορυφορικών εικόνων, μια μέτρηση που χρησιμοποιείται συνήθως για την κάλυψη της βλάστησης είναι ο δείκτης βλάστησης (NDVI). Έχει χαμηλές τιμές τόσο για «γυμνό» έδαφος όσο και για νεκρή ή μη πράσινη (χωρίς χλωροφύλλη) βλάστηση. Μια επιλογή για τη διάκριση μεταξύ «γυμνού» εδάφους και μη πράσινης βλάστησης είναι να χρησιμοποιηθούν εναλλακτικοί δείκτες βλάστησης, που είναι πιο ευαίσθητοι στα υπολείμματα των καλλιεργειών, και μια δεύτερη είναι η φασματική ταξινόμηση ως διαφορετικές καλύψεις γης του «γυμνού» εδάφους και της νεκρής βλάστησης. Επιλέχθηκε το δεύτερο καθώς είναι πιο εύκολος ο προσδιορισμός των τύπων κτηνοτροφικών καλλιεργειών, βοσκοτόπων και δέντρων στη διαδικασία ταξινόμησης. Τέλος, πραγματοποιήθηκε αξιολόγηση ακρίβειας χαρτών «γυμνού» εδάφους. <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα συνοψίζονται στις Εικόνες 1 και 2.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Για πλαγιές λόφων 7ο ή περισσότερο, τα αποτελέσματα δείχνουν 47.177 εκτάρια χειμερινής χορτονομής «γυμνού» εδάφους το 2018, μαζί με 159.522 εκτάρια λόγω δασικών δραστηριοτήτων. Η ακρίβεια ήταν καλύτερη για τον δασικό χάρτη από τον χάρτη χειμερινών ζωοτροφών. Πιθανό αυτό να συμβαίνει επειδή οι κανόνες ταξινόμησης είναι απλούστεροι στη δασοκομία, ενώ η γεωργική ταξινόμηση απαιτούσε συγκεκριμένο προσδιορισμό της χειμερινής χορτονομής ως αιτίας του «γυμνού» εδάφους. Οι πιο σημαντικές κτηνοτροφικές καλλιέργειες (brassica και κτηνοτροφικά τεύτλα) είναι καλά ταξινομημένες. Οι περιοχές με την πλειονότητα των χειμερινών χορτονομών της Νέας Ζηλανδίας (Canterbury, Otago και Southland) έχουν, κατά μέσο όρο, την υψηλότερη ακρίβεια χαρτογράφησης. Η αυτοματοποιημένη μέθοδος ανάλυσης δορυφορικής εικόνας είναι ένας πρακτικός τρόπος για να ληφθούν χωρικά και χρονικά σαφή δεδομένα σχετικά με τη βλάστηση για τον παράγοντα C σε μοντέλα επιφανειακής διάβρωσης τύπου USLE. Η προσέγγιση αυτή στη χαρτογράφηση είναι ιδιαίτερα σημαντική για χρήσεις γης όπου υπάρχει υψηλή χρονική μεταβλητότητα στη βλάστηση, όπως η δασοκομία παραγωγής και η γεωργική καλλιέργεια.</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%B9%CE%B4%CE%B9%CE%BA%CF%8C_%CE%B8%CE%AD%CE%BC%CE%B1_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B9%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%BF_%CF%87%CE%B9%CF%8C%CE%BD%CE%B9_%CE%BA%CE%B1%CE%B9_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82_%CF%84%CE%B7%CF%82 2022-03-17T20:28:32Z

<p>Sofia Gkretsi: </p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Υδατικοί Πόροι]]<br /> <br /> '''Ειδικό θέμα τηλεπισκόπισης για το χιόνι και εφαρμογές της'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Special Issue on Remote Sensing of Snow and Its Applications<br /> <br /> '''Συγγραφείς:''' Ali Nadir Arslan, Zuhal Akyürek<br /> <br /> '''Δημοσιεύθηκε:''' Ιούνιος 2019 (Geosciences)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3390/geosciences9060277<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η χιονοκάλυψη είναι μια βασική κλιματική μεταβλητή που επηρεάζει άμεσα την ενεργειακή ισορροπία της Γης και έχει μια σειρά από σημαντικές φυσικές ιδιότητες που επηρεάζουν τους κύκλους ενέργειας, νερού και άνθρακα. Η επιφανειακή θερμοκρασία εξαρτάται σε μεγάλο βαθμό από την παρουσία ή την απουσία χιονοκάλυψης και έχει αποδειχθεί ότι οι τάσεις της θερμοκρασίας σχετίζονται με τις μεταβολές της χιονοκάλυψης. Με την τεχνολογία της τηλεπισκόπησης επιτρέπεται η αφομοίωση των πληροφοριών για τη χιονοκάλυψη σε υδρολογικά, επιφανειακά, μετεωρολογικά και κλιματικά μοντέλα για την πρόβλεψη της τήξη, των υδάτινων πόρων και την προειδοποίηση για φυσικούς κινδύνους που σχετίζονται με το χιόνι. Στην παρούσα ανασκόπηση παρουσιάζεται ένα ευρύ φάσμα θεμάτων όπως (1) τεχνικές και μέθοδοι τηλεπισκόπησης για το χιόνι, (2) μοντελοποίηση, αλγόριθμοι ανάκτησης και επιτόπιες (in-situ) μετρήσεις παραμέτρων του χιονιού, (3) τηλεπισκόπηση του χιονιού με πολλές πηγές και πολλούς αισθητήρες, (4) ολοκληρωμένες προσεγγίσεις τηλεπισκόπησης και μοντέλων για το χιόνι, και (5) εφαρμογές όπου οι πληροφορίες που λαμβάνονται με τηλεπισκόπηση για το χιόνι χρησιμοποιούνται για την πρόγνωση του καιρού, τις πλημμύρες, τις χιονοστιβάδες, τη διαχείριση των υδάτων, την ιχνηλασιμότητα, την υγεία και τον αθλητισμό, τη γεωργία και τη δασοκομία, τα κλιματικά σενάρια κ.λπ. Είναι πολύ σημαντικό να κατανοήσουμε (α) τις διαφορές και τις ομοιότητες, (β) την αντιπροσωπευτικότητα και την εφαρμοσιμότητα, (γ) την ακρίβεια και τις πηγές σφαλμάτων στη μέτρηση του χιονιού τόσο in-situ όσο και με τηλεπισκόπηση σε υδρολογικά, επιφανειακά, μετεωρολογικά και κλιματικά μοντέλα.<br /> <br /> '''Τηλεπισκόπηση του χιονιού και εφαρμογές της'''<br /> <br /> Το Copernicus είναι το πρόγραμμα παρατήρησης της Γης (EO, Earth Observation) της Ευρωπαϊκής Ένωσης (ΕΕ), το οποίο προσφέρει δωρεάν και ανοικτές υπηρεσίες πληροφοριών που βασίζονται σε δορυφορικά δεδομένα παρατήρησης της Γης και σε δεδομένα in situ (μη διαστημικά). Για την κατανόηση της κατάστασης της χρήσης των Copernicus Sentinels στο χιόνι γενικά, εξετάστηκαν δημοσιευμένες εργασίες στο Web of Science από το 2015 έως το 2019. Σύμφωνα με την ανάλυση που πραγματοποιήθηκε, το MODIS (Moderate Resolution Imaging Spectroradiometer) και το PMW (Passive Microwave) ήταν τα πιο συχνά χρησιμοποιούμενα σε τηλεπισκοπικές μελέτες χιονιού. Τα Copernicus Sentinels και οι αναδυόμενες τεχνολογίες χρησιμοποιούνται επίσης στις μελέτες χιονιού με τηλεπισκόπηση. Οι εικόνες που ελήφθησαν για μια περίοδο δέκα ετών αναλύθηκαν με τη χρήση ενός αυτοματοποιημένου αλγορίθμου ανίχνευσης χιονιού-μη χιονιού που βασίζεται στη φασματική ομοιότητα. Τα δορυφορικά προϊόντα χιονιού μεσαίας χωρικής ανάλυσης είναι καλά για την παρακολούθηση της δυναμικής του χιονιού, αλλά απαιτείται καλύτερη χωρική ανάλυση για την κατανόηση της χωρικής διακύμανσης, ιδίως σε ανώμαλο έδαφος.<br /> Η παρακολούθηση της χιονοκάλυψης και των συνιστωσών της σε μεσο-, περιφερειακή και παγκόσμια κλίμακα είναι σημαντική για την υποστήριξη της επιστήμης του καιρού, της υδρολογίας και του κλίματος, καθώς και για την παρακολούθηση των φυσικών κινδύνων, τη λήψη αποφάσεων και τη διαμόρφωση περιβαλλοντικής πολιτικής. Η ικανότητα αυτή θα παρέχει πληροφορίες βασισμένες στη γνώση σχετικά με τις πιθανές επιπτώσεις στην κοινωνία, την οικονομία και την ασφάλεια (π.χ. υδροηλεκτρική ενέργεια, διαθεσιμότητα νερού, μεταφορές, τουρισμός, πλημμύρες, χιονοστιβάδες κ.λπ.) Το χιόνι είναι ένα πολύπλοκο μέσο και γι' αυτό είναι σημαντικό να κατανοηθούν όλες οι πτυχές, όπως ο χαρακτηρισμός, η ανίχνευση και η μοντελοποίηση. Στόχος της συγκεκριμένης ανασκόπησης ήταν να συνδυαστούν αυτές οι τρεις πτυχές μαζί, καθώς πιστεύεται ότι αυτό θα είναι χρήσιμο για όλους τους κλάδους που ασχολούνται με κάποιο μέρος της επιστήμης του χιονιού.</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%B9%CE%B4%CE%B9%CE%BA%CF%8C_%CE%B8%CE%AD%CE%BC%CE%B1_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B9%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%BF_%CF%87%CE%B9%CF%8C%CE%BD%CE%B9_%CE%BA%CE%B1%CE%B9_%CE%B5%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82_%CF%84%CE%B7%CF%82 2022-03-17T20:28:19Z

<p>Sofia Gkretsi: Νέα σελίδα με 'Add Your Content Here category:Υδατικοί Πόροι '''Ειδικό θέμα τηλεπισκόπισης για το χιόνι και εφαρμογές ...'</p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Υδατικοί Πόροι]]<br /> <br /> '''Ειδικό θέμα τηλεπισκόπισης για το χιόνι και εφαρμογές της'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Special Issue on Remote Sensing of Snow and Its Applications<br /> <br /> '''Συγγραφείς:''' Ali Nadir Arslan, Zuhal Akyürek<br /> <br /> '''Δημοσιεύθηκε:''' Ιούνιος 2019 (Geosciences)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.3390/geosciences9060277<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η χιονοκάλυψη είναι μια βασική κλιματική μεταβλητή που επηρεάζει άμεσα την ενεργειακή ισορροπία της Γης και έχει μια σειρά από σημαντικές φυσικές ιδιότητες που επηρεάζουν τους κύκλους ενέργειας, νερού και άνθρακα. Η επιφανειακή θερμοκρασία εξαρτάται σε μεγάλο βαθμό από την παρουσία ή την απουσία χιονοκάλυψης και έχει αποδειχθεί ότι οι τάσεις της θερμοκρασίας σχετίζονται με τις μεταβολές της χιονοκάλυψης. Με την τεχνολογία της τηλεπισκόπησης επιτρέπεται η αφομοίωση των πληροφοριών για τη χιονοκάλυψη σε υδρολογικά, επιφανειακά, μετεωρολογικά και κλιματικά μοντέλα για την πρόβλεψη της τήξη, των υδάτινων πόρων και την προειδοποίηση για φυσικούς κινδύνους που σχετίζονται με το χιόνι. Στην παρούσα ανασκόπηση παρουσιάζεται ένα ευρύ φάσμα θεμάτων όπως (1) τεχνικές και μέθοδοι τηλεπισκόπησης για το χιόνι, (2) μοντελοποίηση, αλγόριθμοι ανάκτησης και επιτόπιες (in-situ) μετρήσεις παραμέτρων του χιονιού, (3) τηλεπισκόπηση του χιονιού με πολλές πηγές και πολλούς αισθητήρες, (4) ολοκληρωμένες προσεγγίσεις τηλεπισκόπησης και μοντέλων για το χιόνι, και (5) εφαρμογές όπου οι πληροφορίες που λαμβάνονται με τηλεπισκόπηση για το χιόνι χρησιμοποιούνται για την πρόγνωση του καιρού, τις πλημμύρες, τις χιονοστιβάδες, τη διαχείριση των υδάτων, την ιχνηλασιμότητα, την υγεία και τον αθλητισμό, τη γεωργία και τη δασοκομία, τα κλιματικά σενάρια κ.λπ. Είναι πολύ σημαντικό να κατανοήσουμε (α) τις διαφορές και τις ομοιότητες, (β) την αντιπροσωπευτικότητα και την εφαρμοσιμότητα, (γ) την ακρίβεια και τις πηγές σφαλμάτων στη μέτρηση του χιονιού τόσο in-situ όσο και με τηλεπισκόπηση σε υδρολογικά, επιφανειακά, μετεωρολογικά και κλιματικά μοντέλα.<br /> <br /> '''Τηλεπισκόπηση του χιονιού και εφαρμογές της'''<br /> Το Copernicus είναι το πρόγραμμα παρατήρησης της Γης (EO, Earth Observation) της Ευρωπαϊκής Ένωσης (ΕΕ), το οποίο προσφέρει δωρεάν και ανοικτές υπηρεσίες πληροφοριών που βασίζονται σε δορυφορικά δεδομένα παρατήρησης της Γης και σε δεδομένα in situ (μη διαστημικά). Για την κατανόηση της κατάστασης της χρήσης των Copernicus Sentinels στο χιόνι γενικά, εξετάστηκαν δημοσιευμένες εργασίες στο Web of Science από το 2015 έως το 2019. Σύμφωνα με την ανάλυση που πραγματοποιήθηκε, το MODIS (Moderate Resolution Imaging Spectroradiometer) και το PMW (Passive Microwave) ήταν τα πιο συχνά χρησιμοποιούμενα σε τηλεπισκοπικές μελέτες χιονιού. Τα Copernicus Sentinels και οι αναδυόμενες τεχνολογίες χρησιμοποιούνται επίσης στις μελέτες χιονιού με τηλεπισκόπηση. Οι εικόνες που ελήφθησαν για μια περίοδο δέκα ετών αναλύθηκαν με τη χρήση ενός αυτοματοποιημένου αλγορίθμου ανίχνευσης χιονιού-μη χιονιού που βασίζεται στη φασματική ομοιότητα. Τα δορυφορικά προϊόντα χιονιού μεσαίας χωρικής ανάλυσης είναι καλά για την παρακολούθηση της δυναμικής του χιονιού, αλλά απαιτείται καλύτερη χωρική ανάλυση για την κατανόηση της χωρικής διακύμανσης, ιδίως σε ανώμαλο έδαφος.<br /> Η παρακολούθηση της χιονοκάλυψης και των συνιστωσών της σε μεσο-, περιφερειακή και παγκόσμια κλίμακα είναι σημαντική για την υποστήριξη της επιστήμης του καιρού, της υδρολογίας και του κλίματος, καθώς και για την παρακολούθηση των φυσικών κινδύνων, τη λήψη αποφάσεων και τη διαμόρφωση περιβαλλοντικής πολιτικής. Η ικανότητα αυτή θα παρέχει πληροφορίες βασισμένες στη γνώση σχετικά με τις πιθανές επιπτώσεις στην κοινωνία, την οικονομία και την ασφάλεια (π.χ. υδροηλεκτρική ενέργεια, διαθεσιμότητα νερού, μεταφορές, τουρισμός, πλημμύρες, χιονοστιβάδες κ.λπ.) Το χιόνι είναι ένα πολύπλοκο μέσο και γι' αυτό είναι σημαντικό να κατανοηθούν όλες οι πτυχές, όπως ο χαρακτηρισμός, η ανίχνευση και η μοντελοποίηση. Στόχος της συγκεκριμένης ανασκόπησης ήταν να συνδυαστούν αυτές οι τρεις πτυχές μαζί, καθώς πιστεύεται ότι αυτό θα είναι χρήσιμο για όλους τους κλάδους που ασχολούνται με κάποιο μέρος της επιστήμης του χιονιού.</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CF%87%CF%8E%CF%81%CF%89%CE%BD_%CF%80%CF%81%CE%B1%CF%83%CE%AF%CE%BD%CE%BF%CF%85:_%CE%91%CE%BD%CE%B1%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7 2022-03-17T20:23:56Z

<p>Sofia Gkretsi: </p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]<br /> <br /> '''Τηλεπισκόπηση αστικών χώρων πρασίνου: Ανασκόπηση'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Remote sensing of urban green spaces: A review<br /> <br /> '''Συγγραφείς:''' Amir Reza Shahtahmassebi, Chenlu Li, Yifan Fan, Yani Wu, Yue lin, Muye Gan, Ke Wang, Arunima Malik, George Alan Blackburn<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2021 (Urban Forestry &amp; Urban Greening)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.ufug.2020.126946<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Οι αστικοί χώροι πρασίνου (UGS, urban green spaces) διαδραματίζουν σπουδαίο ρόλο στην υγεία, την ευεξία και τα αισθητικά οφέλη στους κατοίκους των πόλεων, καθώς επίσης και σε μια σειρά περιβαλλοντικών προβλημάτων στις πόλεις, όπως είναι η αυξανόμενη ατμοσφαιρική ρύπανση και οι κλιματικές διαταραχές. Ως UGS ορίζονται όλα τα φυσικά, ημιφυσικά και τεχνητά συστήματα εντός, γύρω και μεταξύ αστικών περιοχών κάθε χωρικής κλίμακας. Μπορούν να χωριστούν ευρέως σε δύο κατηγορίες: (α) μεσαίας έως μεγάλης κλίμακας όπως πάρκα και αστικά δάση και (β) μικρής κλίμακας όπως κήποι ή χώροι πρασίνου ιδιωτικών κατοικιών και διάσπαρτα κομμάτια δέντρων. Οι περισσότερες μελέτες έχουν επικεντρωθεί σε UGS (κυρίως δέντρα) που καλύπτουν μεγάλες εκτάσεις, ενώ λιγότερες είναι οι μελέτες σχετικές με τους UGS μικρής κλίμακας, οι οποίες παρόλο που καταλαμβάνουν μια περιορισμένη περιοχή, όταν ληφθούν υπόψη στο σύνολό τους, μπορούν να αντιπροσωπεύουν ένα σημαντικό μέρος του αστικού χώρου. Έτσι, υπάρχει έντονη ανάγκη για προστασία και βελτίωση των υπαρχόντων UGS, και ταυτόχρονα ανάπτυξη νέων αστικών πράσινων υποδομών. Επομένως, η γνώση των χαρακτηριστικών των UGS (αφθονία, χωρική κατανομή και σύνθεση των ειδών) και τα δεδομένα είναι ζωτικής σημασίας για μια σειρά ζητημάτων στον πολεοδομικό σχεδιασμό, τη διαχείριση και τη δημόσια υγεία.<br /> Έχουν χρησιμοποιηθεί διάφορες προσεγγίσεις για τη συλλογή πληροφοριών σχετικά με τους UGS. Οι έρευνες στο πεδίο μπορούν να προσφέρουν ακριβείς πληροφορίες για τους UGS, αλλά είναι δαπανηρές και χρονοβόρες. Αν και η οπτική ερμηνεία και η χειροκίνητη ψηφιοποίηση από έντυπους χάρτες ή αεροφωτογραφίες είναι από τις πιο ακριβείς τεχνικές, μπορεί να είναι αρκετά υποκειμενικές και δύσκολο να αναπαραχθούν, οδηγώντας σε ασυνεπή αποτελέσματα. Τις τελευταίες δεκαετίες, οι τεχνολογίες τηλεπισκόπησης έχουν καταλάβει σημαντική θέση στη μελέτη και ανάλυση των UGS καθώς μπορούν να δημιουργήσουν επαναλαμβανόμενη και πλήρη κάλυψη σε διαφορετικές χωρικές κλίμακες και για διαφορετικές εποχές. Με βάση τις πρόσφατες εξελίξεις, όπως πολιτικές πρόσβασης χωρίς χρέωση δεδομένων και εικόνες υψηλής χωρικής ανάλυσης, η τηλεπισκόπηση παρέχει ένα πολύτιμο σύνολο εργαλείων που μπορούν να ελαχιστοποιήσουν την ανάγκη για έρευνα στο πεδίο, ακόμη και σε εξαιρετικά ετερογενή και πολύπλοκα αστικά περιβάλλοντα, παρέχοντας τη δυνατότητα εξαγωγής πληροφοριών για τους UGS με ακρίβεια (π.χ. ανίχνευση τοποθεσίας, αναγνώριση ειδών κάλυψης βλάστησης και εκτίμηση κλάσματος UGS), γρήγορα και με ελάχιστο κόστος. Η τηλεπισκόπηση έχει αποδειχθεί αποτελεσματική για τη χαρτογράφηση και ανίχνευση ειδών δέντρων που βρίσκονται στο δρόμο, καθώς και για την αξιολόγηση της υγείας της βλάστησης εντός UGSs. <br /> Σε αυτή την ανασκόπηση, εξετάζονται λεπτομερώς οι προσεγγίσεις τηλεπισκόπησης για τον χαρακτηρισμό των UGS και αξιολογείται η αποτελεσματικότητα διαφορετικών συστημάτων τηλεπισκόπησης και αναλυτικών τεχνικών. <br /> <br /> '''Υλικά - Μέθοδοι'''<br /> <br /> Αρχικά, πραγματοποιήθηκε αναζήτηση σε διάφορες σχετικές ιστοσελίδες με λέξεις-κλειδιά από το 1982 μέχρι και το 2019 και στη συνέχεια από 1500 άρθρα επιλέχθηκαν με διάφορα κριτήρια τα 159. Οι θεματικοί τομείς εφαρμογής που εξήχθησαν ήταν οι εξής: Απογραφή και αξιολόγηση, Βιομάζα και άνθρακας, Ανίχνευση αλλαγών, Υπηρεσίες σχετικές με το οικοσύστημα, Συνολική χαρτογράφηση των UGS, Χαρτογράφηση ειδών και Τρισδιάστατη μοντελοποίηση, όπως περιγράφονται και πιο αναλυτικά στα αποτελέσματα. Τέλος, πραγματοποιήθηκε στατιστική ανάλυση και παρουσίαση των αποτελεσμάτων.<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Πρώτον, η αυξημένη διαθεσιμότητα τεχνολογίας τηλεπισκόπησης υψηλής χωρικής ανάλυσης κατέστησε δυνατή την παρακολούθηση ακριβής κλίμακας των UGS. Επιπλέον, εικόνες υψηλής χωρικής ανάλυσης έχουν γίνει διαθέσιμες σε παγκόσμια κλίμακα μέσω του Google Earth, με τη μορφή διαφορετικών προϊόντων, όπως αεροφωτογραφίες, δορυφορικές εικόνες και προβολές δρόμων. Δεύτερον, έχει υπάρξει μια ολοένα και πιο ευρεία ανάπτυξη δύο πηγών δεδομένων είτε μεμονωμένων είτε συνδυασμένων μεταξύ τους: Ανίχνευσης και εμβέλειας φωτός (LiDAR) και τεχνολογίες υπερφασματικής τηλεπισκόπησης. Οι αισθητήρες LiDAR είναι σε θέση να παράγουν ακριβείς πληροφορίες για την κατακόρυφη δομή της βλάστησης εντός των UGS χρησιμοποιώντας διακριτές επιστροφές και δεδομένα κυματομορφής. Οι υπερφασματικοί αισθητήρες διευκολύνουν την αναγνώριση ειδών βλάστησης εντός των UGS μέσω φασματοσκοπικής ανάλυσης. Η αυτόνομη ή συνδυασμένη χρήση του LiDAR και της υπερφασματικής ανίχνευσης έχει γίνει σημαντική σε πολλές πρακτικές μελέτες των UGS. Τρίτον, πριν από το 2008, το κόστος πρόσβασης σε εικόνες Landsat (μέτρια χωρική ανάλυση) είχε περιορίσει την ικανότητά μας να παρακολουθούμε UGS. Από το 2009, ωστόσο, όλες οι αρχειοθετημένες σκηνές Landsat έχουν γίνει διαθέσιμες σε όλους τους χρήστες χωρίς χρέωση μέσω πολλών ιστοσελίδων. Ο Ευρωπαϊκός Οργανισμός Διαστήματος έχει εφαρμόσει το πρόγραμμα Copernicus με μια πολιτική ελεύθερης και ανοιχτής πρόσβασης για εικόνες από τους δορυφόρους Sentinel από το 2015 (μέτριας χωρικής ανάλυσης οπτικά δεδομένα και δεδομένα ραντάρ) -ευεργετική σε πολλές μελέτες των UGS. Ένας επιπλέον λόγος για την αύξηση των μελετών που βασίζονται στην τηλεπισκόπηση των UGS ήταν οι εκκλήσεις διεθνών οργανισμών για πιο εκτεταμένες έρευνες των UGS τα τελευταία χρόνια. Για παράδειγμα, ο Παγκόσμιος Οργανισμός Υγείας (ΠΟΥ) έχει αφιερώσει μια ειδική έκθεση στα UGS που καταδεικνύει τα πολλαπλά οφέλη τους για τη δημόσια υγεία.<br /> * '''Χωρική ανάλυση:''' Το 38% των δημοσιευμένων μελετών χρησιμοποίησε εικόνες υψηλής χωρικής ανάλυσης, ακολουθούμενες από εικόνες μέσης χωρικής ανάλυσης (17%) και συνδυασμό εικόνων υψηλής και μέσης χωρικής ανάλυσης (9%). Τα αποτελέσματα αυτής της μελέτης έδειξαν ότι οι UGS μπορούν να ληφθούν με επιτυχία χρησιμοποιώντας εικόνες με χωρική ανάλυση μεταξύ 2 m και 16 m, με λιγότερο επιτυχή αποτελέσματα σε χαμηλότερες αναλύσεις. Επιπλέον, αξίζει να σημειωθεί ότι ορισμένες μελέτες χρησιμοποίησαν αισθητήρες υψηλής χωρικής ανάλυσης σε μη επανδρωμένα εναέρια οχήματα (UAV) και αεροσκάφη.<br /> * '''Φασματική ανάλυση:''' Η φασματική ανάλυση των οργάνων τηλεπισκόπησης μπορεί γενικά να χωριστεί σε δύο ομάδες: πολυφασματική και υπερφασματική. Τα πολυφασματικά συστήματα τείνουν να είναι ικανά να διακρίνουν τη βλάστηση εντός των αστικών περιοχών και να χαρτογραφούν τους UGS, ενώ οι υπερφασματικοί αισθητήρες συνήθως απαιτούνται για την αναγνώριση ειδών βλάστησης εντός των UGS. Παρά τη δυνητική αξία των υπερφασματικών αισθητήρων, παρατηρήθηκε ότι μόνο το 5% των μελετών έχουν χρησιμοποιήσει αυτούς τους αισθητήρες σε έρευνες UGS, ενώ οι υπόλοιπες βασίζονται στην πολυφασματική τηλεπισκόπηση κυρίως μέσης χωρικής ανάλυσης. Αυτό πιθανότατα οφείλεται στην περιορισμένη προσβασιμότητα σε υπερφασματικά δεδομένα που συλλέγονται από αερομεταφερόμενες πλατφόρμες και σε λίγους δορυφορικούς αισθητήρες που έχουν περιορισμένη χωρική κάλυψη και σχετικά υψηλό κόστος απόκτησης.<br /> * '''Χρόνος λήψης εικόνας:''' Ο χρόνος λήψης εικόνας είναι πολύ σημαντικός παράγοντας στην τηλεπισκόπηση των UGS λόγω των κύκλων της βλάστησης που προκαλούν αλλαγές στη βιοχημεία των φύλλων και στη δομή του θόλου της βλάστησης. Γενικά, το φθινόπωρο και η άνοιξη έχει βρεθεί ότι είναι οι καταλληλότερες εποχές για τη χαρτογράφηση των UGS και τον εντοπισμό ειδών βλάστησης. <br /> * '''LiDAR:''' Τα συστήματα ανίχνευσης και εμβέλειας φωτός προσφέρουν μία από τις πιο ακριβείς τεχνικές και μπορούν να μειώσουν την επίδραση της σκιάς, να μετρήσουν δομικά χαρακτηριστικά και βιοφυσικές παραμέτρους και να παρέχουν τρισδιάστατες πληροφορίες. Αρκετές μελέτες έχουν δείξει τα οφέλη του συνδυασμού του LiDAR με υπερφασματικά δεδομένα και εικόνες υψηλής χωρικής ανάλυσης.<br /> * '''SAR (Synthetic Aperture Radar):''' Οι αισθητήρες SAR ανιχνεύουν την επιφάνεια της Γης μέρα ή νύχτα και κάτω από όλες τις καιρικές συνθήκες. Τα μεταδιδόμενα σήματα μικροκυμάτων μπορούν επίσης να διεισδύσουν στους θόλους βλάστησης και στα επιφανειακά στρώματα του εδάφους, τα οποία μπορεί να είναι χρήσιμα σε ορισμένες αξιολογήσεις των UGS. Ωστόσο, παρά τα πλεονεκτήματα τους, βιβλιογραφικά είναι ελάχιστη η χρήση δεδομένων SAR σε μελέτες των UGS. Ως εκ τούτου, η χρήση δεδομένων SAR σε μελέτες των UGS φαίνεται να είναι πολύτιμη για μελλοντικές έρευνες, και στη δασοκομία.<br /> * '''Προϊόντα Google Earth - Google Street View:''' Μια σειρά μελετών (3,5 %) έχουν χρησιμοποιήσει προϊόντα Google Earth, συμπεριλαμβανομένου του Google Street View.<br /> * '''Google Earth Engine (GEE):''' Η Google Earth Engine (GEE), μια υπολογιστική πλατφόρμα γεωχωρικής επεξεργασίας που βασίζεται σε νέφη, προσφέρει δορυφορική επεξεργασία δεδομένων και ανάλυση γεωγραφικού συστήματος πληροφοριών (GIS) από τοπική έως παγκόσμια κλίμακα. <br /> * '''Προεπεξεργασία-ατμοσφαιρική διόρθωση:''' Η ποιότητα των δορυφορικών εικόνων συνήθως χρειάζεται να βελτιωθεί με τη χρήση αλγορίθμων διόρθωσης της ατμόσφαιρας. 38 από τις μελέτες χρησιμοποίησαν τεχνικές ατμοσφαιρικής διόρθωσης ως βήμα προεπεξεργασίας.<br /> * '''Απαιτήσεις χρηστών και αποδοτικότητα κόστους:''' Το βασικό σκεπτικό πίσω από τη χρήση εικόνων τηλεπισκόπησης σε μελέτες των UGS είναι η μείωση του κόστους που σχετίζεται με τις διαδικασίες συλλογής δεδομένων πεδίου. Αν και το κόστος των εικόνων τηλεπισκόπησης θα μπορούσε να αποτελέσει εμπόδιο για λεπτομερείς, μεγάλης κλίμακας και επαναλαμβανόμενες μετρήσεις των UGS, υποστηρίζεται ότι αντισταθμίζεται από την αξία που προκύπτει από τέτοιες εργασίες για τη βελτίωση των UGS και την παροχή πολλαπλών οφελών και υπηρεσιών.<br /> <br /> '''Αναλυτικές τεχνικές στην τηλεπισκόπηση των UGS'''<br /> <br /> Ο συνδυασμός των δυνατοτήτων διαφόρων αλγορίθμων σε ένα ενιαίο πλαίσιο τείνει να αυξήσει την απόδοση της τεχνικής. Σε αυτήν την έρευνα, η μέθοδος MTMF (mixture-tuned match filtering) χρησιμοποιήθηκε για την ανίχνευση ειδών ενώ η τμηματοποίηση πολλαπλής ανάλυσης χρησιμοποιήθηκε για τη διαφοροποίηση δασικών/μη δασικών και της λεκάνης απορροής για την οριοθέτηση στεφάνων δέντρων. Αυτή η μέθοδος διευκόλυνε τη σύνθεση πληροφοριών από LiDAR και υπερφασματικά δεδομένα. Ακόμη, πολλοί ερευνητές έχουν εφαρμόσει ανάλυση εικόνας βάσει αντικειμένων (OBIA, object-based image analysis) για τη χαρτογράφηση των UGS. Οι μέθοδοι κλασμάτων, επίσης, και η χαρτογράφηση αστικών χώρων πρασίνου σε επίπεδο κλασμάτων (επίπεδο υπο-pixel) παρέχει πληροφορίες για την πυκνότητα των περιοχών με βλάστηση στις αστικές περιοχές. Σε πληθώρα μελετών χρησιμοποιούνται δείκτες κάλυψης γης για τον χαρακτηρισμό των UGS από δορυφορικές εικόνες. Μεταξύ των δεικτών κάλυψης γης, ο δείκτης βλάστησης (NDVI) είναι ο πιο γνωστός και πιο ευρέως εφαρμοσμένος δείκτης για τη χαρτογράφηση των UGS.<br /> Κύριοι θεματικοί τομείς εφαρμογής για την τηλεπισκόπηση των UGS<br /> (α) Απογραφή και αξιολόγηση: Περιλαμβάνει μελέτες που αξιολογούν τις βιοφυσικές ιδιότητες των UGS, όπως ο δείκτης επιφάνειας των φύλλων, η υγεία της βλάστησης καθώς και τη γεωχωρική μοντελοποίηση. Οι υπόλοιπες μελέτες επικεντρώθηκαν σε άλλες πτυχές, όπως η μοντελοποίηση της φυλλικής περιοχής, η φαινολογία της βλάστησης, οι επιπτώσεις της αλατότητας και της ρύπανσης στην αστική βλάστηση και οι οικονομικές έρευνες.<br /> (β) Βιομάζα και άνθρακας: Τα δεδομένα τηλεπισκόπησης έχουν χρησιμοποιηθεί για την παρακολούθηση του άνθρακα και της βιομάζας εντός των UGS. Για παράδειγμα, καθιερώθηκαν μοντέλα μεταξύ των αποθεμάτων άνθρακα πάνω από το έδαφος σε UGS και αρκετών δεικτών βλάστησης.<br /> (γ) Ανίχνευση αλλαγών: Ορισμένες μελέτες έχουν χρησιμοποιήσει χωρική ανάλυση βασισμένη σε GIS για να ποσοτικοποιήσουν τις αλλαγές στους UGS εντός ομόκεντρων ζωνών προστασίας. <br /> (δ) Υπηρεσίες σχετικές με το αστικό οικοσύστημα: Βρέθηκαν τρεις μεγάλες ομάδες μελετών: μοντελοποίηση, έρευνα πολιτικής και ανάλυση μορφολογικού χωρικού προτύπου (MSPA). Η χαρτογράφηση για την παροχή υπηρεσιών οδικών δέντρων θα μπορούσε να βοηθήσει στην ιεράρχηση των περιοχών για νέα φύτευση, εντοπίζοντας δρόμους ή τμήματα τους με χαμηλή σκίαση. <br /> (ε) Συνολική χαρτογράφηση των UGS: Περιλαμβάνει μελέτες της χωρικής κατανομής των UGS που μπορεί να είναι σε κατηγορίες (δηλαδή UGS και μη UGS) ή κλασματικά (ποσοστό των UGS σε κάθε pixel). Η σημασία της δημιουργίας μιας βάσης δεδομένων για τη χωρική κατανομή και την αφθονία των UGS θα μπορούσε να διαδραματίσει σημαντικό ρόλο στην υποστήριξη των υφιστάμενων βιώσιμων αστικών κανονισμών και μπορεί να αναδειχθεί ως δείκτης του βαθμού αστικής ποιότητας. <br /> (στ) Χαρτογράφηση ειδών: Η επιστημονική κοινότητα και οι φορείς διαχείρισης αστικών περιοχών είναι πλέον σε θέση να προσδιορίζουν και να αναγνωρίζουν είδη βλάστησης (δέντρα και θάμνους) εντός των αστικών περιοχών με ακριβή και έγκαιρο τρόπο μέσω της τεχνολογίας τηλεπισκόπησης για την κατάλληλη διατήρησή τους και για την προστασία των UGS από χωροκατακτητικά είδη. <br /> (ζ) Τρισδιάστατη μοντελοποίηση: Αυτή η ομάδα μελετών καλύπτει την ανάλυση των κατακόρυφων χαρακτηριστικών των UGS και τη χρήση τέτοιων πληροφοριών για τη δημιουργία τρισδιάστατων μοντέλων. Τέτοιες μελέτες βασίζονται σε δεδομένα LiDAR και σε συνδυασμό εικόνων LiDAR και υψηλής χωρικής ανάλυσης. <br /> <br /> '''Συμπέρασμα'''<br /> <br /> Η παρακολούθηση του συνολικού μεγέθους, των τάσεων και των χωρικών προτύπων των UGS είναι κρίσιμη για τον αποτελεσματικό σχεδιασμό για τη βελτίωση των περιβαλλοντικών συνθηκών εντός των πόλεων και για τη βιώσιμη διαχείριση της αστικής βλάστησης. Η ανασκόπηση έδειξε ότι για την ανάλυση UGS, οι μελέτες έχουν χρησιμοποιήσει δεδομένα που αποτελούνται από δύο κύριες κατηγορίες. Πρώτον, δορυφορικές εικόνες σε μέτρια χωρική ανάλυση. Εδώ, αισθητήρες όπως ο Landsat και ο Sentinel (οπτικοί αισθητήρες) έχουν συμβάλει σημαντικά στις δυνατότητες στη συνολική χαρτογράφηση των UGS και στην ανίχνευση αλλαγών χρησιμοποιώντας αρχεία χρονοσειρών. Τέτοια δεδομένα προσφέρουν τα πλεονεκτήματα της απαίτησης λιγότερο περίπλοκων τεχνικών επεξεργασίας εικόνας και της ελεύθερης πρόσβασης. Ωστόσο, η χωρική ανάλυση αυτών των αισθητήρων εμποδίζει τη διαδικασία ανίχνευσης χαρακτηριστικών λεπτής κλίμακας των UGS σε πολύπλοκες αστικές περιοχές. Αντίθετα, αισθητήρες με υψηλή και εξαιρετικά υψηλή χωρική ανάλυση (π.χ. IKONOS) έχουν προσφέρει πληροφορίες λεπτής κλίμακας (π.χ. ανιχνεύσεις δέντρων αστικών δρόμων, παρακολουθώντας τις ανεπαίσθητες αλλαγές στους USGs). <br /> Ένας αριθμός μελετών χρησιμοποίησε LiDAR, υπερφασματικές και άλλες πηγές δεδομένων προκειμένου να προσδιοριστούν συγκεκριμένα χαρακτηριστικά των UGS. Τα δεδομένα LiDAR, οι εικόνες εξαιρετικά υψηλής χωρικής ανάλυσης, τα υπερφασματικά δεδομένα και τα προϊόντα Google Earth παρέχουν ένα φάσμα χρήσιμων πληροφοριών είτε μεμονωμένα ή σε συνδυασμό. Οι τεχνικές που χρησιμοποιούνται περιλαμβάνουν υβριδικές προσεγγίσεις, κλασματική ανάλυση, δείκτες κάλυψης γης, ταξινόμηση ανά pixel, δειγματοληψία σημείων, οπτική ερμηνεία και ανάλυση προϋπαρχόντων χαρτών. Η ανασκόπηση ανέλαβε επίσης σε βάθος ανάλυση των προσεγγίσεων επεξεργασίας εικόνας που χρησιμοποιούνται για την εξαγωγή πληροφοριών σχετικά με τους UGS. <br /> <br /> '''Συντομογραφίες'''<br /> <br /> *UGS: Urban Green Spaces, Αστικοί χώροι πρασίνου <br /> *LiDAR: Light Detection and Ranging, Ανίχνευση και εμβέλεια φωτός <br /> *UAV: Unmanned aerial vehicles, Μη επανδρωμένα εναέρια οχήματα <br /> *SAR: Synthetic Aperture Radar<br /> *GEE: Google Earth Engine <br /> *MTMF: Mixture-tuned match filtering<br /> *OBIA: Object-based image analysis<br /> *NDVI: Normalized Difference Vegetation Index<br /> *MSPA: Μorphological spatial pattern analysis</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CF%87%CF%8E%CF%81%CF%89%CE%BD_%CF%80%CF%81%CE%B1%CF%83%CE%AF%CE%BD%CE%BF%CF%85:_%CE%91%CE%BD%CE%B1%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7 2022-03-17T20:22:30Z

<p>Sofia Gkretsi: Νέα σελίδα με 'Add Your Content Here category:Αστικός και περιφερειακός σχεδιασμός '''Τηλεπισκόπηση αστικών χώρων πρα...'</p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Αστικός και περιφερειακός σχεδιασμός]]<br /> <br /> '''Τηλεπισκόπηση αστικών χώρων πρασίνου: Ανασκόπηση'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Remote sensing of urban green spaces: A review<br /> <br /> '''Συγγραφείς:''' Amir Reza Shahtahmassebi, Chenlu Li, Yifan Fan, Yani Wu, Yue lin, Muye Gan, Ke Wang, Arunima Malik, George Alan Blackburn<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2021 (Urban Forestry &amp; Urban Greening)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.ufug.2020.126946<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Οι αστικοί χώροι πρασίνου (UGS, urban green spaces) διαδραματίζουν σπουδαίο ρόλο στην υγεία, την ευεξία και τα αισθητικά οφέλη στους κατοίκους των πόλεων, καθώς επίσης και σε μια σειρά περιβαλλοντικών προβλημάτων στις πόλεις, όπως είναι η αυξανόμενη ατμοσφαιρική ρύπανση και οι κλιματικές διαταραχές. Ως UGS ορίζονται όλα τα φυσικά, ημιφυσικά και τεχνητά συστήματα εντός, γύρω και μεταξύ αστικών περιοχών κάθε χωρικής κλίμακας. Μπορούν να χωριστούν ευρέως σε δύο κατηγορίες: (α) μεσαίας έως μεγάλης κλίμακας όπως πάρκα και αστικά δάση και (β) μικρής κλίμακας όπως κήποι ή χώροι πρασίνου ιδιωτικών κατοικιών και διάσπαρτα κομμάτια δέντρων. Οι περισσότερες μελέτες έχουν επικεντρωθεί σε UGS (κυρίως δέντρα) που καλύπτουν μεγάλες εκτάσεις, ενώ λιγότερες είναι οι μελέτες σχετικές με τους UGS μικρής κλίμακας, οι οποίες παρόλο που καταλαμβάνουν μια περιορισμένη περιοχή, όταν ληφθούν υπόψη στο σύνολό τους, μπορούν να αντιπροσωπεύουν ένα σημαντικό μέρος του αστικού χώρου. Έτσι, υπάρχει έντονη ανάγκη για προστασία και βελτίωση των υπαρχόντων UGS, και ταυτόχρονα ανάπτυξη νέων αστικών πράσινων υποδομών. Επομένως, η γνώση των χαρακτηριστικών των UGS (αφθονία, χωρική κατανομή και σύνθεση των ειδών) και τα δεδομένα είναι ζωτικής σημασίας για μια σειρά ζητημάτων στον πολεοδομικό σχεδιασμό, τη διαχείριση και τη δημόσια υγεία.<br /> Έχουν χρησιμοποιηθεί διάφορες προσεγγίσεις για τη συλλογή πληροφοριών σχετικά με τους UGS. Οι έρευνες στο πεδίο μπορούν να προσφέρουν ακριβείς πληροφορίες για τους UGS, αλλά είναι δαπανηρές και χρονοβόρες. Αν και η οπτική ερμηνεία και η χειροκίνητη ψηφιοποίηση από έντυπους χάρτες ή αεροφωτογραφίες είναι από τις πιο ακριβείς τεχνικές, μπορεί να είναι αρκετά υποκειμενικές και δύσκολο να αναπαραχθούν, οδηγώντας σε ασυνεπή αποτελέσματα. Τις τελευταίες δεκαετίες, οι τεχνολογίες τηλεπισκόπησης έχουν καταλάβει σημαντική θέση στη μελέτη και ανάλυση των UGS καθώς μπορούν να δημιουργήσουν επαναλαμβανόμενη και πλήρη κάλυψη σε διαφορετικές χωρικές κλίμακες και για διαφορετικές εποχές. Με βάση τις πρόσφατες εξελίξεις, όπως πολιτικές πρόσβασης χωρίς χρέωση δεδομένων και εικόνες υψηλής χωρικής ανάλυσης, η τηλεπισκόπηση παρέχει ένα πολύτιμο σύνολο εργαλείων που μπορούν να ελαχιστοποιήσουν την ανάγκη για έρευνα στο πεδίο, ακόμη και σε εξαιρετικά ετερογενή και πολύπλοκα αστικά περιβάλλοντα, παρέχοντας τη δυνατότητα εξαγωγής πληροφοριών για τους UGS με ακρίβεια (π.χ. ανίχνευση τοποθεσίας, αναγνώριση ειδών κάλυψης βλάστησης και εκτίμηση κλάσματος UGS), γρήγορα και με ελάχιστο κόστος. Η τηλεπισκόπηση έχει αποδειχθεί αποτελεσματική για τη χαρτογράφηση και ανίχνευση ειδών δέντρων που βρίσκονται στο δρόμο, καθώς και για την αξιολόγηση της υγείας της βλάστησης εντός UGSs. <br /> Σε αυτή την ανασκόπηση, εξετάζονται λεπτομερώς οι προσεγγίσεις τηλεπισκόπησης για τον χαρακτηρισμό των UGS και αξιολογείται η αποτελεσματικότητα διαφορετικών συστημάτων τηλεπισκόπησης και αναλυτικών τεχνικών. <br /> <br /> '''Υλικά - Μέθοδοι'''<br /> <br /> Αρχικά, πραγματοποιήθηκε αναζήτηση σε διάφορες σχετικές ιστοσελίδες με λέξεις-κλειδιά από το 1982 μέχρι και το 2019 και στη συνέχεια από 1500 άρθρα επιλέχθηκαν με διάφορα κριτήρια τα 159. Οι θεματικοί τομείς εφαρμογής που εξήχθησαν ήταν οι εξής: Απογραφή και αξιολόγηση, Βιομάζα και άνθρακας, Ανίχνευση αλλαγών, Υπηρεσίες σχετικές με το οικοσύστημα, Συνολική χαρτογράφηση των UGS, Χαρτογράφηση ειδών και Τρισδιάστατη μοντελοποίηση, όπως περιγράφονται και πιο αναλυτικά στα αποτελέσματα. Τέλος, πραγματοποιήθηκε στατιστική ανάλυση και παρουσίαση των αποτελεσμάτων.<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Πρώτον, η αυξημένη διαθεσιμότητα τεχνολογίας τηλεπισκόπησης υψηλής χωρικής ανάλυσης κατέστησε δυνατή την παρακολούθηση ακριβής κλίμακας των UGS. Επιπλέον, εικόνες υψηλής χωρικής ανάλυσης έχουν γίνει διαθέσιμες σε παγκόσμια κλίμακα μέσω του Google Earth, με τη μορφή διαφορετικών προϊόντων, όπως αεροφωτογραφίες, δορυφορικές εικόνες και προβολές δρόμων. Δεύτερον, έχει υπάρξει μια ολοένα και πιο ευρεία ανάπτυξη δύο πηγών δεδομένων είτε μεμονωμένων είτε συνδυασμένων μεταξύ τους: Ανίχνευσης και εμβέλειας φωτός (LiDAR) και τεχνολογίες υπερφασματικής τηλεπισκόπησης. Οι αισθητήρες LiDAR είναι σε θέση να παράγουν ακριβείς πληροφορίες για την κατακόρυφη δομή της βλάστησης εντός των UGS χρησιμοποιώντας διακριτές επιστροφές και δεδομένα κυματομορφής. Οι υπερφασματικοί αισθητήρες διευκολύνουν την αναγνώριση ειδών βλάστησης εντός των UGS μέσω φασματοσκοπικής ανάλυσης. Η αυτόνομη ή συνδυασμένη χρήση του LiDAR και της υπερφασματικής ανίχνευσης έχει γίνει σημαντική σε πολλές πρακτικές μελέτες των UGS. Τρίτον, πριν από το 2008, το κόστος πρόσβασης σε εικόνες Landsat (μέτρια χωρική ανάλυση) είχε περιορίσει την ικανότητά μας να παρακολουθούμε UGS. Από το 2009, ωστόσο, όλες οι αρχειοθετημένες σκηνές Landsat έχουν γίνει διαθέσιμες σε όλους τους χρήστες χωρίς χρέωση μέσω πολλών ιστοσελίδων. Ο Ευρωπαϊκός Οργανισμός Διαστήματος έχει εφαρμόσει το πρόγραμμα Copernicus με μια πολιτική ελεύθερης και ανοιχτής πρόσβασης για εικόνες από τους δορυφόρους Sentinel από το 2015 (μέτριας χωρικής ανάλυσης οπτικά δεδομένα και δεδομένα ραντάρ) -ευεργετική σε πολλές μελέτες των UGS. Ένας επιπλέον λόγος για την αύξηση των μελετών που βασίζονται στην τηλεπισκόπηση των UGS ήταν οι εκκλήσεις διεθνών οργανισμών για πιο εκτεταμένες έρευνες των UGS τα τελευταία χρόνια. Για παράδειγμα, ο Παγκόσμιος Οργανισμός Υγείας (ΠΟΥ) έχει αφιερώσει μια ειδική έκθεση στα UGS που καταδεικνύει τα πολλαπλά οφέλη τους για τη δημόσια υγεία.<br /> * Χωρική ανάλυση: Το 38% των δημοσιευμένων μελετών χρησιμοποίησε εικόνες υψηλής χωρικής ανάλυσης, ακολουθούμενες από εικόνες μέσης χωρικής ανάλυσης (17%) και συνδυασμό εικόνων υψηλής και μέσης χωρικής ανάλυσης (9%). Τα αποτελέσματα αυτής της μελέτης έδειξαν ότι οι UGS μπορούν να ληφθούν με επιτυχία χρησιμοποιώντας εικόνες με χωρική ανάλυση μεταξύ 2 m και 16 m, με λιγότερο επιτυχή αποτελέσματα σε χαμηλότερες αναλύσεις. Επιπλέον, αξίζει να σημειωθεί ότι ορισμένες μελέτες χρησιμοποίησαν αισθητήρες υψηλής χωρικής ανάλυσης σε μη επανδρωμένα εναέρια οχήματα (UAV) και αεροσκάφη.<br /> * Φασματική ανάλυση: Η φασματική ανάλυση των οργάνων τηλεπισκόπησης μπορεί γενικά να χωριστεί σε δύο ομάδες: πολυφασματική και υπερφασματική. Τα πολυφασματικά συστήματα τείνουν να είναι ικανά να διακρίνουν τη βλάστηση εντός των αστικών περιοχών και να χαρτογραφούν τους UGS, ενώ οι υπερφασματικοί αισθητήρες συνήθως απαιτούνται για την αναγνώριση ειδών βλάστησης εντός των UGS. Παρά τη δυνητική αξία των υπερφασματικών αισθητήρων, παρατηρήθηκε ότι μόνο το 5% των μελετών έχουν χρησιμοποιήσει αυτούς τους αισθητήρες σε έρευνες UGS, ενώ οι υπόλοιπες βασίζονται στην πολυφασματική τηλεπισκόπηση κυρίως μέσης χωρικής ανάλυσης. Αυτό πιθανότατα οφείλεται στην περιορισμένη προσβασιμότητα σε υπερφασματικά δεδομένα που συλλέγονται από αερομεταφερόμενες πλατφόρμες και σε λίγους δορυφορικούς αισθητήρες που έχουν περιορισμένη χωρική κάλυψη και σχετικά υψηλό κόστος απόκτησης.<br /> * Χρόνος λήψης εικόνας: Ο χρόνος λήψης εικόνας είναι πολύ σημαντικός παράγοντας στην τηλεπισκόπηση των UGS λόγω των κύκλων της βλάστησης που προκαλούν αλλαγές στη βιοχημεία των φύλλων και στη δομή του θόλου της βλάστησης. Γενικά, το φθινόπωρο και η άνοιξη έχει βρεθεί ότι είναι οι καταλληλότερες εποχές για τη χαρτογράφηση των UGS και τον εντοπισμό ειδών βλάστησης. <br /> * LiDAR: Τα συστήματα ανίχνευσης και εμβέλειας φωτός προσφέρουν μία από τις πιο ακριβείς τεχνικές και μπορούν να μειώσουν την επίδραση της σκιάς, να μετρήσουν δομικά χαρακτηριστικά και βιοφυσικές παραμέτρους και να παρέχουν τρισδιάστατες πληροφορίες. Αρκετές μελέτες έχουν δείξει τα οφέλη του συνδυασμού του LiDAR με υπερφασματικά δεδομένα και εικόνες υψηλής χωρικής ανάλυσης.<br /> * SAR (Synthetic Aperture Radar): Οι αισθητήρες SAR ανιχνεύουν την επιφάνεια της Γης μέρα ή νύχτα και κάτω από όλες τις καιρικές συνθήκες. Τα μεταδιδόμενα σήματα μικροκυμάτων μπορούν επίσης να διεισδύσουν στους θόλους βλάστησης και στα επιφανειακά στρώματα του εδάφους, τα οποία μπορεί να είναι χρήσιμα σε ορισμένες αξιολογήσεις των UGS. Ωστόσο, παρά τα πλεονεκτήματα τους, βιβλιογραφικά είναι ελάχιστη η χρήση δεδομένων SAR σε μελέτες των UGS. Ως εκ τούτου, η χρήση δεδομένων SAR σε μελέτες των UGS φαίνεται να είναι πολύτιμη για μελλοντικές έρευνες, και στη δασοκομία.<br /> * Προϊόντα Google Earth - Google Street View: Μια σειρά μελετών (3,5 %) έχουν χρησιμοποιήσει προϊόντα Google Earth, συμπεριλαμβανομένου του Google Street View.<br /> * Google Earth Engine (GEE): Η Google Earth Engine (GEE), μια υπολογιστική πλατφόρμα γεωχωρικής επεξεργασίας που βασίζεται σε νέφη, προσφέρει δορυφορική επεξεργασία δεδομένων και ανάλυση γεωγραφικού συστήματος πληροφοριών (GIS) από τοπική έως παγκόσμια κλίμακα. <br /> * Προεπεξεργασία-ατμοσφαιρική διόρθωση: Η ποιότητα των δορυφορικών εικόνων συνήθως χρειάζεται να βελτιωθεί με τη χρήση αλγορίθμων διόρθωσης της ατμόσφαιρας. 38 από τις μελέτες χρησιμοποίησαν τεχνικές ατμοσφαιρικής διόρθωσης ως βήμα προεπεξεργασίας.<br /> * Απαιτήσεις χρηστών και αποδοτικότητα κόστους: Το βασικό σκεπτικό πίσω από τη χρήση εικόνων τηλεπισκόπησης σε μελέτες των UGS είναι η μείωση του κόστους που σχετίζεται με τις διαδικασίες συλλογής δεδομένων πεδίου. Αν και το κόστος των εικόνων τηλεπισκόπησης θα μπορούσε να αποτελέσει εμπόδιο για λεπτομερείς, μεγάλης κλίμακας και επαναλαμβανόμενες μετρήσεις των UGS, υποστηρίζεται ότι αντισταθμίζεται από την αξία που προκύπτει από τέτοιες εργασίες για τη βελτίωση των UGS και την παροχή πολλαπλών οφελών και υπηρεσιών.<br /> <br /> '''Αναλυτικές τεχνικές στην τηλεπισκόπηση των UGS'''<br /> <br /> Ο συνδυασμός των δυνατοτήτων διαφόρων αλγορίθμων σε ένα ενιαίο πλαίσιο τείνει να αυξήσει την απόδοση της τεχνικής. Σε αυτήν την έρευνα, η μέθοδος MTMF (mixture-tuned match filtering) χρησιμοποιήθηκε για την ανίχνευση ειδών ενώ η τμηματοποίηση πολλαπλής ανάλυσης χρησιμοποιήθηκε για τη διαφοροποίηση δασικών/μη δασικών και της λεκάνης απορροής για την οριοθέτηση στεφάνων δέντρων. Αυτή η μέθοδος διευκόλυνε τη σύνθεση πληροφοριών από LiDAR και υπερφασματικά δεδομένα. Ακόμη, πολλοί ερευνητές έχουν εφαρμόσει ανάλυση εικόνας βάσει αντικειμένων (OBIA, object-based image analysis) για τη χαρτογράφηση των UGS. Οι μέθοδοι κλασμάτων, επίσης, και η χαρτογράφηση αστικών χώρων πρασίνου σε επίπεδο κλασμάτων (επίπεδο υπο-pixel) παρέχει πληροφορίες για την πυκνότητα των περιοχών με βλάστηση στις αστικές περιοχές. Σε πληθώρα μελετών χρησιμοποιούνται δείκτες κάλυψης γης για τον χαρακτηρισμό των UGS από δορυφορικές εικόνες. Μεταξύ των δεικτών κάλυψης γης, ο δείκτης βλάστησης (NDVI) είναι ο πιο γνωστός και πιο ευρέως εφαρμοσμένος δείκτης για τη χαρτογράφηση των UGS.<br /> Κύριοι θεματικοί τομείς εφαρμογής για την τηλεπισκόπηση των UGS<br /> (α) Απογραφή και αξιολόγηση: Περιλαμβάνει μελέτες που αξιολογούν τις βιοφυσικές ιδιότητες των UGS, όπως ο δείκτης επιφάνειας των φύλλων, η υγεία της βλάστησης καθώς και τη γεωχωρική μοντελοποίηση. Οι υπόλοιπες μελέτες επικεντρώθηκαν σε άλλες πτυχές, όπως η μοντελοποίηση της φυλλικής περιοχής, η φαινολογία της βλάστησης, οι επιπτώσεις της αλατότητας και της ρύπανσης στην αστική βλάστηση και οι οικονομικές έρευνες.<br /> (β) Βιομάζα και άνθρακας: Τα δεδομένα τηλεπισκόπησης έχουν χρησιμοποιηθεί για την παρακολούθηση του άνθρακα και της βιομάζας εντός των UGS. Για παράδειγμα, καθιερώθηκαν μοντέλα μεταξύ των αποθεμάτων άνθρακα πάνω από το έδαφος σε UGS και αρκετών δεικτών βλάστησης.<br /> (γ) Ανίχνευση αλλαγών: Ορισμένες μελέτες έχουν χρησιμοποιήσει χωρική ανάλυση βασισμένη σε GIS για να ποσοτικοποιήσουν τις αλλαγές στους UGS εντός ομόκεντρων ζωνών προστασίας. <br /> (δ) Υπηρεσίες σχετικές με το αστικό οικοσύστημα: Βρέθηκαν τρεις μεγάλες ομάδες μελετών: μοντελοποίηση, έρευνα πολιτικής και ανάλυση μορφολογικού χωρικού προτύπου (MSPA). Η χαρτογράφηση για την παροχή υπηρεσιών οδικών δέντρων θα μπορούσε να βοηθήσει στην ιεράρχηση των περιοχών για νέα φύτευση, εντοπίζοντας δρόμους ή τμήματα τους με χαμηλή σκίαση. <br /> (ε) Συνολική χαρτογράφηση των UGS: Περιλαμβάνει μελέτες της χωρικής κατανομής των UGS που μπορεί να είναι σε κατηγορίες (δηλαδή UGS και μη UGS) ή κλασματικά (ποσοστό των UGS σε κάθε pixel). Η σημασία της δημιουργίας μιας βάσης δεδομένων για τη χωρική κατανομή και την αφθονία των UGS θα μπορούσε να διαδραματίσει σημαντικό ρόλο στην υποστήριξη των υφιστάμενων βιώσιμων αστικών κανονισμών και μπορεί να αναδειχθεί ως δείκτης του βαθμού αστικής ποιότητας. <br /> (στ) Χαρτογράφηση ειδών: Η επιστημονική κοινότητα και οι φορείς διαχείρισης αστικών περιοχών είναι πλέον σε θέση να προσδιορίζουν και να αναγνωρίζουν είδη βλάστησης (δέντρα και θάμνους) εντός των αστικών περιοχών με ακριβή και έγκαιρο τρόπο μέσω της τεχνολογίας τηλεπισκόπησης για την κατάλληλη διατήρησή τους και για την προστασία των UGS από χωροκατακτητικά είδη. <br /> (ζ) Τρισδιάστατη μοντελοποίηση: Αυτή η ομάδα μελετών καλύπτει την ανάλυση των κατακόρυφων χαρακτηριστικών των UGS και τη χρήση τέτοιων πληροφοριών για τη δημιουργία τρισδιάστατων μοντέλων. Τέτοιες μελέτες βασίζονται σε δεδομένα LiDAR και σε συνδυασμό εικόνων LiDAR και υψηλής χωρικής ανάλυσης. <br /> <br /> '''Συμπέρασμα'''<br /> <br /> Η παρακολούθηση του συνολικού μεγέθους, των τάσεων και των χωρικών προτύπων των UGS είναι κρίσιμη για τον αποτελεσματικό σχεδιασμό για τη βελτίωση των περιβαλλοντικών συνθηκών εντός των πόλεων και για τη βιώσιμη διαχείριση της αστικής βλάστησης. Η ανασκόπηση έδειξε ότι για την ανάλυση UGS, οι μελέτες έχουν χρησιμοποιήσει δεδομένα που αποτελούνται από δύο κύριες κατηγορίες. Πρώτον, δορυφορικές εικόνες σε μέτρια χωρική ανάλυση. Εδώ, αισθητήρες όπως ο Landsat και ο Sentinel (οπτικοί αισθητήρες) έχουν συμβάλει σημαντικά στις δυνατότητες στη συνολική χαρτογράφηση των UGS και στην ανίχνευση αλλαγών χρησιμοποιώντας αρχεία χρονοσειρών. Τέτοια δεδομένα προσφέρουν τα πλεονεκτήματα της απαίτησης λιγότερο περίπλοκων τεχνικών επεξεργασίας εικόνας και της ελεύθερης πρόσβασης. Ωστόσο, η χωρική ανάλυση αυτών των αισθητήρων εμποδίζει τη διαδικασία ανίχνευσης χαρακτηριστικών λεπτής κλίμακας των UGS σε πολύπλοκες αστικές περιοχές. Αντίθετα, αισθητήρες με υψηλή και εξαιρετικά υψηλή χωρική ανάλυση (π.χ. IKONOS) έχουν προσφέρει πληροφορίες λεπτής κλίμακας (π.χ. ανιχνεύσεις δέντρων αστικών δρόμων, παρακολουθώντας τις ανεπαίσθητες αλλαγές στους USGs). <br /> Ένας αριθμός μελετών χρησιμοποίησε LiDAR, υπερφασματικές και άλλες πηγές δεδομένων προκειμένου να προσδιοριστούν συγκεκριμένα χαρακτηριστικά των UGS. Τα δεδομένα LiDAR, οι εικόνες εξαιρετικά υψηλής χωρικής ανάλυσης, τα υπερφασματικά δεδομένα και τα προϊόντα Google Earth παρέχουν ένα φάσμα χρήσιμων πληροφοριών είτε μεμονωμένα ή σε συνδυασμό. Οι τεχνικές που χρησιμοποιούνται περιλαμβάνουν υβριδικές προσεγγίσεις, κλασματική ανάλυση, δείκτες κάλυψης γης, ταξινόμηση ανά pixel, δειγματοληψία σημείων, οπτική ερμηνεία και ανάλυση προϋπαρχόντων χαρτών. Η ανασκόπηση ανέλαβε επίσης σε βάθος ανάλυση των προσεγγίσεων επεξεργασίας εικόνας που χρησιμοποιούνται για την εξαγωγή πληροφοριών σχετικά με τους UGS. <br /> <br /> '''Συντομογραφίες'''<br /> <br /> *UGS: Urban Green Spaces, Αστικοί χώροι πρασίνου <br /> *LiDAR: Light Detection and Ranging, Ανίχνευση και εμβέλεια φωτός <br /> *UAV: Unmanned aerial vehicles, Μη επανδρωμένα εναέρια οχήματα <br /> *SAR: Synthetic Aperture Radar<br /> *GEE: Google Earth Engine <br /> *MTMF: Mixture-tuned match filtering<br /> *OBIA: Object-based image analysis<br /> *NDVI: Normalized Difference Vegetation Index<br /> *MSPA: Μorphological spatial pattern analysis</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:4.SOFIAGKRETSI1.PNG 2022-03-17T20:15:39Z

<p>Sofia Gkretsi: ανέβασμα νέας έκδοσης του &amp;quot;Αρχείο:4.SOFIAGKRETSI1.PNG&amp;quot;</p> <hr /> <div></div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%80%CE%B5%CF%81%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AE_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B9%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CE%B8%CF%81%CE%B5%CF%80%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%84%CE%BF%CE%B9%CF%87%CE%B5%CE%AF%CF%89%CE%BD_%CF%83%CF%84%CE%BF_%CF%86%CF%8D%CE%BB%CE%BB%CF%89%CE%BC%CE%B1_%CF%83%CF%84%CE%B7_%CE%B4%CE%B1%CF%83%CE%BF%CF%80%CE%BF%CE%BD%CE%AF%CE%B1 2022-03-17T20:14:08Z

<p>Sofia Gkretsi: </p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Δασοπονία, Δασική διαχείριση]]<br /> <br /> '''Υπερφασματική τηλεπισκόπιση για την ανίχνευση θρεπτικών στοιχείων στο φύλλωμα στη δασοπονία: Μια προοπτική στο εγγύς υπέρυθρο'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Hyperspectral remote sensing for foliar nutrient detection in forestry: A near-infrared perspective<br /> <br /> '''Συγγραφείς:''' L. Singh, O. Mutanga, P. Mafongoya, K. Peerbhay, J. Crous<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2022 (Remote Sensing Applications: Society and Environment)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.rsase.2021.100676<br /> <br /> [[Αρχείο:4.SOFIAGKRETSI1.PNG|200px|thumb|right|'''Εικόνα 1.''' Σχηματικό διάγραμμα ροής που δείχνει τη διαδικασία ανίχνευσης θρεπτικών ουσιών με τη χρήση συσκευής υπερφασματικού φασματοφωτόμετρου.]]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η εντατική διαχείριση των δασικών φυτειών έχει εξελιχθεί σημαντικά για να καλύψει την παγκόσμια προσφορά και ζήτηση σε δασικά προϊόντα. Σε επίπεδο φυτωρίου, τα δέντρα λαμβάνουν θρεπτικά στοιχεία ώστε να δημιουργήσουν αποθέματα κατά την επακόλουθη φύτευσή τους στο πεδίο- χωράφι για τη μεγιστοποίηση της ριζοβολίας και της παραγωγής των βλαστών και τα μεταφέρουν στα φύλλα ως μηχανισμό διατήρησης. Η έλλειψη θρεπτικών ουσιών πλήττει τη φυτική παραγωγή, μειώνοντας σημαντικά την παραγωγή και την παραγωγικότητα των βιομηχανικών φυτειών και θα μπορούσε να αφήσει τα φυτά εκτεθειμένα στην εισβολή παρασίτων και ασθενειών. Παράλληλα, η υπερλίπανση είναι δυνατό να οδηγήσει σε τοξικότητα. <br /> Η έγκαιρη αξιολόγηση και η ακριβής διάγνωση της κατάστασης των θρεπτικών στοιχείων των φυτών κατά τα πρώιμα στάδια της ανάπτυξης είναι κρίσιμη για τη διατήρηση των βέλτιστων επιπέδων θρέψης βλαστών και ριζοβολίας. Επιπλέον, οι ελλείψεις σε θρεπτικές ουσίες δεν μπορούν να παρατηρηθούν οπτικά και να ερμηνευθούν μόνο με γυμνό μάτι, προκαλώντας σφάλματα στη διάγνωση. Ακόμη, το γεγονός πως δεν είναι όλα τα δέντρα ομοιογενή συνεπάγεται ακανόνιστες συγκεντρώσεις των θρεπτικών ουσιών. Οι παραδοσιακές μέθοδοι αξιολόγησης αυτών καθίστανται ανεπαρκείς σε υψηλές απαιτήσεις όταν εξετάζονται μεγάλα μεγέθη δειγμάτων. Η εισαγωγή δεδομένων τηλεπισκόπησης, και ειδικά η φασματοσκοπία εγγύς υπέρυθρου (NIRS, near-infrared spectroscopy), μπορεί να προσφέρει σχεδόν στιγμιαία αποτελέσματα για την πρακτική δασοκομικής ακριβείας μεγάλης κλίμακας. Την τελευταία δεκαετία, η NIRS (τύπος φασματοσκοπίας δονήσεων υψηλής ενέργειας, στην περιοχή μήκους κύματος 750 nm–2500 nm) ως μια ταχεία, μη-καταστροφική τεχνική έχει συμβάλει σημαντικά στην αξιολόγηση της βλάστησης και συγκεκριμένα στην ανίχνευση θρεπτικών συστατικών του φυλλώματος των δέντρων σε δασικές περιοχές. <br /> Η παρούσα ανασκόπηση εξετάζει μια δεκαετία (2010-2020) έρευνας, συνοψίζοντας τεχνικές του παρελθόντος και του παρόντος και παρέχει πληροφορίες σχετικά με: (1) την υπερφασματική τηλεπισκόπηση (NIRS) και τη σχέση της με τα φυσιολογικά χαρακτηριστικά των φυτών, (2) την επίδραση του φασματικού θορύβου σε δεδομένα υψηλών διαστάσεων και (3) τις στρατηγικές τεχνικές/ μεθόδους προεπεξεργασίας δεδομένων και στατιστικής μοντελοποίησης που χρησιμοποιούν τεχνολογία εγγύς υπέρυθρης ακτινοβολίας. <br /> Η τεχνολογία αυτή παρέχει αρκετά ακριβή αποτελέσματα που μειώνουν τον φασματικό θόρυβο. Τα μεγέθη των δειγμάτων, οι λανθάνουσες μεταβλητές και η περιεκτικότητα των φύλλων σε νερό ήταν οι κύριοι παράγοντες που καθόρισαν τα επιτυχή αποτελέσματα. Η θέση δειγματοληψίας για την απόκτηση ενός αντιπροσωπευτικού δείγματος αποτελεί αναπόσπαστο μέρος του ακριβέστερου προσδιορισμού της περιεκτικότητας σε θρεπτικά συστατικά. Για παράδειγμα, μελέτες έχουν αναφέρει ασυνεπείς φασματικές τιμές σε δείγμα στην επάνω επιφάνεια σε σύγκριση με την κάτω επιφάνεια του ίδιου φύλλου. Οι περιορισμοί που παρουσιάστηκαν παρακινούν τη μελλοντική έρευνα για την κατανόηση των επιδράσεων των οπτικών ιδιοτήτων του κεριού που καλύπτει την εξωτερική επιφάνεια της επιδερμίδας (epicuticle wax), καθώς και των τριχιδίων στα φύλλα (trichomes on leaf). <br /> <br /> '''Φασματονομία: “Spectranomics”'''<br /> <br /> Η &quot;Spectranomics&quot; είναι μια νέα, αναπτυσσόμενη έννοια που διερευνά τη σχέση μεταξύ των ειδών των φυτών και των λειτουργικών χαρακτηριστικών τους με τις φασματο-οπτικές ιδιότητές τους. Οι Asner και Martin (2009) συνδύασαν χημικά στοιχεία (N, P, Chl-a, Chl-b) και φασματική τηλεπισκόπηση για τη χαρτογράφηση της ποικιλομορφίας ενός φυτικού θόλου. Αναπτύχθηκαν μέθοδοι με χρήση ενός συνδυασμού τεχνικών μοντελοποίησης μεταφοράς ακτινοβολίας, θορύβου υψηλής συχνότητας και του αλγορίθμου μερικής παλινδρόμησης ελαχίστων τετραγώνων PLSR (partial least squares regression), με φασματικό εύρος 400 nm–2500 nm. Η PLSR είναι μια αποτελεσματική μέθοδος εκτίμησης της περιεκτικότητας σε θρεπτικά συστατικά των φυτών. Επιπλέον, εξετάστηκε η έννοια της ανάκτησης χαρακτηριστικών του φυλλώματος (μάζα φύλλων ανά περιοχή (Leaf mass per area, LMA)) και χημικών δεδομένων (P, Ca, K, Mg, B, Fe) χρησιμοποιώντας δεδομένα φασματοσκοπίας απεικόνισης (Carnegie Airborne Observatory, CAO) (350 nm–2510 nm) που συνδυάστηκαν με μετρήσεις φωτός LiDAR. Οι μελέτες σε συγκεκριμένες περιοχές και θρεπτικά συστατικά για ένα είδος δέντρου είναι πιθανό να μην παράγουν επιτυχημένα μοντέλα τηλεπισκόπησης σε σύγκριση με μελέτες σε μια μεγάλη γεωγραφική περιοχή.<br /> Στη συνέχεια, περιγράφονται συνοπτικά (α) οι προκλήσεις της αντιμετώπισης του φασματικού θορύβου στα υπερφασματικά δεδομένα NIR, (β) οι στρατηγικές μεθοδολογίες για τη μείωση του φασματικού θορύβου και (γ) διερευνώνται οι επιδράσεις της περιεκτικότητας σε υγρασία και της επίστρωσης κεριού που καλύπτει την εξωτερική επιφάνεια της επιδερμίδας στα φύλλα για την εξαγωγή ενός αντιπροσωπευτικού δείγματος.<br /> Αρχικά, αναφέρονται ορισμένες προκλήσεις σχετικά με τον φασματικό θόρυβο. Ο φασματικός θόρυβος εκφράζεται ως «Signal-to-Noise Ratio» (SNR) μεταξύ του επιθυμητού σήματος και του ανεπιθύμητου θορύβου περιβάλλοντος ως: SNR = Psignal/Pnoise. Επιπλέον, μπορεί να προκύψει φασματικός θόρυβος όταν ο αισθητήρας δυσλειτουργεί. Ο αισθητήρας επηρεάζεται από περιβαλλοντικά ερεθίσματα ή από τη συνάρτηση κατανομής αμφίδρομης ανάκλασης (Bidirectional Reflectance Distribution Function, BDRF). Οι υπερφασματικοί αισθητήρες παράγουν υψηλότερο φασματικό θόρυβο από τους πολυφασματικούς αισθητήρες μέσω της απόκτησης εξαιρετικά διακριτών φασματικών πληροφοριών. Στην πράξη, εξετάστηκε η επίδραση της φασματικής ανάλυσης, της χωρικής ανάλυσης και της πιστότητας του αισθητήρα σχετικά με την ανάκλαση των παρατηρούμενων μοτίβων του %N του φυλλώματος και του φυτικού θόλου. Η μελέτη αυτή αποκάλυψε ουσιαστικά μηδενική μείωση στην ισχύ των σχέσεων μεταξύ %N και ανάκλασης από εικόνες AVIRIS (Airborne Visible/Infrared Imaging Spectrometer), αλλά αντίθετα παρατηρήθηκαν μειώσεις με την αύξηση της χωρικής ανάλυσης και την απώλεια πιστότητας του αισθητήρα. Η επεξεργασία σήματος είναι ένα συνεχώς αναπτυσσόμενο πεδίο με νέες τεχνικές αποθορυβοποίησης του σήματος που είναι διαθέσιμες σε πολλά πεδία όπως η φωτογραμμετρία, η βιοπληροφορική και η τηλεπισκόπηση. Οι πιο τυπικές τεχνικές αποθορυβοποίησης είναι η Savitzky Golay ή φιλτράρισμα Fourier και οι πιο προηγμένες προσεγγίσεις είναι η Ανάλυση Κύριων Στοιχείων (Principal Component Analysis, PCA) και το Κλάσμα Ελάχιστου Θορύβου (Minimum Noise Fraction, MNF).<br /> Οι περισσότερες από τις μελέτες σε αυτήν την ανασκόπηση έχουν χρησιμοποιήσει τεχνικές προεπεξεργασίας δεδομένων για τη μείωση του φασματικού θορύβου και την κανονικοποίηση των τιμών φασματικής ανάκλασης.<br /> Ένα άλλο κοινό πρόβλημα κατά την απόκτηση φασμάτων είναι η επίδραση της περιεκτικότητας σε υγρασία (aquaphotomics) μέσα στο φύλλο. Το νερό είναι πανταχού παρόν σε βιολογικά δείγματα. Η παρουσία του κεριού που καλύπτει την εξωτερική επιφάνεια της επιδερμίδας στα φύλλα και η παρουσία τριχιδίων έχουν σημαντικό αντίκτυπο στις τιμές ανάκλασης των φύλλων. Είναι πιθανό, η ποσότητα του φωτός που ανακλάται κατοπτρικά από ένα φύλλο να εξαρτάται από τα φυτικά είδη και να σχετίζεται με τη φυσιολογική κατάσταση και το στάδιο ανάπτυξης. <br /> Μέθοδοι προεπεξεργασίας δεδομένων NIR &amp; στατιστική μοντελοποίηση<br /> Η ενότητα αυτή χωρίστηκε σε τέσσερα μέρη: (α) στρατηγική δειγματοληψίας, (β) επιλογή μιας μεθόδου δεδομένων προεπεξεργασίας, (γ) επιλογή κατάλληλου στατιστικού μοντέλου και (δ) επιλογή μεταβλητής. Η εφαρμογή μιας μεθόδου δεδομένων προεπεξεργασίας έχει πολλά πλεονεκτήματα, όπως η ελάττωση του φασματικού θορύβου από το περιβάλλον, των μη απαραίτητων δεδομένων, ειδικά όταν χρησιμοποιούνται δεδομένα υψηλών διαστάσεων και πολλών μεταβλητών. Αρχικά, η εξαγωγή μιας κατάλληλης στρατηγικής δειγματοληψίας είναι το πρωταρχικό βήμα για την απόκτηση ακριβών αποτελεσμάτων χρησιμοποιώντας συστήματα σάρωσης NIR με στόχο την ενίσχυση της ακεραιότητας των δεδομένων για μοντελοποίηση. Επιπλέον, ιδιαίτερα σημαντική πριν από τη μοντελοποίηση είναι η χρήση μιας αξιόπιστης και ακριβής μεθόδου αξιολόγησης υγρής χημείας. Δεύτερον, η επιλογή της καταλληλότερης μεθόδου προεπεξεργασίας φασματικών δεδομένων είναι σημαντικό βήμα. Η επιτυχία του στατιστικού μοντέλου εξαρτάται από τη μέθοδο προεπεξεργασίας δεδομένων. Υπάρχουν πολλές παραλλαγές στις μεθόδους προεπεξεργασίας φασματικών δεδομένων, όπως παράγωγα σήματος, κανονικοποίηση διανύσματος (vector normalization, VN) ή πολλαπλασιαστική διόρθωση σκέδασης (multiplicative scatter correction, MSC). Τρίτον, επιλέγεται ένα στατιστικό μοντέλο βασισμένο κυρίως στην εφαρμογή της έρευνας, που χρησιμοποιείται είτε για ταξινόμηση είτε για πρόβλεψη των δεδομένων της μελέτης. Σπουδαία είναι η. Ο διαχωρισμός των δεδομένων σε δεδομένα εκπαίδευσης και δοκιμής είναι απαραίτητος για τη βαθμονόμηση και τη δοκιμή των μοντέλων. Προηγούμενες μελέτες χρησιμοποιούσαν τυπικούς πολυπαραγοντικούς στατιστικούς αλγόριθμους όπως των μερικών ελαχίστων τετραγώνων (PLS) και των PLSR. Τέλος, η επιλογή μεταβλητών δίνει τη δυνατότητα στους επιστήμονες να δοκιμάσουν την ικανότητα μιας φασματικής ζώνης να ανιχνεύει με ακρίβεια ένα χαρακτηριστικό. Για παράδειγμα, οι αλγόριθμοι επιλογής μεταβλητής συχνά ανιχνεύουν χαρακτηριστικά απορρόφησης νερού. Οι μελέτες έχουν δείξει γενικά αξιοπρεπή έως σημαντικά ακριβή αποτελέσματα όταν χρησιμοποιείται μεταβλητή επιλογή για την πρόβλεψη χημικών ιδιοτήτων του φυλλώματος. <br /> <br /> '''Συζήτηση'''<br /> <br /> Τα αποτελέσματα αυτής της ανασκόπησης επικεντρώθηκαν ιδιαίτερα στις πιο πρόσφατες μεθόδους προεπεξεργασίας δεδομένων και στα στατιστικά μοντέλα για την αξιολόγηση των θρεπτικών στοιχείων των φυλλωμάτων σε δασικές περιοχές. Το άζωτο (N) είναι η πιο κοινή χημική παράμετρος για την υγεία των φυτών που παρακολουθείται. Ως εκ τούτου, τα περισσότερα από τα παραδείγματα σε αυτήν την ανασκόπηση διερευνούν την εκτίμηση των επιπέδων Ν εντός του φυλλώδες υλικού των φυτών. Αντίθετα, πολύ λίγες μελέτες διερεύνησαν άλλα μακροθρεπτικά (P, K, Ca, Mg, νάτριο) και μικροθρεπτικά συστατικά (μαγγάνιο, σίδηρο, χαλκό, ψευδάργυρο, βόριο). Τα μεγέθη των δειγμάτων διέφεραν σημαντικά από 15 έως &gt;1000 δείγματα ανά μελέτη. Ωστόσο, οι ερευνητές διαπίστωσαν ότι τα μικρότερα μεγέθη δειγμάτων δεν επηρέασαν σημαντικά τα αποτελέσματα της πρόβλεψης σε σχέση με τις μελέτες με μεγαλύτερα μεγέθη δείγματος. Επιπλέον, μελέτες έχουν δείξει ότι η ηλικία του φυτού, η εποχικότητα και η θερμοκρασία επηρεάζουν την παραγωγή του κεριού και των τριχιδίων της επιδερμίδας των φύλλων. Ως εκ τούτου, η ανακλαστικότητα των φύλλων θα ποικίλλει μεταξύ αυτών των στοιχείων. Τα όργανα NIR που χρησιμοποιήθηκαν στις περισσότερες μελέτες ήταν εν μέρει συσκευές χειρός και συσκευές πάγκου. Η βέλτιστη πρακτική αυτής της τεχνολογίας θα προσφέρει στην εμπορική βιομηχανία υψηλής απόδοσης μια γρήγορη και οικονομικά αποδοτική εναλλακτική λύση για την αξιολόγηση της θρεπτικής κατάστασης των φυτών. Ως εκ τούτου, η μελλοντική έρευνα θα πρέπει να υποστηρίζει την εφαρμογή ενός συστήματος NIRS με μια τυποποιημένη προσέγγιση για την προετοιμασία δειγμάτων, την προεπεξεργασία δεδομένων και τη στατιστική μοντελοποίηση. Συνιστάται η μελλοντική έρευνα να διερευνήσει τη χρήση της πολλαπλασιαστικής διόρθωσης σκέδασης (MSC, multiplicative scatter correction), της τυπικής κανονικής μεταβλητής (SNV, standard normal variate) και της smoothing convolution Savitzky-Golay (SG) ως μεθόδων προεπεξεργασίας δεδομένων σε συνδυασμό με τα λογισμικά της μερικής παλινδρόμησης ελαχίστων τετραγώνων PLSR και SVMR ως στατιστικά μοντέλα. Επομένως, με τη μείωση του φασματικού θορύβου υπάρχει μια ευκαιρία για την κατανόηση της επίδρασης του κεριού και των τριχιδίων στα φύλλα, της περιεκτικότητας σε υγρασία και των επιδράσεων της δειγματοληψίας των επάνω και κάτω επιφανειών των φύλλων κατά ηλικία, εποχικότητα και θερμοκρασία, καθώς και των ετερογενών δέντρων.</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:4.SOFIAGKRETSI1.PNG 2022-03-17T20:11:13Z

<p>Sofia Gkretsi: </p> <hr /> <div></div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%80%CE%B5%CF%81%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AE_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B9%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CE%B8%CF%81%CE%B5%CF%80%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%84%CE%BF%CE%B9%CF%87%CE%B5%CE%AF%CF%89%CE%BD_%CF%83%CF%84%CE%BF_%CF%86%CF%8D%CE%BB%CE%BB%CF%89%CE%BC%CE%B1_%CF%83%CF%84%CE%B7_%CE%B4%CE%B1%CF%83%CE%BF%CF%80%CE%BF%CE%BD%CE%AF%CE%B1 2022-03-17T20:08:26Z

<p>Sofia Gkretsi: </p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Δασοπονία, Δασική διαχείριση]]<br /> <br /> '''Υπερφασματική τηλεπισκόπιση για την ανίχνευση θρεπτικών στοιχείων στο φύλλωμα στη δασοπονία: Μια προοπτική στο εγγύς υπέρυθρο'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Hyperspectral remote sensing for foliar nutrient detection in forestry: A near-infrared perspective<br /> <br /> '''Συγγραφείς:''' L. Singh, O. Mutanga, P. Mafongoya, K. Peerbhay, J. Crous<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2022 (Remote Sensing Applications: Society and Environment)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.rsase.2021.100676<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Η εντατική διαχείριση των δασικών φυτειών έχει εξελιχθεί σημαντικά για να καλύψει την παγκόσμια προσφορά και ζήτηση σε δασικά προϊόντα. Σε επίπεδο φυτωρίου, τα δέντρα λαμβάνουν θρεπτικά στοιχεία ώστε να δημιουργήσουν αποθέματα κατά την επακόλουθη φύτευσή τους στο πεδίο- χωράφι για τη μεγιστοποίηση της ριζοβολίας και της παραγωγής των βλαστών και τα μεταφέρουν στα φύλλα ως μηχανισμό διατήρησης. Η έλλειψη θρεπτικών ουσιών πλήττει τη φυτική παραγωγή, μειώνοντας σημαντικά την παραγωγή και την παραγωγικότητα των βιομηχανικών φυτειών και θα μπορούσε να αφήσει τα φυτά εκτεθειμένα στην εισβολή παρασίτων και ασθενειών. Παράλληλα, η υπερλίπανση είναι δυνατό να οδηγήσει σε τοξικότητα. <br /> Η έγκαιρη αξιολόγηση και η ακριβής διάγνωση της κατάστασης των θρεπτικών στοιχείων των φυτών κατά τα πρώιμα στάδια της ανάπτυξης είναι κρίσιμη για τη διατήρηση των βέλτιστων επιπέδων θρέψης βλαστών και ριζοβολίας. Επιπλέον, οι ελλείψεις σε θρεπτικές ουσίες δεν μπορούν να παρατηρηθούν οπτικά και να ερμηνευθούν μόνο με γυμνό μάτι, προκαλώντας σφάλματα στη διάγνωση. Ακόμη, το γεγονός πως δεν είναι όλα τα δέντρα ομοιογενή συνεπάγεται ακανόνιστες συγκεντρώσεις των θρεπτικών ουσιών. Οι παραδοσιακές μέθοδοι αξιολόγησης αυτών καθίστανται ανεπαρκείς σε υψηλές απαιτήσεις όταν εξετάζονται μεγάλα μεγέθη δειγμάτων. Η εισαγωγή δεδομένων τηλεπισκόπησης, και ειδικά η φασματοσκοπία εγγύς υπέρυθρου (NIRS, near-infrared spectroscopy), μπορεί να προσφέρει σχεδόν στιγμιαία αποτελέσματα για την πρακτική δασοκομικής ακριβείας μεγάλης κλίμακας. Την τελευταία δεκαετία, η NIRS (τύπος φασματοσκοπίας δονήσεων υψηλής ενέργειας, στην περιοχή μήκους κύματος 750 nm–2500 nm) ως μια ταχεία, μη-καταστροφική τεχνική έχει συμβάλει σημαντικά στην αξιολόγηση της βλάστησης και συγκεκριμένα στην ανίχνευση θρεπτικών συστατικών του φυλλώματος των δέντρων σε δασικές περιοχές. <br /> Η παρούσα ανασκόπηση εξετάζει μια δεκαετία (2010-2020) έρευνας, συνοψίζοντας τεχνικές του παρελθόντος και του παρόντος και παρέχει πληροφορίες σχετικά με: (1) την υπερφασματική τηλεπισκόπηση (NIRS) και τη σχέση της με τα φυσιολογικά χαρακτηριστικά των φυτών, (2) την επίδραση του φασματικού θορύβου σε δεδομένα υψηλών διαστάσεων και (3) τις στρατηγικές τεχνικές/ μεθόδους προεπεξεργασίας δεδομένων και στατιστικής μοντελοποίησης που χρησιμοποιούν τεχνολογία εγγύς υπέρυθρης ακτινοβολίας. <br /> Η τεχνολογία αυτή παρέχει αρκετά ακριβή αποτελέσματα που μειώνουν τον φασματικό θόρυβο. Τα μεγέθη των δειγμάτων, οι λανθάνουσες μεταβλητές και η περιεκτικότητα των φύλλων σε νερό ήταν οι κύριοι παράγοντες που καθόρισαν τα επιτυχή αποτελέσματα. Η θέση δειγματοληψίας για την απόκτηση ενός αντιπροσωπευτικού δείγματος αποτελεί αναπόσπαστο μέρος του ακριβέστερου προσδιορισμού της περιεκτικότητας σε θρεπτικά συστατικά. Για παράδειγμα, μελέτες έχουν αναφέρει ασυνεπείς φασματικές τιμές σε δείγμα στην επάνω επιφάνεια σε σύγκριση με την κάτω επιφάνεια του ίδιου φύλλου. Οι περιορισμοί που παρουσιάστηκαν παρακινούν τη μελλοντική έρευνα για την κατανόηση των επιδράσεων των οπτικών ιδιοτήτων του κεριού που καλύπτει την εξωτερική επιφάνεια της επιδερμίδας (epicuticle wax), καθώς και των τριχιδίων στα φύλλα (trichomes on leaf). <br /> <br /> '''Φασματονομία: “Spectranomics”'''<br /> <br /> Η &quot;Spectranomics&quot; είναι μια νέα, αναπτυσσόμενη έννοια που διερευνά τη σχέση μεταξύ των ειδών των φυτών και των λειτουργικών χαρακτηριστικών τους με τις φασματο-οπτικές ιδιότητές τους. Οι Asner και Martin (2009) συνδύασαν χημικά στοιχεία (N, P, Chl-a, Chl-b) και φασματική τηλεπισκόπηση για τη χαρτογράφηση της ποικιλομορφίας ενός φυτικού θόλου. Αναπτύχθηκαν μέθοδοι με χρήση ενός συνδυασμού τεχνικών μοντελοποίησης μεταφοράς ακτινοβολίας, θορύβου υψηλής συχνότητας και του αλγορίθμου μερικής παλινδρόμησης ελαχίστων τετραγώνων PLSR (partial least squares regression), με φασματικό εύρος 400 nm–2500 nm. Η PLSR είναι μια αποτελεσματική μέθοδος εκτίμησης της περιεκτικότητας σε θρεπτικά συστατικά των φυτών. Επιπλέον, εξετάστηκε η έννοια της ανάκτησης χαρακτηριστικών του φυλλώματος (μάζα φύλλων ανά περιοχή (Leaf mass per area, LMA)) και χημικών δεδομένων (P, Ca, K, Mg, B, Fe) χρησιμοποιώντας δεδομένα φασματοσκοπίας απεικόνισης (Carnegie Airborne Observatory, CAO) (350 nm–2510 nm) που συνδυάστηκαν με μετρήσεις φωτός LiDAR. Οι μελέτες σε συγκεκριμένες περιοχές και θρεπτικά συστατικά για ένα είδος δέντρου είναι πιθανό να μην παράγουν επιτυχημένα μοντέλα τηλεπισκόπησης σε σύγκριση με μελέτες σε μια μεγάλη γεωγραφική περιοχή.<br /> Στη συνέχεια, περιγράφονται συνοπτικά (α) οι προκλήσεις της αντιμετώπισης του φασματικού θορύβου στα υπερφασματικά δεδομένα NIR, (β) οι στρατηγικές μεθοδολογίες για τη μείωση του φασματικού θορύβου και (γ) διερευνώνται οι επιδράσεις της περιεκτικότητας σε υγρασία και της επίστρωσης κεριού που καλύπτει την εξωτερική επιφάνεια της επιδερμίδας στα φύλλα για την εξαγωγή ενός αντιπροσωπευτικού δείγματος.<br /> Αρχικά, αναφέρονται ορισμένες προκλήσεις σχετικά με τον φασματικό θόρυβο. Ο φασματικός θόρυβος εκφράζεται ως «Signal-to-Noise Ratio» (SNR) μεταξύ του επιθυμητού σήματος και του ανεπιθύμητου θορύβου περιβάλλοντος ως: SNR = Psignal/Pnoise. Επιπλέον, μπορεί να προκύψει φασματικός θόρυβος όταν ο αισθητήρας δυσλειτουργεί. Ο αισθητήρας επηρεάζεται από περιβαλλοντικά ερεθίσματα ή από τη συνάρτηση κατανομής αμφίδρομης ανάκλασης (Bidirectional Reflectance Distribution Function, BDRF). Οι υπερφασματικοί αισθητήρες παράγουν υψηλότερο φασματικό θόρυβο από τους πολυφασματικούς αισθητήρες μέσω της απόκτησης εξαιρετικά διακριτών φασματικών πληροφοριών. Στην πράξη, εξετάστηκε η επίδραση της φασματικής ανάλυσης, της χωρικής ανάλυσης και της πιστότητας του αισθητήρα σχετικά με την ανάκλαση των παρατηρούμενων μοτίβων του %N του φυλλώματος και του φυτικού θόλου. Η μελέτη αυτή αποκάλυψε ουσιαστικά μηδενική μείωση στην ισχύ των σχέσεων μεταξύ %N και ανάκλασης από εικόνες AVIRIS (Airborne Visible/Infrared Imaging Spectrometer), αλλά αντίθετα παρατηρήθηκαν μειώσεις με την αύξηση της χωρικής ανάλυσης και την απώλεια πιστότητας του αισθητήρα. Η επεξεργασία σήματος είναι ένα συνεχώς αναπτυσσόμενο πεδίο με νέες τεχνικές αποθορυβοποίησης του σήματος που είναι διαθέσιμες σε πολλά πεδία όπως η φωτογραμμετρία, η βιοπληροφορική και η τηλεπισκόπηση. Οι πιο τυπικές τεχνικές αποθορυβοποίησης είναι η Savitzky Golay ή φιλτράρισμα Fourier και οι πιο προηγμένες προσεγγίσεις είναι η Ανάλυση Κύριων Στοιχείων (Principal Component Analysis, PCA) και το Κλάσμα Ελάχιστου Θορύβου (Minimum Noise Fraction, MNF).<br /> Οι περισσότερες από τις μελέτες σε αυτήν την ανασκόπηση έχουν χρησιμοποιήσει τεχνικές προεπεξεργασίας δεδομένων για τη μείωση του φασματικού θορύβου και την κανονικοποίηση των τιμών φασματικής ανάκλασης.<br /> Ένα άλλο κοινό πρόβλημα κατά την απόκτηση φασμάτων είναι η επίδραση της περιεκτικότητας σε υγρασία (aquaphotomics) μέσα στο φύλλο. Το νερό είναι πανταχού παρόν σε βιολογικά δείγματα. Η παρουσία του κεριού που καλύπτει την εξωτερική επιφάνεια της επιδερμίδας στα φύλλα και η παρουσία τριχιδίων έχουν σημαντικό αντίκτυπο στις τιμές ανάκλασης των φύλλων. Είναι πιθανό, η ποσότητα του φωτός που ανακλάται κατοπτρικά από ένα φύλλο να εξαρτάται από τα φυτικά είδη και να σχετίζεται με τη φυσιολογική κατάσταση και το στάδιο ανάπτυξης. <br /> Μέθοδοι προεπεξεργασίας δεδομένων NIR &amp; στατιστική μοντελοποίηση<br /> Η ενότητα αυτή χωρίστηκε σε τέσσερα μέρη: (α) στρατηγική δειγματοληψίας, (β) επιλογή μιας μεθόδου δεδομένων προεπεξεργασίας, (γ) επιλογή κατάλληλου στατιστικού μοντέλου και (δ) επιλογή μεταβλητής. Η εφαρμογή μιας μεθόδου δεδομένων προεπεξεργασίας έχει πολλά πλεονεκτήματα, όπως η ελάττωση του φασματικού θορύβου από το περιβάλλον, των μη απαραίτητων δεδομένων, ειδικά όταν χρησιμοποιούνται δεδομένα υψηλών διαστάσεων και πολλών μεταβλητών. Αρχικά, η εξαγωγή μιας κατάλληλης στρατηγικής δειγματοληψίας είναι το πρωταρχικό βήμα για την απόκτηση ακριβών αποτελεσμάτων χρησιμοποιώντας συστήματα σάρωσης NIR με στόχο την ενίσχυση της ακεραιότητας των δεδομένων για μοντελοποίηση. Επιπλέον, ιδιαίτερα σημαντική πριν από τη μοντελοποίηση είναι η χρήση μιας αξιόπιστης και ακριβής μεθόδου αξιολόγησης υγρής χημείας. Δεύτερον, η επιλογή της καταλληλότερης μεθόδου προεπεξεργασίας φασματικών δεδομένων είναι σημαντικό βήμα. Η επιτυχία του στατιστικού μοντέλου εξαρτάται από τη μέθοδο προεπεξεργασίας δεδομένων. Υπάρχουν πολλές παραλλαγές στις μεθόδους προεπεξεργασίας φασματικών δεδομένων, όπως παράγωγα σήματος, κανονικοποίηση διανύσματος (vector normalization, VN) ή πολλαπλασιαστική διόρθωση σκέδασης (multiplicative scatter correction, MSC). Τρίτον, επιλέγεται ένα στατιστικό μοντέλο βασισμένο κυρίως στην εφαρμογή της έρευνας, που χρησιμοποιείται είτε για ταξινόμηση είτε για πρόβλεψη των δεδομένων της μελέτης. Σπουδαία είναι η. Ο διαχωρισμός των δεδομένων σε δεδομένα εκπαίδευσης και δοκιμής είναι απαραίτητος για τη βαθμονόμηση και τη δοκιμή των μοντέλων. Προηγούμενες μελέτες χρησιμοποιούσαν τυπικούς πολυπαραγοντικούς στατιστικούς αλγόριθμους όπως των μερικών ελαχίστων τετραγώνων (PLS) και των PLSR. Τέλος, η επιλογή μεταβλητών δίνει τη δυνατότητα στους επιστήμονες να δοκιμάσουν την ικανότητα μιας φασματικής ζώνης να ανιχνεύει με ακρίβεια ένα χαρακτηριστικό. Για παράδειγμα, οι αλγόριθμοι επιλογής μεταβλητής συχνά ανιχνεύουν χαρακτηριστικά απορρόφησης νερού. Οι μελέτες έχουν δείξει γενικά αξιοπρεπή έως σημαντικά ακριβή αποτελέσματα όταν χρησιμοποιείται μεταβλητή επιλογή για την πρόβλεψη χημικών ιδιοτήτων του φυλλώματος. <br /> <br /> '''Συζήτηση'''<br /> <br /> Τα αποτελέσματα αυτής της ανασκόπησης επικεντρώθηκαν ιδιαίτερα στις πιο πρόσφατες μεθόδους προεπεξεργασίας δεδομένων και στα στατιστικά μοντέλα για την αξιολόγηση των θρεπτικών στοιχείων των φυλλωμάτων σε δασικές περιοχές. Το άζωτο (N) είναι η πιο κοινή χημική παράμετρος για την υγεία των φυτών που παρακολουθείται. Ως εκ τούτου, τα περισσότερα από τα παραδείγματα σε αυτήν την ανασκόπηση διερευνούν την εκτίμηση των επιπέδων Ν εντός του φυλλώδες υλικού των φυτών. Αντίθετα, πολύ λίγες μελέτες διερεύνησαν άλλα μακροθρεπτικά (P, K, Ca, Mg, νάτριο) και μικροθρεπτικά συστατικά (μαγγάνιο, σίδηρο, χαλκό, ψευδάργυρο, βόριο). Τα μεγέθη των δειγμάτων διέφεραν σημαντικά από 15 έως &gt;1000 δείγματα ανά μελέτη. Ωστόσο, οι ερευνητές διαπίστωσαν ότι τα μικρότερα μεγέθη δειγμάτων δεν επηρέασαν σημαντικά τα αποτελέσματα της πρόβλεψης σε σχέση με τις μελέτες με μεγαλύτερα μεγέθη δείγματος. Επιπλέον, μελέτες έχουν δείξει ότι η ηλικία του φυτού, η εποχικότητα και η θερμοκρασία επηρεάζουν την παραγωγή του κεριού και των τριχιδίων της επιδερμίδας των φύλλων. Ως εκ τούτου, η ανακλαστικότητα των φύλλων θα ποικίλλει μεταξύ αυτών των στοιχείων. Τα όργανα NIR που χρησιμοποιήθηκαν στις περισσότερες μελέτες ήταν εν μέρει συσκευές χειρός και συσκευές πάγκου. Η βέλτιστη πρακτική αυτής της τεχνολογίας θα προσφέρει στην εμπορική βιομηχανία υψηλής απόδοσης μια γρήγορη και οικονομικά αποδοτική εναλλακτική λύση για την αξιολόγηση της θρεπτικής κατάστασης των φυτών. Ως εκ τούτου, η μελλοντική έρευνα θα πρέπει να υποστηρίζει την εφαρμογή ενός συστήματος NIRS με μια τυποποιημένη προσέγγιση για την προετοιμασία δειγμάτων, την προεπεξεργασία δεδομένων και τη στατιστική μοντελοποίηση. Συνιστάται η μελλοντική έρευνα να διερευνήσει τη χρήση της πολλαπλασιαστικής διόρθωσης σκέδασης (MSC, multiplicative scatter correction), της τυπικής κανονικής μεταβλητής (SNV, standard normal variate) και της smoothing convolution Savitzky-Golay (SG) ως μεθόδων προεπεξεργασίας δεδομένων σε συνδυασμό με τα λογισμικά της μερικής παλινδρόμησης ελαχίστων τετραγώνων PLSR και SVMR ως στατιστικά μοντέλα. Επομένως, με τη μείωση του φασματικού θορύβου υπάρχει μια ευκαιρία για την κατανόηση της επίδρασης του κεριού και των τριχιδίων στα φύλλα, της περιεκτικότητας σε υγρασία και των επιδράσεων της δειγματοληψίας των επάνω και κάτω επιφανειών των φύλλων κατά ηλικία, εποχικότητα και θερμοκρασία, καθώς και των ετερογενών δέντρων.</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%A5%CF%80%CE%B5%CF%81%CF%86%CE%B1%CF%83%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AE_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B9%CF%83%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CE%B8%CF%81%CE%B5%CF%80%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%84%CE%BF%CE%B9%CF%87%CE%B5%CE%AF%CF%89%CE%BD_%CF%83%CF%84%CE%BF_%CF%86%CF%8D%CE%BB%CE%BB%CF%89%CE%BC%CE%B1_%CF%83%CF%84%CE%B7_%CE%B4%CE%B1%CF%83%CE%BF%CF%80%CE%BF%CE%BD%CE%AF%CE%B1 2022-03-17T20:07:58Z

<p>Sofia Gkretsi: Νέα σελίδα με 'Add Your Content Here category:Δασοπονία, Δασική διαχείριση '''Υπερφασματική τηλεπισκόπιση για την ανί...'</p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Δασοπονία, Δασική διαχείριση]]<br /> <br /> '''Υπερφασματική τηλεπισκόπιση για την ανίχνευση θρεπτικών στοιχείων στο φύλλωμα στη δασοπονία: Μια προοπτική στο εγγύς υπέρυθρο'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Hyperspectral remote sensing for foliar nutrient detection in forestry: A near-infrared perspective<br /> <br /> '''Συγγραφείς:''' L. Singh, O. Mutanga, P. Mafongoya, K. Peerbhay, J. Crous<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2022 (Remote Sensing Applications: Society and Environment)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.rsase.2021.100676<br /> <br /> <br /> '''Εισαγωγή'''<br /> Η εντατική διαχείριση των δασικών φυτειών έχει εξελιχθεί σημαντικά για να καλύψει την παγκόσμια προσφορά και ζήτηση σε δασικά προϊόντα. Σε επίπεδο φυτωρίου, τα δέντρα λαμβάνουν θρεπτικά στοιχεία ώστε να δημιουργήσουν αποθέματα κατά την επακόλουθη φύτευσή τους στο πεδίο- χωράφι για τη μεγιστοποίηση της ριζοβολίας και της παραγωγής των βλαστών και τα μεταφέρουν στα φύλλα ως μηχανισμό διατήρησης. Η έλλειψη θρεπτικών ουσιών πλήττει τη φυτική παραγωγή, μειώνοντας σημαντικά την παραγωγή και την παραγωγικότητα των βιομηχανικών φυτειών και θα μπορούσε να αφήσει τα φυτά εκτεθειμένα στην εισβολή παρασίτων και ασθενειών. Παράλληλα, η υπερλίπανση είναι δυνατό να οδηγήσει σε τοξικότητα. <br /> Η έγκαιρη αξιολόγηση και η ακριβής διάγνωση της κατάστασης των θρεπτικών στοιχείων των φυτών κατά τα πρώιμα στάδια της ανάπτυξης είναι κρίσιμη για τη διατήρηση των βέλτιστων επιπέδων θρέψης βλαστών και ριζοβολίας. Επιπλέον, οι ελλείψεις σε θρεπτικές ουσίες δεν μπορούν να παρατηρηθούν οπτικά και να ερμηνευθούν μόνο με γυμνό μάτι, προκαλώντας σφάλματα στη διάγνωση. Ακόμη, το γεγονός πως δεν είναι όλα τα δέντρα ομοιογενή συνεπάγεται ακανόνιστες συγκεντρώσεις των θρεπτικών ουσιών. Οι παραδοσιακές μέθοδοι αξιολόγησης αυτών καθίστανται ανεπαρκείς σε υψηλές απαιτήσεις όταν εξετάζονται μεγάλα μεγέθη δειγμάτων. Η εισαγωγή δεδομένων τηλεπισκόπησης, και ειδικά η φασματοσκοπία εγγύς υπέρυθρου (NIRS, near-infrared spectroscopy), μπορεί να προσφέρει σχεδόν στιγμιαία αποτελέσματα για την πρακτική δασοκομικής ακριβείας μεγάλης κλίμακας. Την τελευταία δεκαετία, η NIRS (τύπος φασματοσκοπίας δονήσεων υψηλής ενέργειας, στην περιοχή μήκους κύματος 750 nm–2500 nm) ως μια ταχεία, μη-καταστροφική τεχνική έχει συμβάλει σημαντικά στην αξιολόγηση της βλάστησης και συγκεκριμένα στην ανίχνευση θρεπτικών συστατικών του φυλλώματος των δέντρων σε δασικές περιοχές. <br /> Η παρούσα ανασκόπηση εξετάζει μια δεκαετία (2010-2020) έρευνας, συνοψίζοντας τεχνικές του παρελθόντος και του παρόντος και παρέχει πληροφορίες σχετικά με: (1) την υπερφασματική τηλεπισκόπηση (NIRS) και τη σχέση της με τα φυσιολογικά χαρακτηριστικά των φυτών, (2) την επίδραση του φασματικού θορύβου σε δεδομένα υψηλών διαστάσεων και (3) τις στρατηγικές τεχνικές/ μεθόδους προεπεξεργασίας δεδομένων και στατιστικής μοντελοποίησης που χρησιμοποιούν τεχνολογία εγγύς υπέρυθρης ακτινοβολίας. <br /> Η τεχνολογία αυτή παρέχει αρκετά ακριβή αποτελέσματα που μειώνουν τον φασματικό θόρυβο. Τα μεγέθη των δειγμάτων, οι λανθάνουσες μεταβλητές και η περιεκτικότητα των φύλλων σε νερό ήταν οι κύριοι παράγοντες που καθόρισαν τα επιτυχή αποτελέσματα. Η θέση δειγματοληψίας για την απόκτηση ενός αντιπροσωπευτικού δείγματος αποτελεί αναπόσπαστο μέρος του ακριβέστερου προσδιορισμού της περιεκτικότητας σε θρεπτικά συστατικά. Για παράδειγμα, μελέτες έχουν αναφέρει ασυνεπείς φασματικές τιμές σε δείγμα στην επάνω επιφάνεια σε σύγκριση με την κάτω επιφάνεια του ίδιου φύλλου. Οι περιορισμοί που παρουσιάστηκαν παρακινούν τη μελλοντική έρευνα για την κατανόηση των επιδράσεων των οπτικών ιδιοτήτων του κεριού που καλύπτει την εξωτερική επιφάνεια της επιδερμίδας (epicuticle wax), καθώς και των τριχιδίων στα φύλλα (trichomes on leaf). <br /> <br /> '''Φασματονομία: “Spectranomics”''' <br /> Η &quot;Spectranomics&quot; είναι μια νέα, αναπτυσσόμενη έννοια που διερευνά τη σχέση μεταξύ των ειδών των φυτών και των λειτουργικών χαρακτηριστικών τους με τις φασματο-οπτικές ιδιότητές τους. Οι Asner και Martin (2009) συνδύασαν χημικά στοιχεία (N, P, Chl-a, Chl-b) και φασματική τηλεπισκόπηση για τη χαρτογράφηση της ποικιλομορφίας ενός φυτικού θόλου. Αναπτύχθηκαν μέθοδοι με χρήση ενός συνδυασμού τεχνικών μοντελοποίησης μεταφοράς ακτινοβολίας, θορύβου υψηλής συχνότητας και του αλγορίθμου μερικής παλινδρόμησης ελαχίστων τετραγώνων PLSR (partial least squares regression), με φασματικό εύρος 400 nm–2500 nm. Η PLSR είναι μια αποτελεσματική μέθοδος εκτίμησης της περιεκτικότητας σε θρεπτικά συστατικά των φυτών. Επιπλέον, εξετάστηκε η έννοια της ανάκτησης χαρακτηριστικών του φυλλώματος (μάζα φύλλων ανά περιοχή (Leaf mass per area, LMA)) και χημικών δεδομένων (P, Ca, K, Mg, B, Fe) χρησιμοποιώντας δεδομένα φασματοσκοπίας απεικόνισης (Carnegie Airborne Observatory, CAO) (350 nm–2510 nm) που συνδυάστηκαν με μετρήσεις φωτός LiDAR. Οι μελέτες σε συγκεκριμένες περιοχές και θρεπτικά συστατικά για ένα είδος δέντρου είναι πιθανό να μην παράγουν επιτυχημένα μοντέλα τηλεπισκόπησης σε σύγκριση με μελέτες σε μια μεγάλη γεωγραφική περιοχή.<br /> Στη συνέχεια, περιγράφονται συνοπτικά (α) οι προκλήσεις της αντιμετώπισης του φασματικού θορύβου στα υπερφασματικά δεδομένα NIR, (β) οι στρατηγικές μεθοδολογίες για τη μείωση του φασματικού θορύβου και (γ) διερευνώνται οι επιδράσεις της περιεκτικότητας σε υγρασία και της επίστρωσης κεριού που καλύπτει την εξωτερική επιφάνεια της επιδερμίδας στα φύλλα για την εξαγωγή ενός αντιπροσωπευτικού δείγματος.<br /> Αρχικά, αναφέρονται ορισμένες προκλήσεις σχετικά με τον φασματικό θόρυβο. Ο φασματικός θόρυβος εκφράζεται ως «Signal-to-Noise Ratio» (SNR) μεταξύ του επιθυμητού σήματος και του ανεπιθύμητου θορύβου περιβάλλοντος ως: SNR = Psignal/Pnoise. Επιπλέον, μπορεί να προκύψει φασματικός θόρυβος όταν ο αισθητήρας δυσλειτουργεί. Ο αισθητήρας επηρεάζεται από περιβαλλοντικά ερεθίσματα ή από τη συνάρτηση κατανομής αμφίδρομης ανάκλασης (Bidirectional Reflectance Distribution Function, BDRF). Οι υπερφασματικοί αισθητήρες παράγουν υψηλότερο φασματικό θόρυβο από τους πολυφασματικούς αισθητήρες μέσω της απόκτησης εξαιρετικά διακριτών φασματικών πληροφοριών. Στην πράξη, εξετάστηκε η επίδραση της φασματικής ανάλυσης, της χωρικής ανάλυσης και της πιστότητας του αισθητήρα σχετικά με την ανάκλαση των παρατηρούμενων μοτίβων του %N του φυλλώματος και του φυτικού θόλου. Η μελέτη αυτή αποκάλυψε ουσιαστικά μηδενική μείωση στην ισχύ των σχέσεων μεταξύ %N και ανάκλασης από εικόνες AVIRIS (Airborne Visible/Infrared Imaging Spectrometer), αλλά αντίθετα παρατηρήθηκαν μειώσεις με την αύξηση της χωρικής ανάλυσης και την απώλεια πιστότητας του αισθητήρα. Η επεξεργασία σήματος είναι ένα συνεχώς αναπτυσσόμενο πεδίο με νέες τεχνικές αποθορυβοποίησης του σήματος που είναι διαθέσιμες σε πολλά πεδία όπως η φωτογραμμετρία, η βιοπληροφορική και η τηλεπισκόπηση. Οι πιο τυπικές τεχνικές αποθορυβοποίησης είναι η Savitzky Golay ή φιλτράρισμα Fourier και οι πιο προηγμένες προσεγγίσεις είναι η Ανάλυση Κύριων Στοιχείων (Principal Component Analysis, PCA) και το Κλάσμα Ελάχιστου Θορύβου (Minimum Noise Fraction, MNF).<br /> Οι περισσότερες από τις μελέτες σε αυτήν την ανασκόπηση έχουν χρησιμοποιήσει τεχνικές προεπεξεργασίας δεδομένων για τη μείωση του φασματικού θορύβου και την κανονικοποίηση των τιμών φασματικής ανάκλασης.<br /> Ένα άλλο κοινό πρόβλημα κατά την απόκτηση φασμάτων είναι η επίδραση της περιεκτικότητας σε υγρασία (aquaphotomics) μέσα στο φύλλο. Το νερό είναι πανταχού παρόν σε βιολογικά δείγματα. Η παρουσία του κεριού που καλύπτει την εξωτερική επιφάνεια της επιδερμίδας στα φύλλα και η παρουσία τριχιδίων έχουν σημαντικό αντίκτυπο στις τιμές ανάκλασης των φύλλων. Είναι πιθανό, η ποσότητα του φωτός που ανακλάται κατοπτρικά από ένα φύλλο να εξαρτάται από τα φυτικά είδη και να σχετίζεται με τη φυσιολογική κατάσταση και το στάδιο ανάπτυξης. <br /> Μέθοδοι προεπεξεργασίας δεδομένων NIR &amp; στατιστική μοντελοποίηση<br /> Η ενότητα αυτή χωρίστηκε σε τέσσερα μέρη: (α) στρατηγική δειγματοληψίας, (β) επιλογή μιας μεθόδου δεδομένων προεπεξεργασίας, (γ) επιλογή κατάλληλου στατιστικού μοντέλου και (δ) επιλογή μεταβλητής. Η εφαρμογή μιας μεθόδου δεδομένων προεπεξεργασίας έχει πολλά πλεονεκτήματα, όπως η ελάττωση του φασματικού θορύβου από το περιβάλλον, των μη απαραίτητων δεδομένων, ειδικά όταν χρησιμοποιούνται δεδομένα υψηλών διαστάσεων και πολλών μεταβλητών. Αρχικά, η εξαγωγή μιας κατάλληλης στρατηγικής δειγματοληψίας είναι το πρωταρχικό βήμα για την απόκτηση ακριβών αποτελεσμάτων χρησιμοποιώντας συστήματα σάρωσης NIR με στόχο την ενίσχυση της ακεραιότητας των δεδομένων για μοντελοποίηση. Επιπλέον, ιδιαίτερα σημαντική πριν από τη μοντελοποίηση είναι η χρήση μιας αξιόπιστης και ακριβής μεθόδου αξιολόγησης υγρής χημείας. Δεύτερον, η επιλογή της καταλληλότερης μεθόδου προεπεξεργασίας φασματικών δεδομένων είναι σημαντικό βήμα. Η επιτυχία του στατιστικού μοντέλου εξαρτάται από τη μέθοδο προεπεξεργασίας δεδομένων. Υπάρχουν πολλές παραλλαγές στις μεθόδους προεπεξεργασίας φασματικών δεδομένων, όπως παράγωγα σήματος, κανονικοποίηση διανύσματος (vector normalization, VN) ή πολλαπλασιαστική διόρθωση σκέδασης (multiplicative scatter correction, MSC). Τρίτον, επιλέγεται ένα στατιστικό μοντέλο βασισμένο κυρίως στην εφαρμογή της έρευνας, που χρησιμοποιείται είτε για ταξινόμηση είτε για πρόβλεψη των δεδομένων της μελέτης. Σπουδαία είναι η. Ο διαχωρισμός των δεδομένων σε δεδομένα εκπαίδευσης και δοκιμής είναι απαραίτητος για τη βαθμονόμηση και τη δοκιμή των μοντέλων. Προηγούμενες μελέτες χρησιμοποιούσαν τυπικούς πολυπαραγοντικούς στατιστικούς αλγόριθμους όπως των μερικών ελαχίστων τετραγώνων (PLS) και των PLSR. Τέλος, η επιλογή μεταβλητών δίνει τη δυνατότητα στους επιστήμονες να δοκιμάσουν την ικανότητα μιας φασματικής ζώνης να ανιχνεύει με ακρίβεια ένα χαρακτηριστικό. Για παράδειγμα, οι αλγόριθμοι επιλογής μεταβλητής συχνά ανιχνεύουν χαρακτηριστικά απορρόφησης νερού. Οι μελέτες έχουν δείξει γενικά αξιοπρεπή έως σημαντικά ακριβή αποτελέσματα όταν χρησιμοποιείται μεταβλητή επιλογή για την πρόβλεψη χημικών ιδιοτήτων του φυλλώματος. <br /> <br /> '''Συζήτηση'''<br /> Τα αποτελέσματα αυτής της ανασκόπησης επικεντρώθηκαν ιδιαίτερα στις πιο πρόσφατες μεθόδους προεπεξεργασίας δεδομένων και στα στατιστικά μοντέλα για την αξιολόγηση των θρεπτικών στοιχείων των φυλλωμάτων σε δασικές περιοχές. Το άζωτο (N) είναι η πιο κοινή χημική παράμετρος για την υγεία των φυτών που παρακολουθείται. Ως εκ τούτου, τα περισσότερα από τα παραδείγματα σε αυτήν την ανασκόπηση διερευνούν την εκτίμηση των επιπέδων Ν εντός του φυλλώδες υλικού των φυτών. Αντίθετα, πολύ λίγες μελέτες διερεύνησαν άλλα μακροθρεπτικά (P, K, Ca, Mg, νάτριο) και μικροθρεπτικά συστατικά (μαγγάνιο, σίδηρο, χαλκό, ψευδάργυρο, βόριο). Τα μεγέθη των δειγμάτων διέφεραν σημαντικά από 15 έως &gt;1000 δείγματα ανά μελέτη. Ωστόσο, οι ερευνητές διαπίστωσαν ότι τα μικρότερα μεγέθη δειγμάτων δεν επηρέασαν σημαντικά τα αποτελέσματα της πρόβλεψης σε σχέση με τις μελέτες με μεγαλύτερα μεγέθη δείγματος. Επιπλέον, μελέτες έχουν δείξει ότι η ηλικία του φυτού, η εποχικότητα και η θερμοκρασία επηρεάζουν την παραγωγή του κεριού και των τριχιδίων της επιδερμίδας των φύλλων. Ως εκ τούτου, η ανακλαστικότητα των φύλλων θα ποικίλλει μεταξύ αυτών των στοιχείων. Τα όργανα NIR που χρησιμοποιήθηκαν στις περισσότερες μελέτες ήταν εν μέρει συσκευές χειρός και συσκευές πάγκου. Η βέλτιστη πρακτική αυτής της τεχνολογίας θα προσφέρει στην εμπορική βιομηχανία υψηλής απόδοσης μια γρήγορη και οικονομικά αποδοτική εναλλακτική λύση για την αξιολόγηση της θρεπτικής κατάστασης των φυτών. Ως εκ τούτου, η μελλοντική έρευνα θα πρέπει να υποστηρίζει την εφαρμογή ενός συστήματος NIRS με μια τυποποιημένη προσέγγιση για την προετοιμασία δειγμάτων, την προεπεξεργασία δεδομένων και τη στατιστική μοντελοποίηση. Συνιστάται η μελλοντική έρευνα να διερευνήσει τη χρήση της πολλαπλασιαστικής διόρθωσης σκέδασης (MSC, multiplicative scatter correction), της τυπικής κανονικής μεταβλητής (SNV, standard normal variate) και της smoothing convolution Savitzky-Golay (SG) ως μεθόδων προεπεξεργασίας δεδομένων σε συνδυασμό με τα λογισμικά της μερικής παλινδρόμησης ελαχίστων τετραγώνων PLSR και SVMR ως στατιστικά μοντέλα. Επομένως, με τη μείωση του φασματικού θορύβου υπάρχει μια ευκαιρία για την κατανόηση της επίδρασης του κεριού και των τριχιδίων στα φύλλα, της περιεκτικότητας σε υγρασία και των επιδράσεων της δειγματοληψίας των επάνω και κάτω επιφανειών των φύλλων κατά ηλικία, εποχικότητα και θερμοκρασία, καθώς και των ετερογενών δέντρων.</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%C2%AB%CE%B3%CF%85%CE%BC%CE%BD%CE%BF%CF%8D%C2%BB_%CE%B5%CE%B4%CE%AC%CF%86%CE%BF%CF%85%CF%82_%CF%83%CF%84%CE%B7_%CE%B3%CE%B5%CF%89%CF%81%CE%B3%CE%AF%CE%B1_... 2022-03-17T20:01:03Z

<p>Sofia Gkretsi: </p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Γεωργία]]<br /> <br /> '''Χαρτογράφηση «γυμνού» εδάφους στη γεωργία και τη δασοκομία των λόφων της Νέας Ζηλανδίας για την εκτίμηση κινδύνου διάβρωσης του εδάφους: Μια αυτοματοποιημένη μέθοδος τηλεπισκόπησης μέσω δορυφόρου'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Mapping bare ground in New Zealand hill-country agriculture and forestry for soil erosion risk assessment: An automated satellite remote-sensing method<br /> <br /> '''Συγγραφείς:''' Heather North, Alexander Amies, John Dymond, Stella Belliss, David Pairman, John Drewry, Jan Schindler, James Shepherd<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2022 (Journal of Environmental Management)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.jenvman.2021.113812<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI1.PNG|200px|thumb|right|'''Εικόνα 1.''' Κατανομή του χαρτογραφημένου «γυμνού» εδάφους λόγω (α) χειμερινής βόσκησης και (β) δασοκομίας που γίνονται «γυμνά» 20% ή και περισσότερο οποιαδήποτε στιγμή κατά τη διάρκεια του έτους. Οι μεγεθύνσεις αφορούν την περιοχή γεωργικής μελέτης Fairlie, South Canterbury, και την περιοχή μελέτης δασοκομίας Tokomaru Bay, Gisborne. Μέσα σε κάθε μεγέθυνση υπάρχει ένα μπλε ορθογώνιο που υποδεικνύει τη θέση των περαιτέρω μεγεθύνσεων που φαίνεται στην Εικόνα 2.]]<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI2.PNG|200px|thumb|right|'''Εικόνα 2.'''Μεγεθύνσεις (2 × 1,5 km) που δείχνουν τις λεπτομέρειες των πολυγώνων αγροτεμαχίων. Οι θέσεις αυτών των μεγεθύνσεων υποδεικνύονται από τα μπλε ορθογώνια στην Εικόνα 1. (α) Τοποθεσία γεωργικής μελέτης που φαίνεται στα κανάλια Sentinel-2: 12 (SWIR-2), 4 (κόκκινο) και 2 (μπλε), στις οποίες η καλλιέργεια brassica εμφανίζεται μπλε, τα λιβάδια μωβ-κόκκινο, και το «γυμνό» έδαφος λευκό. (β) Η περιοχή μελέτης δασοκομίας φαίνεται στα κανάλια Sentinel-2: 8 (NIR), 4 (κόκκινο) και 3 (πράσινο), στις οποίες το «ώριμο» δάσος εμφανίζεται σκούρο κόκκινο, τα χαμηλά δέντρα ή άλλη μερική κάλυψη βλάστησης ροζ και οι περιοχές συγκομιδής ως κυανό. ]]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Στη Νέα Ζηλανδία (NZ) και παγκοσμίως, υπάρχει αυξανόμενη ανησυχία για τις επιπτώσεις των ανθρώπινων δραστηριοτήτων στην ποιότητα του πόσιμου νερού. Κύριος παράγοντας των επιπτώσεων στο πόσιμο νερό είναι η διάβρωση του εδάφους, όχι μόνο επειδή αυξάνει την καθίζηση ποταμών, λιμνών, εκβολών ποταμών και σχετικών υδρόβιων οικοτόπων, αλλά και εξαιτίας της μεταφοράς ιζήματος, όπως θρεπτικά συστατικά και μικροβιακοί ρύποι, στις υδάτινες οδούς. Τα εδάφη με κλίση χωρίς φυτική κάλυψη απομακρύνονται εύκολα λόγω επιφανειακής διάβρωσης κατά τη διάρκεια έντονων βροχοπτώσεων. Δύο βασικές αιτίες αφαίρεσης της βλάστησης στις ορεινές περιοχές είναι η χειμερινή βόσκηση χορτονομής των ζώων (βοοειδή, πρόβατα και ελάφια) και η απομάκρυνση όλων των δέντρων από μια περιοχή που έχει επιλεγεί για συγκομιδή δασοκομίας παραγωγής. Μια ακόμη αιτία «γυμνού» εδάφους είναι η καλλιέργεια για ανανέωση βοσκοτόπων ή οι αροτραίες καλλιέργειες, με τα ζώα να βόσκουν μεταξύ των αμειψισπορών. Το «γυμνό» έδαφος που εκτίθεται από αυτές τις δραστηριότητες ποικίλλει ετησίως και εποχιακά σε τοποθεσία και χωρική έκταση. <br /> Στην παρούσα ανασκόπηση, αναπτύσσεται μια μέθοδος ανάλυσης δορυφορικών εικόνων χρονοσειράς για τη χαρτογράφηση αγροτεμαχίων αυτών των χρήσεων γης, επιτρέποντας έτσι την κάλυψη ευρείας περιοχής και την ευκολία ενημέρωσης, καθώς επίσης και ποσοτικοποίηση του «γυμνού» εδάφους για τη μοντελοποίηση της διάβρωσης του εδάφους. Η μοντελοποίηση απαιτεί χρονικά και χωρικά σαφή χαρτογράφηση αυτού του «γυμνού» εδάφους. Η χρονική ανάλυση προσδιορίζει τη χρήση γης μαζί με την περίοδο απομάκρυνσης της βλάστησης και παράγει αποτελέσματα ανά αγροτεμάχιο (σε διανυσματική μορφή) για χρήση σε πρόγραμμα Γεωγραφικού Συστήματος Πληροφοριών (GIS). Παρουσιάζεται μια περιγραφή της μεθόδου, εθνικοί χάρτες και στατιστικά στοιχεία της έκτασης του «γυμνού» εδάφους στη δασοκομία και της χειμερινής κτηνοτροφικής βοσκής της Νέας Ζηλανδίας το 2018 και μια αξιολόγηση της ακρίβειας. Τα χαρακτηριστικά των χαρτογραφημένων αγροτεμαχίων έχουν σχεδιαστεί για εισαγωγή σε ένα μοντέλο εκτίμησης της διάβρωσης του εδάφους (New Zealand Universal Soil Loss Equation, USLE).<br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> Η εθνική χαρτογράφηση απαιτεί μεγάλο όγκο δορυφορικών δεδομένων για πολυχρονική ανάλυση, επομένως όλη η επεξεργασία πραγματοποιήθηκε στις εγκαταστάσεις εθνικών υποδομών της NZ (National eScience Infrastructure (NeSI) High Performance Computing facilities).<br /> Αρχικά, επιτεύχθηκε προεπεξεργασία χρονοσειρών δορυφορικών εικόνων από τους δορυφόρους Sentinel-2A και 2B της Ευρωπαϊκής Υπηρεσίας Διαστήματος (ESA). Πραγματοποιήθηκε επεξεργασία των εικόνων από νέφη και άλλους παράγοντες που επηρεάζουν αρνητικά την απεικόνιση στις περιοχές μελέτης, δηλαδή σε γεωργικά χωράφια, δασικά τετράγωνα ή αγροτεμάχια με συνεπή διαχείριση ή καλλιέργεια, με την πάροδο του χρόνου. Μέσω του προγράμματος GIS, έγινε χαρτογράφηση δασικών πολυγώνων και ακολουθήθηκαν τα απαραίτητα βήματα επεξεργασίας για τον προσδιορισμό της κάλυψης γης και τον ποσοτικό προσδιορισμό του «γυμνού» εδάφους που είναι επιρρεπές στην επιφανειακή διάβρωση. Η βόσκηση των κτηνοτροφικών καλλιεργειών εκθέτει «γυμνό» το έδαφος, αφαιρώντας συχνά σχεδόν όλη τη βλάστηση, παρόλο που ενίοτε μπορεί να παραμείνουν οι ρίζες των φυτών. Στην ανάλυση δορυφορικών εικόνων, μια μέτρηση που χρησιμοποιείται συνήθως για την κάλυψη της βλάστησης είναι ο δείκτης βλάστησης (NDVI). Έχει χαμηλές τιμές τόσο για «γυμνό» έδαφος όσο και για νεκρή ή μη πράσινη (χωρίς χλωροφύλλη) βλάστηση. Μια επιλογή για τη διάκριση μεταξύ «γυμνού» εδάφους και μη πράσινης βλάστησης είναι να χρησιμοποιηθούν εναλλακτικοί δείκτες βλάστησης, που είναι πιο ευαίσθητοι στα υπολείμματα των καλλιεργειών, και μια δεύτερη είναι η φασματική ταξινόμηση ως διαφορετικές καλύψεις γης του «γυμνού» εδάφους και της νεκρής βλάστησης. Επιλέχθηκε το δεύτερο καθώς είναι πιο εύκολος ο προσδιορισμός των τύπων κτηνοτροφικών καλλιεργειών, βοσκοτόπων και δέντρων στη διαδικασία ταξινόμησης. Τέλος, πραγματοποιήθηκε αξιολόγηση ακρίβειας χαρτών «γυμνού» εδάφους. <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα συνοψίζονται στις Εικόνες 1 και 2.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Για πλαγιές λόφων 7ο ή περισσότερο, τα αποτελέσματα δείχνουν 47.177 εκτάρια χειμερινής χορτονομής «γυμνού» εδάφους το 2018, μαζί με 159.522 εκτάρια λόγω δασικών δραστηριοτήτων. Η ακρίβεια ήταν καλύτερη για τον δασικό χάρτη από τον χάρτη χειμερινών ζωοτροφών. Πιθανό αυτό να συμβαίνει επειδή οι κανόνες ταξινόμησης είναι απλούστεροι στη δασοκομία, ενώ η γεωργική ταξινόμηση απαιτούσε συγκεκριμένο προσδιορισμό της χειμερινής χορτονομής ως αιτίας του «γυμνού» εδάφους. Οι πιο σημαντικές κτηνοτροφικές καλλιέργειες (brassica και κτηνοτροφικά τεύτλα) είναι καλά ταξινομημένες. Οι περιοχές με την πλειονότητα των χειμερινών χορτονομών της Νέας Ζηλανδίας (Canterbury, Otago και Southland) έχουν, κατά μέσο όρο, την υψηλότερη ακρίβεια χαρτογράφησης. Η αυτοματοποιημένη μέθοδος ανάλυσης δορυφορικής εικόνας είναι ένας πρακτικός τρόπος για να ληφθούν χωρικά και χρονικά σαφή δεδομένα σχετικά με τη βλάστηση για τον παράγοντα C σε μοντέλα επιφανειακής διάβρωσης τύπου USLE. Η προσέγγιση αυτή στη χαρτογράφηση είναι ιδιαίτερα σημαντική για χρήσεις γης όπου υπάρχει υψηλή χρονική μεταβλητότητα στη βλάστηση, όπως η δασοκομία παραγωγής και η γεωργική καλλιέργεια.</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%C2%AB%CE%B3%CF%85%CE%BC%CE%BD%CE%BF%CF%8D%C2%BB_%CE%B5%CE%B4%CE%AC%CF%86%CE%BF%CF%85%CF%82_%CF%83%CF%84%CE%B7_%CE%B3%CE%B5%CF%89%CF%81%CE%B3%CE%AF%CE%B1_... 2022-03-17T20:00:42Z

<p>Sofia Gkretsi: </p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Γεωργία]]<br /> <br /> '''Χαρτογράφηση «γυμνού» εδάφους στη γεωργία και τη δασοκομία των λόφων της Νέας Ζηλανδίας για την εκτίμηση κινδύνου διάβρωσης του εδάφους: Μια αυτοματοποιημένη μέθοδος τηλεπισκόπησης μέσω δορυφόρου'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Mapping bare ground in New Zealand hill-country agriculture and forestry for soil erosion risk assessment: An automated satellite remote-sensing method<br /> <br /> '''Συγγραφείς:''' Heather North, Alexander Amies, John Dymond, Stella Belliss, David Pairman, John Drewry, Jan Schindler, James Shepherd<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2022 (Journal of Environmental Management)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.jenvman.2021.113812<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI1.PNG|200px|thumb|right|'''Εικόνα 1.''' Κατανομή του χαρτογραφημένου «γυμνού» εδάφους λόγω (α) χειμερινής βόσκησης και (β) δασοκομίας που γίνονται «γυμνά» 20% ή και περισσότερο οποιαδήποτε στιγμή κατά τη διάρκεια του έτους. Οι μεγεθύνσεις αφορούν την περιοχή γεωργικής μελέτης Fairlie, South Canterbury, και την περιοχή μελέτης δασοκομίας Tokomaru Bay, Gisborne. Μέσα σε κάθε μεγέθυνση υπάρχει ένα μπλε ορθογώνιο που υποδεικνύει τη θέση των περαιτέρω μεγεθύνσεων που φαίνεται στην Εικόνα 2.]]<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI2.PNG|200px|thumb|right|'''Εικόνα 2.'''Μεγεθύνσεις (2 × 1,5 km) που δείχνουν τις λεπτομέρειες των πολυγώνων αγροτεμαχίων. Οι θέσεις αυτών των μεγεθύνσεων υποδεικνύονται από τα μπλε ορθογώνια στην Εικόνα 1. (α) Τοποθεσία γεωργικής μελέτης που φαίνεται στα κανάλια Sentinel-2: 12 (SWIR-2), 4 (κόκκινο) και 2 (μπλε), στις οποίες η καλλιέργεια brassica εμφανίζεται μπλε, τα λιβάδια μωβ-κόκκινο, και το «γυμνό» έδαφος λευκό. (β) Η περιοχή μελέτης δασοκομίας φαίνεται στα κανάλια Sentinel-2: 8 (NIR), 4 (κόκκινο) και 3 (πράσινο), στις οποίες το «ώριμο» δάσος εμφανίζεται σκούρο κόκκινο, τα χαμηλά δέντρα ή άλλη μερική κάλυψη βλάστησης ροζ και οι περιοχές συγκομιδής ως κυανό. ]]<br /> <br /> <br /> '''Εισαγωγή'''<br /> <br /> Στη Νέα Ζηλανδία (NZ) και παγκοσμίως, υπάρχει αυξανόμενη ανησυχία για τις επιπτώσεις των ανθρώπινων δραστηριοτήτων στην ποιότητα του πόσιμου νερού. Κύριος παράγοντας των επιπτώσεων στο πόσιμο νερό είναι η διάβρωση του εδάφους, όχι μόνο επειδή αυξάνει την καθίζηση ποταμών, λιμνών, εκβολών ποταμών και σχετικών υδρόβιων οικοτόπων, αλλά και εξαιτίας της μεταφοράς ιζήματος, όπως θρεπτικά συστατικά και μικροβιακοί ρύποι, στις υδάτινες οδούς. Τα εδάφη με κλίση χωρίς φυτική κάλυψη απομακρύνονται εύκολα λόγω επιφανειακής διάβρωσης κατά τη διάρκεια έντονων βροχοπτώσεων. Δύο βασικές αιτίες αφαίρεσης της βλάστησης στις ορεινές περιοχές είναι η χειμερινή βόσκηση χορτονομής των ζώων (βοοειδή, πρόβατα και ελάφια) και η απομάκρυνση όλων των δέντρων από μια περιοχή που έχει επιλεγεί για συγκομιδή δασοκομίας παραγωγής. Μια ακόμη αιτία «γυμνού» εδάφους είναι η καλλιέργεια για ανανέωση βοσκοτόπων ή οι αροτραίες καλλιέργειες, με τα ζώα να βόσκουν μεταξύ των αμειψισπορών. Το «γυμνό» έδαφος που εκτίθεται από αυτές τις δραστηριότητες ποικίλλει ετησίως και εποχιακά σε τοποθεσία και χωρική έκταση. <br /> Στην παρούσα ανασκόπηση, αναπτύσσεται μια μέθοδος ανάλυσης δορυφορικών εικόνων χρονοσειράς για τη χαρτογράφηση αγροτεμαχίων αυτών των χρήσεων γης, επιτρέποντας έτσι την κάλυψη ευρείας περιοχής και την ευκολία ενημέρωσης, καθώς επίσης και ποσοτικοποίηση του «γυμνού» εδάφους για τη μοντελοποίηση της διάβρωσης του εδάφους. Η μοντελοποίηση απαιτεί χρονικά και χωρικά σαφή χαρτογράφηση αυτού του «γυμνού» εδάφους. Η χρονική ανάλυση προσδιορίζει τη χρήση γης μαζί με την περίοδο απομάκρυνσης της βλάστησης και παράγει αποτελέσματα ανά αγροτεμάχιο (σε διανυσματική μορφή) για χρήση σε πρόγραμμα Γεωγραφικού Συστήματος Πληροφοριών (GIS). Παρουσιάζεται μια περιγραφή της μεθόδου, εθνικοί χάρτες και στατιστικά στοιχεία της έκτασης του «γυμνού» εδάφους στη δασοκομία και της χειμερινής κτηνοτροφικής βοσκής της Νέας Ζηλανδίας το 2018 και μια αξιολόγηση της ακρίβειας. Τα χαρακτηριστικά των χαρτογραφημένων αγροτεμαχίων έχουν σχεδιαστεί για εισαγωγή σε ένα μοντέλο εκτίμησης της διάβρωσης του εδάφους (New Zealand Universal Soil Loss Equation, USLE).<br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> Η εθνική χαρτογράφηση απαιτεί μεγάλο όγκο δορυφορικών δεδομένων για πολυχρονική ανάλυση, επομένως όλη η επεξεργασία πραγματοποιήθηκε στις εγκαταστάσεις εθνικών υποδομών της NZ (National eScience Infrastructure (NeSI) High Performance Computing facilities).<br /> Αρχικά, επιτεύχθηκε προεπεξεργασία χρονοσειρών δορυφορικών εικόνων από τους δορυφόρους Sentinel-2A και 2B της Ευρωπαϊκής Υπηρεσίας Διαστήματος (ESA). Πραγματοποιήθηκε επεξεργασία των εικόνων από νέφη και άλλους παράγοντες που επηρεάζουν αρνητικά την απεικόνιση στις περιοχές μελέτης, δηλαδή σε γεωργικά χωράφια, δασικά τετράγωνα ή αγροτεμάχια με συνεπή διαχείριση ή καλλιέργεια, με την πάροδο του χρόνου. Μέσω του προγράμματος GIS, έγινε χαρτογράφηση δασικών πολυγώνων και ακολουθήθηκαν τα απαραίτητα βήματα επεξεργασίας για τον προσδιορισμό της κάλυψης γης και τον ποσοτικό προσδιορισμό του «γυμνού» εδάφους που είναι επιρρεπές στην επιφανειακή διάβρωση. Η βόσκηση των κτηνοτροφικών καλλιεργειών εκθέτει «γυμνό» το έδαφος, αφαιρώντας συχνά σχεδόν όλη τη βλάστηση, παρόλο που ενίοτε μπορεί να παραμείνουν οι ρίζες των φυτών. Στην ανάλυση δορυφορικών εικόνων, μια μέτρηση που χρησιμοποιείται συνήθως για την κάλυψη της βλάστησης είναι ο δείκτης βλάστησης (NDVI). Έχει χαμηλές τιμές τόσο για «γυμνό» έδαφος όσο και για νεκρή ή μη πράσινη (χωρίς χλωροφύλλη) βλάστηση. Μια επιλογή για τη διάκριση μεταξύ «γυμνού» εδάφους και μη πράσινης βλάστησης είναι να χρησιμοποιηθούν εναλλακτικοί δείκτες βλάστησης, που είναι πιο ευαίσθητοι στα υπολείμματα των καλλιεργειών, και μια δεύτερη είναι η φασματική ταξινόμηση ως διαφορετικές καλύψεις γης του «γυμνού» εδάφους και της νεκρής βλάστησης. Επιλέχθηκε το δεύτερο καθώς είναι πιο εύκολος ο προσδιορισμός των τύπων κτηνοτροφικών καλλιεργειών, βοσκοτόπων και δέντρων στη διαδικασία ταξινόμησης. Τέλος, πραγματοποιήθηκε αξιολόγηση ακρίβειας χαρτών «γυμνού» εδάφους. <br /> <br /> '''Αποτελέσματα'''<br /> Τα αποτελέσματα συνοψίζονται στις Εικόνες 1 και 2.<br /> <br /> '''Συμπεράσματα'''<br /> Για πλαγιές λόφων 7ο ή περισσότερο, τα αποτελέσματα δείχνουν 47.177 εκτάρια χειμερινής χορτονομής «γυμνού» εδάφους το 2018, μαζί με 159.522 εκτάρια λόγω δασικών δραστηριοτήτων. Η ακρίβεια ήταν καλύτερη για τον δασικό χάρτη από τον χάρτη χειμερινών ζωοτροφών. Πιθανό αυτό να συμβαίνει επειδή οι κανόνες ταξινόμησης είναι απλούστεροι στη δασοκομία, ενώ η γεωργική ταξινόμηση απαιτούσε συγκεκριμένο προσδιορισμό της χειμερινής χορτονομής ως αιτίας του «γυμνού» εδάφους. Οι πιο σημαντικές κτηνοτροφικές καλλιέργειες (brassica και κτηνοτροφικά τεύτλα) είναι καλά ταξινομημένες. Οι περιοχές με την πλειονότητα των χειμερινών χορτονομών της Νέας Ζηλανδίας (Canterbury, Otago και Southland) έχουν, κατά μέσο όρο, την υψηλότερη ακρίβεια χαρτογράφησης. Η αυτοματοποιημένη μέθοδος ανάλυσης δορυφορικής εικόνας είναι ένας πρακτικός τρόπος για να ληφθούν χωρικά και χρονικά σαφή δεδομένα σχετικά με τη βλάστηση για τον παράγοντα C σε μοντέλα επιφανειακής διάβρωσης τύπου USLE. Η προσέγγιση αυτή στη χαρτογράφηση είναι ιδιαίτερα σημαντική για χρήσεις γης όπου υπάρχει υψηλή χρονική μεταβλητότητα στη βλάστηση, όπως η δασοκομία παραγωγής και η γεωργική καλλιέργεια.</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%C2%AB%CE%B3%CF%85%CE%BC%CE%BD%CE%BF%CF%8D%C2%BB_%CE%B5%CE%B4%CE%AC%CF%86%CE%BF%CF%85%CF%82_%CF%83%CF%84%CE%B7_%CE%B3%CE%B5%CF%89%CF%81%CE%B3%CE%AF%CE%B1_... 2022-03-17T20:00:26Z

<p>Sofia Gkretsi: </p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Γεωργία]]<br /> <br /> '''Χαρτογράφηση «γυμνού» εδάφους στη γεωργία και τη δασοκομία των λόφων της Νέας Ζηλανδίας για την εκτίμηση κινδύνου διάβρωσης του εδάφους: Μια αυτοματοποιημένη μέθοδος τηλεπισκόπησης μέσω δορυφόρου'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Mapping bare ground in New Zealand hill-country agriculture and forestry for soil erosion risk assessment: An automated satellite remote-sensing method<br /> <br /> '''Συγγραφείς:''' Heather North, Alexander Amies, John Dymond, Stella Belliss, David Pairman, John Drewry, Jan Schindler, James Shepherd<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2022 (Journal of Environmental Management)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.jenvman.2021.113812<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI1.PNG|200px|thumb|right|'''Εικόνα 1.''' Κατανομή του χαρτογραφημένου «γυμνού» εδάφους λόγω (α) χειμερινής βόσκησης και (β) δασοκομίας που γίνονται «γυμνά» 20% ή και περισσότερο οποιαδήποτε στιγμή κατά τη διάρκεια του έτους. Οι μεγεθύνσεις αφορούν την περιοχή γεωργικής μελέτης Fairlie, South Canterbury, και την περιοχή μελέτης δασοκομίας Tokomaru Bay, Gisborne. Μέσα σε κάθε μεγέθυνση υπάρχει ένα μπλε ορθογώνιο που υποδεικνύει τη θέση των περαιτέρω μεγεθύνσεων που φαίνεται στην Εικόνα 2.]]<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI2.PNG|200px|thumb|right|'''Εικόνα 2.'''Μεγεθύνσεις (2 × 1,5 km) που δείχνουν τις λεπτομέρειες των πολυγώνων αγροτεμαχίων. Οι θέσεις αυτών των μεγεθύνσεων υποδεικνύονται από τα μπλε ορθογώνια στην Εικόνα 1. (α) Τοποθεσία γεωργικής μελέτης που φαίνεται στα κανάλια Sentinel-2: 12 (SWIR-2), 4 (κόκκινο) και 2 (μπλε), στις οποίες η καλλιέργεια brassica εμφανίζεται μπλε, τα λιβάδια μωβ-κόκκινο, και το «γυμνό» έδαφος λευκό. (β) Η περιοχή μελέτης δασοκομίας φαίνεται στα κανάλια Sentinel-2: 8 (NIR), 4 (κόκκινο) και 3 (πράσινο), στις οποίες το «ώριμο» δάσος εμφανίζεται σκούρο κόκκινο, τα χαμηλά δέντρα ή άλλη μερική κάλυψη βλάστησης ροζ και οι περιοχές συγκομιδής ως κυανό. ]]<br /> <br /> '''Εισαγωγή'''<br /> <br /> Στη Νέα Ζηλανδία (NZ) και παγκοσμίως, υπάρχει αυξανόμενη ανησυχία για τις επιπτώσεις των ανθρώπινων δραστηριοτήτων στην ποιότητα του πόσιμου νερού. Κύριος παράγοντας των επιπτώσεων στο πόσιμο νερό είναι η διάβρωση του εδάφους, όχι μόνο επειδή αυξάνει την καθίζηση ποταμών, λιμνών, εκβολών ποταμών και σχετικών υδρόβιων οικοτόπων, αλλά και εξαιτίας της μεταφοράς ιζήματος, όπως θρεπτικά συστατικά και μικροβιακοί ρύποι, στις υδάτινες οδούς. Τα εδάφη με κλίση χωρίς φυτική κάλυψη απομακρύνονται εύκολα λόγω επιφανειακής διάβρωσης κατά τη διάρκεια έντονων βροχοπτώσεων. Δύο βασικές αιτίες αφαίρεσης της βλάστησης στις ορεινές περιοχές είναι η χειμερινή βόσκηση χορτονομής των ζώων (βοοειδή, πρόβατα και ελάφια) και η απομάκρυνση όλων των δέντρων από μια περιοχή που έχει επιλεγεί για συγκομιδή δασοκομίας παραγωγής. Μια ακόμη αιτία «γυμνού» εδάφους είναι η καλλιέργεια για ανανέωση βοσκοτόπων ή οι αροτραίες καλλιέργειες, με τα ζώα να βόσκουν μεταξύ των αμειψισπορών. Το «γυμνό» έδαφος που εκτίθεται από αυτές τις δραστηριότητες ποικίλλει ετησίως και εποχιακά σε τοποθεσία και χωρική έκταση. <br /> Στην παρούσα ανασκόπηση, αναπτύσσεται μια μέθοδος ανάλυσης δορυφορικών εικόνων χρονοσειράς για τη χαρτογράφηση αγροτεμαχίων αυτών των χρήσεων γης, επιτρέποντας έτσι την κάλυψη ευρείας περιοχής και την ευκολία ενημέρωσης, καθώς επίσης και ποσοτικοποίηση του «γυμνού» εδάφους για τη μοντελοποίηση της διάβρωσης του εδάφους. Η μοντελοποίηση απαιτεί χρονικά και χωρικά σαφή χαρτογράφηση αυτού του «γυμνού» εδάφους. Η χρονική ανάλυση προσδιορίζει τη χρήση γης μαζί με την περίοδο απομάκρυνσης της βλάστησης και παράγει αποτελέσματα ανά αγροτεμάχιο (σε διανυσματική μορφή) για χρήση σε πρόγραμμα Γεωγραφικού Συστήματος Πληροφοριών (GIS). Παρουσιάζεται μια περιγραφή της μεθόδου, εθνικοί χάρτες και στατιστικά στοιχεία της έκτασης του «γυμνού» εδάφους στη δασοκομία και της χειμερινής κτηνοτροφικής βοσκής της Νέας Ζηλανδίας το 2018 και μια αξιολόγηση της ακρίβειας. Τα χαρακτηριστικά των χαρτογραφημένων αγροτεμαχίων έχουν σχεδιαστεί για εισαγωγή σε ένα μοντέλο εκτίμησης της διάβρωσης του εδάφους (New Zealand Universal Soil Loss Equation, USLE).<br /> <br /> '''Υλικά και μέθοδοι'''<br /> <br /> Η εθνική χαρτογράφηση απαιτεί μεγάλο όγκο δορυφορικών δεδομένων για πολυχρονική ανάλυση, επομένως όλη η επεξεργασία πραγματοποιήθηκε στις εγκαταστάσεις εθνικών υποδομών της NZ (National eScience Infrastructure (NeSI) High Performance Computing facilities).<br /> Αρχικά, επιτεύχθηκε προεπεξεργασία χρονοσειρών δορυφορικών εικόνων από τους δορυφόρους Sentinel-2A και 2B της Ευρωπαϊκής Υπηρεσίας Διαστήματος (ESA). Πραγματοποιήθηκε επεξεργασία των εικόνων από νέφη και άλλους παράγοντες που επηρεάζουν αρνητικά την απεικόνιση στις περιοχές μελέτης, δηλαδή σε γεωργικά χωράφια, δασικά τετράγωνα ή αγροτεμάχια με συνεπή διαχείριση ή καλλιέργεια, με την πάροδο του χρόνου. Μέσω του προγράμματος GIS, έγινε χαρτογράφηση δασικών πολυγώνων και ακολουθήθηκαν τα απαραίτητα βήματα επεξεργασίας για τον προσδιορισμό της κάλυψης γης και τον ποσοτικό προσδιορισμό του «γυμνού» εδάφους που είναι επιρρεπές στην επιφανειακή διάβρωση. Η βόσκηση των κτηνοτροφικών καλλιεργειών εκθέτει «γυμνό» το έδαφος, αφαιρώντας συχνά σχεδόν όλη τη βλάστηση, παρόλο που ενίοτε μπορεί να παραμείνουν οι ρίζες των φυτών. Στην ανάλυση δορυφορικών εικόνων, μια μέτρηση που χρησιμοποιείται συνήθως για την κάλυψη της βλάστησης είναι ο δείκτης βλάστησης (NDVI). Έχει χαμηλές τιμές τόσο για «γυμνό» έδαφος όσο και για νεκρή ή μη πράσινη (χωρίς χλωροφύλλη) βλάστηση. Μια επιλογή για τη διάκριση μεταξύ «γυμνού» εδάφους και μη πράσινης βλάστησης είναι να χρησιμοποιηθούν εναλλακτικοί δείκτες βλάστησης, που είναι πιο ευαίσθητοι στα υπολείμματα των καλλιεργειών, και μια δεύτερη είναι η φασματική ταξινόμηση ως διαφορετικές καλύψεις γης του «γυμνού» εδάφους και της νεκρής βλάστησης. Επιλέχθηκε το δεύτερο καθώς είναι πιο εύκολος ο προσδιορισμός των τύπων κτηνοτροφικών καλλιεργειών, βοσκοτόπων και δέντρων στη διαδικασία ταξινόμησης. Τέλος, πραγματοποιήθηκε αξιολόγηση ακρίβειας χαρτών «γυμνού» εδάφους. <br /> <br /> '''Αποτελέσματα'''<br /> Τα αποτελέσματα συνοψίζονται στις Εικόνες 1 και 2.<br /> <br /> '''Συμπεράσματα'''<br /> Για πλαγιές λόφων 7ο ή περισσότερο, τα αποτελέσματα δείχνουν 47.177 εκτάρια χειμερινής χορτονομής «γυμνού» εδάφους το 2018, μαζί με 159.522 εκτάρια λόγω δασικών δραστηριοτήτων. Η ακρίβεια ήταν καλύτερη για τον δασικό χάρτη από τον χάρτη χειμερινών ζωοτροφών. Πιθανό αυτό να συμβαίνει επειδή οι κανόνες ταξινόμησης είναι απλούστεροι στη δασοκομία, ενώ η γεωργική ταξινόμηση απαιτούσε συγκεκριμένο προσδιορισμό της χειμερινής χορτονομής ως αιτίας του «γυμνού» εδάφους. Οι πιο σημαντικές κτηνοτροφικές καλλιέργειες (brassica και κτηνοτροφικά τεύτλα) είναι καλά ταξινομημένες. Οι περιοχές με την πλειονότητα των χειμερινών χορτονομών της Νέας Ζηλανδίας (Canterbury, Otago και Southland) έχουν, κατά μέσο όρο, την υψηλότερη ακρίβεια χαρτογράφησης. Η αυτοματοποιημένη μέθοδος ανάλυσης δορυφορικής εικόνας είναι ένας πρακτικός τρόπος για να ληφθούν χωρικά και χρονικά σαφή δεδομένα σχετικά με τη βλάστηση για τον παράγοντα C σε μοντέλα επιφανειακής διάβρωσης τύπου USLE. Η προσέγγιση αυτή στη χαρτογράφηση είναι ιδιαίτερα σημαντική για χρήσεις γης όπου υπάρχει υψηλή χρονική μεταβλητότητα στη βλάστηση, όπως η δασοκομία παραγωγής και η γεωργική καλλιέργεια.</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%C2%AB%CE%B3%CF%85%CE%BC%CE%BD%CE%BF%CF%8D%C2%BB_%CE%B5%CE%B4%CE%AC%CF%86%CE%BF%CF%85%CF%82_%CF%83%CF%84%CE%B7_%CE%B3%CE%B5%CF%89%CF%81%CE%B3%CE%AF%CE%B1_... 2022-03-17T19:59:46Z

<p>Sofia Gkretsi: </p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Γεωργία]]<br /> <br /> '''Χαρτογράφηση «γυμνού» εδάφους στη γεωργία και τη δασοκομία των λόφων της Νέας Ζηλανδίας για την εκτίμηση κινδύνου διάβρωσης του εδάφους: Μια αυτοματοποιημένη μέθοδος τηλεπισκόπησης μέσω δορυφόρου'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Mapping bare ground in New Zealand hill-country agriculture and forestry for soil erosion risk assessment: An automated satellite remote-sensing method<br /> <br /> '''Συγγραφείς:''' Heather North, Alexander Amies, John Dymond, Stella Belliss, David Pairman, John Drewry, Jan Schindler, James Shepherd<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2022 (Journal of Environmental Management)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.jenvman.2021.113812<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI1.PNG|200px|thumb|right|'''Εικόνα 1.''' Κατανομή του χαρτογραφημένου «γυμνού» εδάφους λόγω (α) χειμερινής βόσκησης και (β) δασοκομίας που γίνονται «γυμνά» 20% ή και περισσότερο οποιαδήποτε στιγμή κατά τη διάρκεια του έτους. Οι μεγεθύνσεις αφορούν την περιοχή γεωργικής μελέτης Fairlie, South Canterbury, και την περιοχή μελέτης δασοκομίας Tokomaru Bay, Gisborne. Μέσα σε κάθε μεγέθυνση υπάρχει ένα μπλε ορθογώνιο που υποδεικνύει τη θέση των περαιτέρω μεγεθύνσεων που φαίνεται στην Εικόνα 2.]]<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI2.PNG|200px|thumb|right|'''Εικόνα 2.'''Μεγεθύνσεις (2 × 1,5 km) που δείχνουν τις λεπτομέρειες των πολυγώνων αγροτεμαχίων. Οι θέσεις αυτών των μεγεθύνσεων υποδεικνύονται από τα μπλε ορθογώνια στην Εικόνα 1. (α) Τοποθεσία γεωργικής μελέτης που φαίνεται στα κανάλια Sentinel-2: 12 (SWIR-2), 4 (κόκκινο) και 2 (μπλε), στις οποίες η καλλιέργεια brassica εμφανίζεται μπλε, τα λιβάδια μωβ-κόκκινο, και το «γυμνό» έδαφος λευκό. (β) Η περιοχή μελέτης δασοκομίας φαίνεται στα κανάλια Sentinel-2: 8 (NIR), 4 (κόκκινο) και 3 (πράσινο), στις οποίες το «ώριμο» δάσος εμφανίζεται σκούρο κόκκινο, τα χαμηλά δέντρα ή άλλη μερική κάλυψη βλάστησης ροζ και οι περιοχές συγκομιδής ως κυανό. ]]<br /> <br /> '''Εισαγωγή'''<br /> Στη Νέα Ζηλανδία (NZ) και παγκοσμίως, υπάρχει αυξανόμενη ανησυχία για τις επιπτώσεις των ανθρώπινων δραστηριοτήτων στην ποιότητα του πόσιμου νερού. Κύριος παράγοντας των επιπτώσεων στο πόσιμο νερό είναι η διάβρωση του εδάφους, όχι μόνο επειδή αυξάνει την καθίζηση ποταμών, λιμνών, εκβολών ποταμών και σχετικών υδρόβιων οικοτόπων, αλλά και εξαιτίας της μεταφοράς ιζήματος, όπως θρεπτικά συστατικά και μικροβιακοί ρύποι, στις υδάτινες οδούς. Τα εδάφη με κλίση χωρίς φυτική κάλυψη απομακρύνονται εύκολα λόγω επιφανειακής διάβρωσης κατά τη διάρκεια έντονων βροχοπτώσεων. Δύο βασικές αιτίες αφαίρεσης της βλάστησης στις ορεινές περιοχές είναι η χειμερινή βόσκηση χορτονομής των ζώων (βοοειδή, πρόβατα και ελάφια) και η απομάκρυνση όλων των δέντρων από μια περιοχή που έχει επιλεγεί για συγκομιδή δασοκομίας παραγωγής. Μια ακόμη αιτία «γυμνού» εδάφους είναι η καλλιέργεια για ανανέωση βοσκοτόπων ή οι αροτραίες καλλιέργειες, με τα ζώα να βόσκουν μεταξύ των αμειψισπορών. Το «γυμνό» έδαφος που εκτίθεται από αυτές τις δραστηριότητες ποικίλλει ετησίως και εποχιακά σε τοποθεσία και χωρική έκταση. <br /> Στην παρούσα ανασκόπηση, αναπτύσσεται μια μέθοδος ανάλυσης δορυφορικών εικόνων χρονοσειράς για τη χαρτογράφηση αγροτεμαχίων αυτών των χρήσεων γης, επιτρέποντας έτσι την κάλυψη ευρείας περιοχής και την ευκολία ενημέρωσης, καθώς επίσης και ποσοτικοποίηση του «γυμνού» εδάφους για τη μοντελοποίηση της διάβρωσης του εδάφους. Η μοντελοποίηση απαιτεί χρονικά και χωρικά σαφή χαρτογράφηση αυτού του «γυμνού» εδάφους. Η χρονική ανάλυση προσδιορίζει τη χρήση γης μαζί με την περίοδο απομάκρυνσης της βλάστησης και παράγει αποτελέσματα ανά αγροτεμάχιο (σε διανυσματική μορφή) για χρήση σε πρόγραμμα Γεωγραφικού Συστήματος Πληροφοριών (GIS). Παρουσιάζεται μια περιγραφή της μεθόδου, εθνικοί χάρτες και στατιστικά στοιχεία της έκτασης του «γυμνού» εδάφους στη δασοκομία και της χειμερινής κτηνοτροφικής βοσκής της Νέας Ζηλανδίας το 2018 και μια αξιολόγηση της ακρίβειας. Τα χαρακτηριστικά των χαρτογραφημένων αγροτεμαχίων έχουν σχεδιαστεί για εισαγωγή σε ένα μοντέλο εκτίμησης της διάβρωσης του εδάφους (New Zealand Universal Soil Loss Equation, USLE).<br /> <br /> '''Υλικά και μέθοδοι'''<br /> Η εθνική χαρτογράφηση απαιτεί μεγάλο όγκο δορυφορικών δεδομένων για πολυχρονική ανάλυση, επομένως όλη η επεξεργασία πραγματοποιήθηκε στις εγκαταστάσεις εθνικών υποδομών της NZ (National eScience Infrastructure (NeSI) High Performance Computing facilities).<br /> Αρχικά, επιτεύχθηκε προεπεξεργασία χρονοσειρών δορυφορικών εικόνων από τους δορυφόρους Sentinel-2A και 2B της Ευρωπαϊκής Υπηρεσίας Διαστήματος (ESA). Πραγματοποιήθηκε επεξεργασία των εικόνων από νέφη και άλλους παράγοντες που επηρεάζουν αρνητικά την απεικόνιση στις περιοχές μελέτης, δηλαδή σε γεωργικά χωράφια, δασικά τετράγωνα ή αγροτεμάχια με συνεπή διαχείριση ή καλλιέργεια, με την πάροδο του χρόνου. Μέσω του προγράμματος GIS, έγινε χαρτογράφηση δασικών πολυγώνων και ακολουθήθηκαν τα απαραίτητα βήματα επεξεργασίας για τον προσδιορισμό της κάλυψης γης και τον ποσοτικό προσδιορισμό του «γυμνού» εδάφους που είναι επιρρεπές στην επιφανειακή διάβρωση. Η βόσκηση των κτηνοτροφικών καλλιεργειών εκθέτει «γυμνό» το έδαφος, αφαιρώντας συχνά σχεδόν όλη τη βλάστηση, παρόλο που ενίοτε μπορεί να παραμείνουν οι ρίζες των φυτών. Στην ανάλυση δορυφορικών εικόνων, μια μέτρηση που χρησιμοποιείται συνήθως για την κάλυψη της βλάστησης είναι ο δείκτης βλάστησης (NDVI). Έχει χαμηλές τιμές τόσο για «γυμνό» έδαφος όσο και για νεκρή ή μη πράσινη (χωρίς χλωροφύλλη) βλάστηση. Μια επιλογή για τη διάκριση μεταξύ «γυμνού» εδάφους και μη πράσινης βλάστησης είναι να χρησιμοποιηθούν εναλλακτικοί δείκτες βλάστησης, που είναι πιο ευαίσθητοι στα υπολείμματα των καλλιεργειών, και μια δεύτερη είναι η φασματική ταξινόμηση ως διαφορετικές καλύψεις γης του «γυμνού» εδάφους και της νεκρής βλάστησης. Επιλέχθηκε το δεύτερο καθώς είναι πιο εύκολος ο προσδιορισμός των τύπων κτηνοτροφικών καλλιεργειών, βοσκοτόπων και δέντρων στη διαδικασία ταξινόμησης. Τέλος, πραγματοποιήθηκε αξιολόγηση ακρίβειας χαρτών «γυμνού» εδάφους. <br /> <br /> '''Αποτελέσματα'''<br /> Τα αποτελέσματα συνοψίζονται στις Εικόνες 1 και 2.<br /> <br /> '''Συμπεράσματα'''<br /> Για πλαγιές λόφων 7ο ή περισσότερο, τα αποτελέσματα δείχνουν 47.177 εκτάρια χειμερινής χορτονομής «γυμνού» εδάφους το 2018, μαζί με 159.522 εκτάρια λόγω δασικών δραστηριοτήτων. Η ακρίβεια ήταν καλύτερη για τον δασικό χάρτη από τον χάρτη χειμερινών ζωοτροφών. Πιθανό αυτό να συμβαίνει επειδή οι κανόνες ταξινόμησης είναι απλούστεροι στη δασοκομία, ενώ η γεωργική ταξινόμηση απαιτούσε συγκεκριμένο προσδιορισμό της χειμερινής χορτονομής ως αιτίας του «γυμνού» εδάφους. Οι πιο σημαντικές κτηνοτροφικές καλλιέργειες (brassica και κτηνοτροφικά τεύτλα) είναι καλά ταξινομημένες. Οι περιοχές με την πλειονότητα των χειμερινών χορτονομών της Νέας Ζηλανδίας (Canterbury, Otago και Southland) έχουν, κατά μέσο όρο, την υψηλότερη ακρίβεια χαρτογράφησης. Η αυτοματοποιημένη μέθοδος ανάλυσης δορυφορικής εικόνας είναι ένας πρακτικός τρόπος για να ληφθούν χωρικά και χρονικά σαφή δεδομένα σχετικά με τη βλάστηση για τον παράγοντα C σε μοντέλα επιφανειακής διάβρωσης τύπου USLE. Η προσέγγιση αυτή στη χαρτογράφηση είναι ιδιαίτερα σημαντική για χρήσεις γης όπου υπάρχει υψηλή χρονική μεταβλητότητα στη βλάστηση, όπως η δασοκομία παραγωγής και η γεωργική καλλιέργεια.</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%C2%AB%CE%B3%CF%85%CE%BC%CE%BD%CE%BF%CF%8D%C2%BB_%CE%B5%CE%B4%CE%AC%CF%86%CE%BF%CF%85%CF%82_%CF%83%CF%84%CE%B7_%CE%B3%CE%B5%CF%89%CF%81%CE%B3%CE%AF%CE%B1_... 2022-03-17T19:58:37Z

<p>Sofia Gkretsi: </p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Γεωργία]]<br /> <br /> '''Χαρτογράφηση «γυμνού» εδάφους στη γεωργία και τη δασοκομία των λόφων της Νέας Ζηλανδίας για την εκτίμηση κινδύνου διάβρωσης του εδάφους: Μια αυτοματοποιημένη μέθοδος τηλεπισκόπησης μέσω δορυφόρου'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Mapping bare ground in New Zealand hill-country agriculture and forestry for soil erosion risk assessment: An automated satellite remote-sensing method<br /> <br /> '''Συγγραφείς:''' Heather North, Alexander Amies, John Dymond, Stella Belliss, David Pairman, John Drewry, Jan Schindler, James Shepherd<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2022 (Journal of Environmental Management)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.jenvman.2021.113812<br /> <br /> '''Εισαγωγή'''<br /> Στη Νέα Ζηλανδία (NZ) και παγκοσμίως, υπάρχει αυξανόμενη ανησυχία για τις επιπτώσεις των ανθρώπινων δραστηριοτήτων στην ποιότητα του πόσιμου νερού. Κύριος παράγοντας των επιπτώσεων στο πόσιμο νερό είναι η διάβρωση του εδάφους, όχι μόνο επειδή αυξάνει την καθίζηση ποταμών, λιμνών, εκβολών ποταμών και σχετικών υδρόβιων οικοτόπων, αλλά και εξαιτίας της μεταφοράς ιζήματος, όπως θρεπτικά συστατικά και μικροβιακοί ρύποι, στις υδάτινες οδούς. Τα εδάφη με κλίση χωρίς φυτική κάλυψη απομακρύνονται εύκολα λόγω επιφανειακής διάβρωσης κατά τη διάρκεια έντονων βροχοπτώσεων. Δύο βασικές αιτίες αφαίρεσης της βλάστησης στις ορεινές περιοχές είναι η χειμερινή βόσκηση χορτονομής των ζώων (βοοειδή, πρόβατα και ελάφια) και η απομάκρυνση όλων των δέντρων από μια περιοχή που έχει επιλεγεί για συγκομιδή δασοκομίας παραγωγής. Μια ακόμη αιτία «γυμνού» εδάφους είναι η καλλιέργεια για ανανέωση βοσκοτόπων ή οι αροτραίες καλλιέργειες, με τα ζώα να βόσκουν μεταξύ των αμειψισπορών. Το «γυμνό» έδαφος που εκτίθεται από αυτές τις δραστηριότητες ποικίλλει ετησίως και εποχιακά σε τοποθεσία και χωρική έκταση. <br /> Στην παρούσα ανασκόπηση, αναπτύσσεται μια μέθοδος ανάλυσης δορυφορικών εικόνων χρονοσειράς για τη χαρτογράφηση αγροτεμαχίων αυτών των χρήσεων γης, επιτρέποντας έτσι την κάλυψη ευρείας περιοχής και την ευκολία ενημέρωσης, καθώς επίσης και ποσοτικοποίηση του «γυμνού» εδάφους για τη μοντελοποίηση της διάβρωσης του εδάφους. Η μοντελοποίηση απαιτεί χρονικά και χωρικά σαφή χαρτογράφηση αυτού του «γυμνού» εδάφους. Η χρονική ανάλυση προσδιορίζει τη χρήση γης μαζί με την περίοδο απομάκρυνσης της βλάστησης και παράγει αποτελέσματα ανά αγροτεμάχιο (σε διανυσματική μορφή) για χρήση σε πρόγραμμα Γεωγραφικού Συστήματος Πληροφοριών (GIS). Παρουσιάζεται μια περιγραφή της μεθόδου, εθνικοί χάρτες και στατιστικά στοιχεία της έκτασης του «γυμνού» εδάφους στη δασοκομία και της χειμερινής κτηνοτροφικής βοσκής της Νέας Ζηλανδίας το 2018 και μια αξιολόγηση της ακρίβειας. Τα χαρακτηριστικά των χαρτογραφημένων αγροτεμαχίων έχουν σχεδιαστεί για εισαγωγή σε ένα μοντέλο εκτίμησης της διάβρωσης του εδάφους (New Zealand Universal Soil Loss Equation, USLE).<br /> <br /> '''Υλικά και μέθοδοι'''<br /> Η εθνική χαρτογράφηση απαιτεί μεγάλο όγκο δορυφορικών δεδομένων για πολυχρονική ανάλυση, επομένως όλη η επεξεργασία πραγματοποιήθηκε στις εγκαταστάσεις εθνικών υποδομών της NZ (National eScience Infrastructure (NeSI) High Performance Computing facilities).<br /> Αρχικά, επιτεύχθηκε προεπεξεργασία χρονοσειρών δορυφορικών εικόνων από τους δορυφόρους Sentinel-2A και 2B της Ευρωπαϊκής Υπηρεσίας Διαστήματος (ESA). Πραγματοποιήθηκε επεξεργασία των εικόνων από νέφη και άλλους παράγοντες που επηρεάζουν αρνητικά την απεικόνιση στις περιοχές μελέτης, δηλαδή σε γεωργικά χωράφια, δασικά τετράγωνα ή αγροτεμάχια με συνεπή διαχείριση ή καλλιέργεια, με την πάροδο του χρόνου. Μέσω του προγράμματος GIS, έγινε χαρτογράφηση δασικών πολυγώνων και ακολουθήθηκαν τα απαραίτητα βήματα επεξεργασίας για τον προσδιορισμό της κάλυψης γης και τον ποσοτικό προσδιορισμό του «γυμνού» εδάφους που είναι επιρρεπές στην επιφανειακή διάβρωση. Η βόσκηση των κτηνοτροφικών καλλιεργειών εκθέτει «γυμνό» το έδαφος, αφαιρώντας συχνά σχεδόν όλη τη βλάστηση, παρόλο που ενίοτε μπορεί να παραμείνουν οι ρίζες των φυτών. Στην ανάλυση δορυφορικών εικόνων, μια μέτρηση που χρησιμοποιείται συνήθως για την κάλυψη της βλάστησης είναι ο δείκτης βλάστησης (NDVI). Έχει χαμηλές τιμές τόσο για «γυμνό» έδαφος όσο και για νεκρή ή μη πράσινη (χωρίς χλωροφύλλη) βλάστηση. Μια επιλογή για τη διάκριση μεταξύ «γυμνού» εδάφους και μη πράσινης βλάστησης είναι να χρησιμοποιηθούν εναλλακτικοί δείκτες βλάστησης, που είναι πιο ευαίσθητοι στα υπολείμματα των καλλιεργειών, και μια δεύτερη είναι η φασματική ταξινόμηση ως διαφορετικές καλύψεις γης του «γυμνού» εδάφους και της νεκρής βλάστησης. Επιλέχθηκε το δεύτερο καθώς είναι πιο εύκολος ο προσδιορισμός των τύπων κτηνοτροφικών καλλιεργειών, βοσκοτόπων και δέντρων στη διαδικασία ταξινόμησης. Τέλος, πραγματοποιήθηκε αξιολόγηση ακρίβειας χαρτών «γυμνού» εδάφους. <br /> <br /> '''Αποτελέσματα'''<br /> Τα αποτελέσματα συνοψίζονται στις Εικόνες 1 και 2.<br /> [[Αρχείο:2.SOFIAGKRETSI1.PNG|200px|thumb|middle|'''Εικόνα 1.''' Κατανομή του χαρτογραφημένου «γυμνού» εδάφους λόγω (α) χειμερινής βόσκησης και (β) δασοκομίας που γίνονται «γυμνά» 20% ή και περισσότερο οποιαδήποτε στιγμή κατά τη διάρκεια του έτους. Οι μεγεθύνσεις αφορούν την περιοχή γεωργικής μελέτης Fairlie, South Canterbury, και την περιοχή μελέτης δασοκομίας Tokomaru Bay, Gisborne. Μέσα σε κάθε μεγέθυνση υπάρχει ένα μπλε ορθογώνιο που υποδεικνύει τη θέση των περαιτέρω μεγεθύνσεων που φαίνεται στην Εικόνα 2.]]<br /> <br /> [[Αρχείο:2.SOFIAGKRETSI2.PNG|200px|thumb|middle|'''Εικόνα 2.'''Μεγεθύνσεις (2 × 1,5 km) που δείχνουν τις λεπτομέρειες των πολυγώνων αγροτεμαχίων. Οι θέσεις αυτών των μεγεθύνσεων υποδεικνύονται από τα μπλε ορθογώνια στην Εικόνα 1. (α) Τοποθεσία γεωργικής μελέτης που φαίνεται στα κανάλια Sentinel-2: 12 (SWIR-2), 4 (κόκκινο) και 2 (μπλε), στις οποίες η καλλιέργεια brassica εμφανίζεται μπλε, τα λιβάδια μωβ-κόκκινο, και το «γυμνό» έδαφος λευκό. (β) Η περιοχή μελέτης δασοκομίας φαίνεται στα κανάλια Sentinel-2: 8 (NIR), 4 (κόκκινο) και 3 (πράσινο), στις οποίες το «ώριμο» δάσος εμφανίζεται σκούρο κόκκινο, τα χαμηλά δέντρα ή άλλη μερική κάλυψη βλάστησης ροζ και οι περιοχές συγκομιδής ως κυανό. ]]<br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> Για πλαγιές λόφων 7ο ή περισσότερο, τα αποτελέσματα δείχνουν 47.177 εκτάρια χειμερινής χορτονομής «γυμνού» εδάφους το 2018, μαζί με 159.522 εκτάρια λόγω δασικών δραστηριοτήτων. Η ακρίβεια ήταν καλύτερη για τον δασικό χάρτη από τον χάρτη χειμερινών ζωοτροφών. Πιθανό αυτό να συμβαίνει επειδή οι κανόνες ταξινόμησης είναι απλούστεροι στη δασοκομία, ενώ η γεωργική ταξινόμηση απαιτούσε συγκεκριμένο προσδιορισμό της χειμερινής χορτονομής ως αιτίας του «γυμνού» εδάφους. Οι πιο σημαντικές κτηνοτροφικές καλλιέργειες (brassica και κτηνοτροφικά τεύτλα) είναι καλά ταξινομημένες. Οι περιοχές με την πλειονότητα των χειμερινών χορτονομών της Νέας Ζηλανδίας (Canterbury, Otago και Southland) έχουν, κατά μέσο όρο, την υψηλότερη ακρίβεια χαρτογράφησης. Η αυτοματοποιημένη μέθοδος ανάλυσης δορυφορικής εικόνας είναι ένας πρακτικός τρόπος για να ληφθούν χωρικά και χρονικά σαφή δεδομένα σχετικά με τη βλάστηση για τον παράγοντα C σε μοντέλα επιφανειακής διάβρωσης τύπου USLE. Η προσέγγιση αυτή στη χαρτογράφηση είναι ιδιαίτερα σημαντική για χρήσεις γης όπου υπάρχει υψηλή χρονική μεταβλητότητα στη βλάστηση, όπως η δασοκομία παραγωγής και η γεωργική καλλιέργεια.</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:2.SOFIAGKRETSI2.PNG 2022-03-17T19:54:48Z

<p>Sofia Gkretsi: </p> <hr /> <div></div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:2.SOFIAGKRETSI1.PNG 2022-03-17T19:54:23Z

<p>Sofia Gkretsi: </p> <hr /> <div></div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%C2%AB%CE%B3%CF%85%CE%BC%CE%BD%CE%BF%CF%8D%C2%BB_%CE%B5%CE%B4%CE%AC%CF%86%CE%BF%CF%85%CF%82_%CF%83%CF%84%CE%B7_%CE%B3%CE%B5%CF%89%CF%81%CE%B3%CE%AF%CE%B1_... 2022-03-17T19:53:22Z

<p>Sofia Gkretsi: Νέα σελίδα με 'Add Your Content Here category:Γεωργία '''Χαρτογράφηση «γυμνού» εδάφους στη γεωργία και τη δασοκομία τω...'</p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Γεωργία]]<br /> <br /> '''Χαρτογράφηση «γυμνού» εδάφους στη γεωργία και τη δασοκομία των λόφων της Νέας Ζηλανδίας για την εκτίμηση κινδύνου διάβρωσης του εδάφους: Μια αυτοματοποιημένη μέθοδος τηλεπισκόπησης μέσω δορυφόρου'''<br /> <br /> '''Πρωτότυπος τίτλος:''' Mapping bare ground in New Zealand hill-country agriculture and forestry for soil erosion risk assessment: An automated satellite remote-sensing method<br /> <br /> '''Συγγραφείς:''' Heather North, Alexander Amies, John Dymond, Stella Belliss, David Pairman, John Drewry, Jan Schindler, James Shepherd<br /> <br /> '''Δημοσιεύθηκε:''' Ιανουάριος 2022 (Journal of Environmental Management)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.jenvman.2021.113812<br /> <br /> '''Εισαγωγή'''<br /> Στη Νέα Ζηλανδία (NZ) και παγκοσμίως, υπάρχει αυξανόμενη ανησυχία για τις επιπτώσεις των ανθρώπινων δραστηριοτήτων στην ποιότητα του πόσιμου νερού. Κύριος παράγοντας των επιπτώσεων στο πόσιμο νερό είναι η διάβρωση του εδάφους, όχι μόνο επειδή αυξάνει την καθίζηση ποταμών, λιμνών, εκβολών ποταμών και σχετικών υδρόβιων οικοτόπων, αλλά και εξαιτίας της μεταφοράς ιζήματος, όπως θρεπτικά συστατικά και μικροβιακοί ρύποι, στις υδάτινες οδούς. Τα εδάφη με κλίση χωρίς φυτική κάλυψη απομακρύνονται εύκολα λόγω επιφανειακής διάβρωσης κατά τη διάρκεια έντονων βροχοπτώσεων. Δύο βασικές αιτίες αφαίρεσης της βλάστησης στις ορεινές περιοχές είναι η χειμερινή βόσκηση χορτονομής των ζώων (βοοειδή, πρόβατα και ελάφια) και η απομάκρυνση όλων των δέντρων από μια περιοχή που έχει επιλεγεί για συγκομιδή δασοκομίας παραγωγής. Μια ακόμη αιτία «γυμνού» εδάφους είναι η καλλιέργεια για ανανέωση βοσκοτόπων ή οι αροτραίες καλλιέργειες, με τα ζώα να βόσκουν μεταξύ των αμειψισπορών. Το «γυμνό» έδαφος που εκτίθεται από αυτές τις δραστηριότητες ποικίλλει ετησίως και εποχιακά σε τοποθεσία και χωρική έκταση. <br /> Στην παρούσα ανασκόπηση, αναπτύσσεται μια μέθοδος ανάλυσης δορυφορικών εικόνων χρονοσειράς για τη χαρτογράφηση αγροτεμαχίων αυτών των χρήσεων γης, επιτρέποντας έτσι την κάλυψη ευρείας περιοχής και την ευκολία ενημέρωσης, καθώς επίσης και ποσοτικοποίηση του «γυμνού» εδάφους για τη μοντελοποίηση της διάβρωσης του εδάφους. Η μοντελοποίηση απαιτεί χρονικά και χωρικά σαφή χαρτογράφηση αυτού του «γυμνού» εδάφους. Η χρονική ανάλυση προσδιορίζει τη χρήση γης μαζί με την περίοδο απομάκρυνσης της βλάστησης και παράγει αποτελέσματα ανά αγροτεμάχιο (σε διανυσματική μορφή) για χρήση σε πρόγραμμα Γεωγραφικού Συστήματος Πληροφοριών (GIS). Παρουσιάζεται μια περιγραφή της μεθόδου, εθνικοί χάρτες και στατιστικά στοιχεία της έκτασης του «γυμνού» εδάφους στη δασοκομία και της χειμερινής κτηνοτροφικής βοσκής της Νέας Ζηλανδίας το 2018 και μια αξιολόγηση της ακρίβειας. Τα χαρακτηριστικά των χαρτογραφημένων αγροτεμαχίων έχουν σχεδιαστεί για εισαγωγή σε ένα μοντέλο εκτίμησης της διάβρωσης του εδάφους (New Zealand Universal Soil Loss Equation, USLE).<br /> <br /> '''Υλικά και μέθοδοι'''<br /> Η εθνική χαρτογράφηση απαιτεί μεγάλο όγκο δορυφορικών δεδομένων για πολυχρονική ανάλυση, επομένως όλη η επεξεργασία πραγματοποιήθηκε στις εγκαταστάσεις εθνικών υποδομών της NZ (National eScience Infrastructure (NeSI) High Performance Computing facilities).<br /> Αρχικά, επιτεύχθηκε προεπεξεργασία χρονοσειρών δορυφορικών εικόνων από τους δορυφόρους Sentinel-2A και 2B της Ευρωπαϊκής Υπηρεσίας Διαστήματος (ESA). Πραγματοποιήθηκε επεξεργασία των εικόνων από νέφη και άλλους παράγοντες που επηρεάζουν αρνητικά την απεικόνιση στις περιοχές μελέτης, δηλαδή σε γεωργικά χωράφια, δασικά τετράγωνα ή αγροτεμάχια με συνεπή διαχείριση ή καλλιέργεια, με την πάροδο του χρόνου. Μέσω του προγράμματος GIS, έγινε χαρτογράφηση δασικών πολυγώνων και ακολουθήθηκαν τα απαραίτητα βήματα επεξεργασίας για τον προσδιορισμό της κάλυψης γης και τον ποσοτικό προσδιορισμό του «γυμνού» εδάφους που είναι επιρρεπές στην επιφανειακή διάβρωση. Η βόσκηση των κτηνοτροφικών καλλιεργειών εκθέτει «γυμνό» το έδαφος, αφαιρώντας συχνά σχεδόν όλη τη βλάστηση, παρόλο που ενίοτε μπορεί να παραμείνουν οι ρίζες των φυτών. Στην ανάλυση δορυφορικών εικόνων, μια μέτρηση που χρησιμοποιείται συνήθως για την κάλυψη της βλάστησης είναι ο δείκτης βλάστησης (NDVI). Έχει χαμηλές τιμές τόσο για «γυμνό» έδαφος όσο και για νεκρή ή μη πράσινη (χωρίς χλωροφύλλη) βλάστηση. Μια επιλογή για τη διάκριση μεταξύ «γυμνού» εδάφους και μη πράσινης βλάστησης είναι να χρησιμοποιηθούν εναλλακτικοί δείκτες βλάστησης, που είναι πιο ευαίσθητοι στα υπολείμματα των καλλιεργειών, και μια δεύτερη είναι η φασματική ταξινόμηση ως διαφορετικές καλύψεις γης του «γυμνού» εδάφους και της νεκρής βλάστησης. Επιλέχθηκε το δεύτερο καθώς είναι πιο εύκολος ο προσδιορισμός των τύπων κτηνοτροφικών καλλιεργειών, βοσκοτόπων και δέντρων στη διαδικασία ταξινόμησης. Τέλος, πραγματοποιήθηκε αξιολόγηση ακρίβειας χαρτών «γυμνού» εδάφους. <br /> <br /> '''Αποτελέσματα'''<br /> Τα αποτελέσματα συνοψίζονται στις Εικόνες 1 και 2.<br /> <br /> '''Συμπεράσματα'''<br /> Για πλαγιές λόφων 7ο ή περισσότερο, τα αποτελέσματα δείχνουν 47.177 εκτάρια χειμερινής χορτονομής «γυμνού» εδάφους το 2018, μαζί με 159.522 εκτάρια λόγω δασικών δραστηριοτήτων. Η ακρίβεια ήταν καλύτερη για τον δασικό χάρτη από τον χάρτη χειμερινών ζωοτροφών. Πιθανό αυτό να συμβαίνει επειδή οι κανόνες ταξινόμησης είναι απλούστεροι στη δασοκομία, ενώ η γεωργική ταξινόμηση απαιτούσε συγκεκριμένο προσδιορισμό της χειμερινής χορτονομής ως αιτίας του «γυμνού» εδάφους. Οι πιο σημαντικές κτηνοτροφικές καλλιέργειες (brassica και κτηνοτροφικά τεύτλα) είναι καλά ταξινομημένες. Οι περιοχές με την πλειονότητα των χειμερινών χορτονομών της Νέας Ζηλανδίας (Canterbury, Otago και Southland) έχουν, κατά μέσο όρο, την υψηλότερη ακρίβεια χαρτογράφησης. Η αυτοματοποιημένη μέθοδος ανάλυσης δορυφορικής εικόνας είναι ένας πρακτικός τρόπος για να ληφθούν χωρικά και χρονικά σαφή δεδομένα σχετικά με τη βλάστηση για τον παράγοντα C σε μοντέλα επιφανειακής διάβρωσης τύπου USLE. Η προσέγγιση αυτή στη χαρτογράφηση είναι ιδιαίτερα σημαντική για χρήσεις γης όπου υπάρχει υψηλή χρονική μεταβλητότητα στη βλάστηση, όπως η δασοκομία παραγωγής και η γεωργική καλλιέργεια.</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%9F%CE%B9_%CE%B4%CF%85%CE%BD%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B5%CF%82_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82... 2022-03-17T19:46:32Z

<p>Sofia Gkretsi: </p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Γεωργία]]<br /> <br /> '''Οι δυνατότητες της τηλεπισκόπησης και της τεχνητής νοημοσύνης ως εργαλεία για τη βελτίωση της ανθεκτικότητας των συστημάτων γεωργικής παραγωγής'''<br /> <br /> '''Πρωτότυπος τίτλος:''' The potential of remote sensing and artificial intelligence as tools to improve the resilience of agriculture production systems<br /> <br /> '''Συγγραφείς:''' Jinha Jung, Murilo Maeda, Anjin Chang, Mahendra Bhandari, Akash Ashapure και Juan Landivar-Bowles<br /> <br /> '''Δημοσιεύθηκε:''' 7 Οκτωβρίου 2020 (Current Opinion in Biotechnology 2021)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.copbio.2020.09.003<br /> <br /> [[Αρχείο:1.SOFIAGKRETSI1.PNG|200px|thumb|right|'''Εικόνα 1.''' Ροή εργασιών ανάπτυξης εφαρμογών UAS που βασίζονται σε HTP. Η ποιότητα των μη επεξεργασμένων δεδομένων έχει σημαντικό αντίκτυπο στην ακρίβεια των εφαρμογών που αναπτύσσονται (VIs-Δείκτες Βλάστησης, GPS-Παγκόσμια Σύστημα Εντοπισμού Θέσης, DSM-Digital Surface Model).]]<br /> <br /> [[Αρχείο:1.SOFIAGKRETSI2.PNG|200px|thumb|right|'''Εικόνα 2.''' Η ιδέα για τη γεφύρωση του χάσματος γονιδιώματος-φαινοτύπου χρησιμοποιώντας ένα σύστημα μη επανδρωμένου εναέριου συστήματος (UAS) βασισμένο στο σύστημα φαινοτύπου υψηλής απόδοσης (HTP).]]<br /> <br /> [[Αρχείο:1.SOFIAGKRETSI3.PNG|200px|thumb|right|'''Εικόνα 3.''' Η πρόοδος στην ψηφιακή γεωργία θα ωφεληθεί από τη συσχέτιση δεδομένων τηλεπισκόπησης, προηγμένων μοντέλων προσομοίωσης καλλιεργειών και τεχνητής νοημοσύνης (AI).]]<br /> <br /> '''Εισαγωγή'''<br /> Τα σύγχρονα συστήματα γεωργικής παραγωγής και εφοδιασμού τροφίμων αντιμετωπίζουν αυξανόμενες προκλήσεις παγκοσμίως από την κλιματική αλλαγή, τη μείωση της παροχής νερού για άρδευση, την αύξηση του κόστους παραγωγής, τη συνολική μείωση του αγροτικού εργατικού δυναμικού και, πιο πρόσφατα, από μια πανδημία (COVID-19), απειλώντας την περιβαλλοντική και οικονομική βιωσιμότητα. <br /> Η επιστημονική πρόοδος οδήγησε σε μια καλύτερη κατανόηση του τρόπου με τον οποίο διάφορα στοιχεία του γεωργικού συστήματος αλληλεπιδρούν, από το κύτταρο έως το επίπεδο του πεδίου- αγρού. Παρά τις αλματώδεις προόδους στα γενετικά εργαλεία τις τελευταίες δεκαετίες, η αξιολόγηση με ακρίβεια της κατάστασης των καλλιεργειών σε μεγαλύτερη κλίμακα, απουσίαζε εμφανώς μέχρι πρότινος. <br /> Χάρη στις πρόσφατες εξελίξεις στον τομέα της Τηλεπισκόπησης και της Τεχνητής Νοημοσύνης (AI, Artificial Intelligence), είναι δυνατόν πλέον οι πληροφορίες σχετικά με τον φαινότυπο των φυτών να ποσοτικοποιηθούν με ακρίβεια σε μεγάλη κλίμακα, να αξιοποιηθεί αυτός ο όγκος των δεδομένων και τελικά να ενσωματωθεί σε εργαλεία πρόβλεψης. Τα δεδομένα αυτά είναι εύκολα προσβάσιμα μέσω της χρήσης Συστημάτων Μη Επανδρωμένων Αεροσκαφών (UAS, Unmanned Aircraft Systems). Αυτή η ανασκόπηση εστιάζει στη χρήση της τηλεπισκόπησης και της τεχνητής νοημοσύνης, καθώς και την ανάπτυξη εργαλείων που απαιτούνται για τη βελτίωση των γεωργικών συστημάτων.<br /> Τα Συστήματα Μη Επανδρωμένων Αεροσκαφών (UAS) ως θεμέλιο για την ψηφιακή γεωργία<br /> Τα φυτά συνδυάζουν τη γενετική (G, genetics) με το περιβάλλον τους (E, environments) ανταποκρινόμενα στις φυσικές και χημικές ιδιότητες του εδάφους, στη διαθεσιμότητα της υγρασίας, σε βιοτικούς και αβιοτικούς παράγοντες, καθώς και στις πρακτικές διαχείρισης (M, management practices). Από αυτή την άποψη, τα φυτά μπορούν να χρησιμεύσουν ως βιολογικοί ανιχνευτές πεδίου που μπορούν να αξιολογηθούν από αισθητήρες επί των UAS. Τα UAS εξοπλισμένα με κατάλληλους αισθητήρες μπορούν να μετρήσουν τη χρονική πορεία της ανάπτυξης των φυτών με ακρίβεια, γρήγορα και οικονομικά. Αυτά τα σχετικά οικονομικά συστήματα επιτρέπουν επίσης τη συλλογή δεδομένων χωρικής και υψηλής χρονικής ανάλυσης, που προηγουμένως δεν ήταν διαθέσιμα μέσω συμβατικών αερομεταφερόμενων και πλατφορμών τηλεπισκόπησης.<br /> Λόγω των πιθανών πλεονεκτημάτων, οι ερευνητές έχουν διερευνήσει τη χρήση UAS δεδομένων για την αξιολόγηση των φαινοτυπικών χαρακτηριστικών των φυτών σε επίπεδο πεδίου- αγρού, καθώς και για να παρακολουθήσουν τις ασθένειες των καλλιεργειών, να χαρτογραφήσουν τα ζιζάνια και να εκτιμήσουν τη βιομάζα και την απόδοση. Ακόμη τα δεδομένα υψηλής χρονικής ανάλυσης μπορούν να χρησιμοποιηθούν για την εκτίμηση των παραμέτρων των καλλιεργειών όπως το ύψος και η κάλυψη των υπέργειων τμημάτων (canopy) των καλλιεργειών, οι δείκτες βλάστησης, η επιλογή γονοτύπων και η πρόβλεψη για την απόδοση των καλλιεργειών.<br /> Ιδιαίτερα σημαντική είναι η συλλογή/επεξεργασία και ερμηνεία των δεδομένων, καθώς και η ποιότητα αυτών κατά την ανάπτυξη εφαρμογών για τη διασφάλιση της ακρίβειας των μοντέλων πρόβλεψης. Τα UAS βασιζόμενα σε συστήματα φαινοτύπου υψηλής απόδοσης (HTP, High Throughput Phenotyping) έχουν τρομερή επιρροή στον ταχέως εξελισσόμενο τομέα της Τεχνητής Νοημοσύνης (AI). Εκτός από την ποιότητα των μη επεξεργασμένων δεδομένων, όταν χρησιμοποιείται ένας μεγάλος όγκος δεδομένων για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης, έχει αποδειχθεί ότι η απόδοση είναι εξαιρετική ακόμη και όταν εμπλέκονται δεδομένα με θόρυβο, γεγονός που υποδηλώνει ότι ο όγκος των δεδομένων εκπαίδευσης είναι απαραίτητος για την ανάπτυξη μοντέλων τεχνητής νοημοσύνης για γεωργικές εφαρμογές. Επιπλέον, προσφέρονται εμπορικά γεωργικά εργαλεία που βασίζονται σε τεχνητή νοημοσύνη.<br /> <br /> '''Γεφύρωση του χάσματος μεταξύ γονιδιώματος και φαινοτύπου με UAS'''<br /> Οι μελέτες συσχέτισης σε επίπεδο γονιδιώματος (GWAS, Genome-Wide Association Studies) έχουν επίσης χρησιμοποιηθεί για τον εντοπισμό γονιδίων- δεικτών που συνδέονται με συγκεκριμένες περιοχές του DNA (QTL, Quantitative Trait Loci) για κάποιο φαινοτυπικό χαρακτηριστικό, για διάφορα γνωρίσματα που προκαλούνται από ασθένειες. Για την πλήρη αξιοποίηση των δυνατοτήτων των γονιδιωματικών εργαλείων για τη βελτίωση των καλλιεργειών, απαιτούνται ακριβείς φαινοτυπικές μετρήσεις, ειδικά σε επίπεδο αγρού- πεδίου. Οι πρόσφατες εξελίξεις στα UAS μπορούν να παρέχουν ακριβή και αξιόπιστα δεδομένα για το φαινότυπο. Για παράδειγμα, οι Condorelli et al. και Shokat et al. έδειξαν ότι οι GWAS των δεικτών βλάστησης (NDVI, Normalized Difference Vegetation Index), θα μπορούσαν να βοηθήσουν στον εντοπισμό των QTL περιοχών που μπορούν να χρησιμοποιηθούν για την ενίσχυση της ανθεκτικότητας στην ξηρασία στο σιτάρι. <br /> <br /> <br /> '''Ψηφιακή γεωργία: συνδυασμός τηλεπισκόπησης, μοντέλων προσομοίωσης και τεχνητής νοημοσύνης (AI)'''<br /> Η εκτεταμένη χωρική κάλυψη από τα UAS εξακολουθεί να μην είναι εφικτή επί του παρόντος λόγω περιορισμένου χρόνου μπαταρίας και πτήσης. Επιπλέον, παρόλο που τα UAS έχουν χαμηλό λειτουργικό κόστος, το κόστος επεξεργασίας δεδομένων αυξάνεται καθώς ο όγκος των δεδομένων αυξάνεται εκθετικά κατά την κάλυψη μεγαλύτερων περιοχών. Τα ελεύθερα διαθέσιμα δορυφορικά δεδομένα, που παρέχουν μεγαλύτερη χωρική και χρονική ανάλυση, έχουν χρησιμοποιηθεί για την παρακολούθηση της βλάστησης και την εκτίμηση των αποδόσεων. Ωστόσο, έχει δοθεί περιορισμένη προσοχή στον τρόπο προσαρμογής τους για εφαρμογές γεωργίας ακριβείας κατάλληλης κλίμακας. <br /> Οι ουσιαστικές εξελίξεις στην τεχνολογία Machine Learning (ML) δημιουργούν μια μοναδική ευκαιρία για την ανάπτυξη μοντέλων πρόβλεψης με ακρίβεια σε μεγάλη κλίμακα και με προδιαγραφές. <br /> <br /> Τα μοντέλα προσομοίωσης καλλιεργειών χρησιμοποιούν μεταβλητές εισόδου όπως πληροφορίες διαχείρισης καλλιεργειών, καιρικές συνθήκες και δεδομένα εδάφους για την εκτίμηση της παραγωγικότητας των καλλιεργειών και έχουν γίνει ισχυρά εργαλεία για τη συσχέτιση της φυσιολογίας, της γενετικής και των επιστημών που ασχολούνται με το φαινότυπο (phenomics). <br /> <br /> '''Συμπεράσματα και προοπτικές'''<br /> Η ανάπτυξη πρακτικών βιώσιμης διαχείρισης των καλλιεργειών αποτελεί κεντρικό θέμα στη γεωργική έρευνα εδώ και δεκαετίες. Ενώ τα συστήματα γεωργίας και παραγωγής τροφίμων έχουν εξελιχθεί σημαντικά, οι συνεχιζόμενες τεχνολογικές εξελίξεις αποτελούν μια μοναδική ευκαιρία για την αντιμετώπιση των προκλήσεων. Τα UAS που βασίζονται σε HTP έχει αποδειχθεί ότι είναι μια ακριβής και αξιόπιστη πλατφόρμα για την ποσοτικοποίηση φαινοτυπικών πληροφοριών σε κλίμακα πεδίου- αγρού, και μπορούν επίσης να συσχετιστούν με τις GWAS ακόμη και για να επιταχύνουν τους κύκλους ανάπτυξης σε πολλές καλλιέργειες. Πρωτοποριακές έρευνες σχετικά με τα συστήματα UAS που βασίζονται σε HTP με μοντέλα τηλεπισκόπησης, τεχνητής νοημοσύνης και προσομοίωσης καλλιεργειών για να αναπτύξουν εφαρμογές ψηφιακής γεωργίας μεγάλης περιοχής- κλίμακας. Με τη διεπιστημονικότητα στους κλάδους των βιολογικών και περιβαλλοντικών επιστημών και της επιστήμης των υπολογιστών, είναι δυνατόν να αντιμετωπιστούν τα διάφορα προβλήματα. <br /> <br /> '''Συντομογραφίες'''<br /> *UAS: Unmanned Aircraft Systems<br /> *HTTP: High Throughput Phenotyping <br /> *AI: Artificial Intelligence, Τεχνητή Νοημοσύνη <br /> *VIs: Vegetation Indices, Δείκτες Βλάστησης<br /> *NDVI: Normalized Difference Vegetation Index<br /> *GPS: Global Positioning System, Παγκόσμια Σύστημα Εντοπισμού Θέσης<br /> *DSM: Digital Surface Model<br /> *NGS: Next-generation sequencing<br /> *GWAS: Genome-Wide Association Studies <br /> *QTL: Quantitative Trait Loci <br /> *ML: Machine Learning</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%9F%CE%B9_%CE%B4%CF%85%CE%BD%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B5%CF%82_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82... 2022-03-17T19:44:48Z

<p>Sofia Gkretsi: </p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Γεωργία]]<br /> <br /> '''Οι δυνατότητες της τηλεπισκόπησης και της τεχνητής νοημοσύνης ως εργαλεία για τη βελτίωση της ανθεκτικότητας των συστημάτων γεωργικής παραγωγής'''<br /> <br /> '''Πρωτότυπος τίτλος:''' The potential of remote sensing and artificial intelligence as tools to improve the resilience of agriculture production systems<br /> <br /> '''Συγγραφείς:''' Jinha Jung, Murilo Maeda, Anjin Chang, Mahendra Bhandari, Akash Ashapure και Juan Landivar-Bowles<br /> <br /> '''Δημοσιεύθηκε:''' 7 Οκτωβρίου 2020 (Current Opinion in Biotechnology 2021)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.copbio.2020.09.003<br /> <br /> [[Αρχείο:1.SOFIAGKRETSI1.PNG|200px|thumb|right|'''Εικόνα 1.''' Ροή εργασιών ανάπτυξης εφαρμογών UAS που βασίζονται σε HTP. Η ποιότητα των μη επεξεργασμένων δεδομένων έχει σημαντικό αντίκτυπο στην ακρίβεια των εφαρμογών που αναπτύσσονται (VIs-Δείκτες Βλάστησης, GPS-Παγκόσμια Σύστημα Εντοπισμού Θέσης, DSM-Digital Surface Model).]]<br /> <br /> '''Εισαγωγή'''<br /> Τα σύγχρονα συστήματα γεωργικής παραγωγής και εφοδιασμού τροφίμων αντιμετωπίζουν αυξανόμενες προκλήσεις παγκοσμίως από την κλιματική αλλαγή, τη μείωση της παροχής νερού για άρδευση, την αύξηση του κόστους παραγωγής, τη συνολική μείωση του αγροτικού εργατικού δυναμικού και, πιο πρόσφατα, από μια πανδημία (COVID-19), απειλώντας την περιβαλλοντική και οικονομική βιωσιμότητα. <br /> Η επιστημονική πρόοδος οδήγησε σε μια καλύτερη κατανόηση του τρόπου με τον οποίο διάφορα στοιχεία του γεωργικού συστήματος αλληλεπιδρούν, από το κύτταρο έως το επίπεδο του πεδίου- αγρού. Παρά τις αλματώδεις προόδους στα γενετικά εργαλεία τις τελευταίες δεκαετίες, η αξιολόγηση με ακρίβεια της κατάστασης των καλλιεργειών σε μεγαλύτερη κλίμακα, απουσίαζε εμφανώς μέχρι πρότινος. <br /> Χάρη στις πρόσφατες εξελίξεις στον τομέα της Τηλεπισκόπησης και της Τεχνητής Νοημοσύνης (AI, Artificial Intelligence), είναι δυνατόν πλέον οι πληροφορίες σχετικά με τον φαινότυπο των φυτών να ποσοτικοποιηθούν με ακρίβεια σε μεγάλη κλίμακα, να αξιοποιηθεί αυτός ο όγκος των δεδομένων και τελικά να ενσωματωθεί σε εργαλεία πρόβλεψης. Τα δεδομένα αυτά είναι εύκολα προσβάσιμα μέσω της χρήσης Συστημάτων Μη Επανδρωμένων Αεροσκαφών (UAS, Unmanned Aircraft Systems). Αυτή η ανασκόπηση εστιάζει στη χρήση της τηλεπισκόπησης και της τεχνητής νοημοσύνης, καθώς και την ανάπτυξη εργαλείων που απαιτούνται για τη βελτίωση των γεωργικών συστημάτων.<br /> Τα Συστήματα Μη Επανδρωμένων Αεροσκαφών (UAS) ως θεμέλιο για την ψηφιακή γεωργία<br /> Τα φυτά συνδυάζουν τη γενετική (G, genetics) με το περιβάλλον τους (E, environments) ανταποκρινόμενα στις φυσικές και χημικές ιδιότητες του εδάφους, στη διαθεσιμότητα της υγρασίας, σε βιοτικούς και αβιοτικούς παράγοντες, καθώς και στις πρακτικές διαχείρισης (M, management practices). Από αυτή την άποψη, τα φυτά μπορούν να χρησιμεύσουν ως βιολογικοί ανιχνευτές πεδίου που μπορούν να αξιολογηθούν από αισθητήρες επί των UAS. Τα UAS εξοπλισμένα με κατάλληλους αισθητήρες μπορούν να μετρήσουν τη χρονική πορεία της ανάπτυξης των φυτών με ακρίβεια, γρήγορα και οικονομικά. Αυτά τα σχετικά οικονομικά συστήματα επιτρέπουν επίσης τη συλλογή δεδομένων χωρικής και υψηλής χρονικής ανάλυσης, που προηγουμένως δεν ήταν διαθέσιμα μέσω συμβατικών αερομεταφερόμενων και πλατφορμών τηλεπισκόπησης.<br /> Λόγω των πιθανών πλεονεκτημάτων, οι ερευνητές έχουν διερευνήσει τη χρήση UAS δεδομένων για την αξιολόγηση των φαινοτυπικών χαρακτηριστικών των φυτών σε επίπεδο πεδίου- αγρού, καθώς και για να παρακολουθήσουν τις ασθένειες των καλλιεργειών, να χαρτογραφήσουν τα ζιζάνια και να εκτιμήσουν τη βιομάζα και την απόδοση. Ακόμη τα δεδομένα υψηλής χρονικής ανάλυσης μπορούν να χρησιμοποιηθούν για την εκτίμηση των παραμέτρων των καλλιεργειών όπως το ύψος και η κάλυψη των υπέργειων τμημάτων (canopy) των καλλιεργειών, οι δείκτες βλάστησης, η επιλογή γονοτύπων και η πρόβλεψη για την απόδοση των καλλιεργειών.<br /> Ιδιαίτερα σημαντική είναι η συλλογή/επεξεργασία και ερμηνεία των δεδομένων, καθώς και η ποιότητα αυτών κατά την ανάπτυξη εφαρμογών για τη διασφάλιση της ακρίβειας των μοντέλων πρόβλεψης. Τα UAS βασιζόμενα σε συστήματα φαινοτύπου υψηλής απόδοσης (HTP, High Throughput Phenotyping) έχουν τρομερή επιρροή στον ταχέως εξελισσόμενο τομέα της Τεχνητής Νοημοσύνης (AI). Εκτός από την ποιότητα των μη επεξεργασμένων δεδομένων, όταν χρησιμοποιείται ένας μεγάλος όγκος δεδομένων για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης, έχει αποδειχθεί ότι η απόδοση είναι εξαιρετική ακόμη και όταν εμπλέκονται δεδομένα με θόρυβο, γεγονός που υποδηλώνει ότι ο όγκος των δεδομένων εκπαίδευσης είναι απαραίτητος για την ανάπτυξη μοντέλων τεχνητής νοημοσύνης για γεωργικές εφαρμογές. Επιπλέον, προσφέρονται εμπορικά γεωργικά εργαλεία που βασίζονται σε τεχνητή νοημοσύνη.<br /> <br /> '''Γεφύρωση του χάσματος μεταξύ γονιδιώματος και φαινοτύπου με UAS'''<br /> Οι μελέτες συσχέτισης σε επίπεδο γονιδιώματος (GWAS, Genome-Wide Association Studies) έχουν επίσης χρησιμοποιηθεί για τον εντοπισμό γονιδίων- δεικτών που συνδέονται με συγκεκριμένες περιοχές του DNA (QTL, Quantitative Trait Loci) για κάποιο φαινοτυπικό χαρακτηριστικό, για διάφορα γνωρίσματα που προκαλούνται από ασθένειες. Για την πλήρη αξιοποίηση των δυνατοτήτων των γονιδιωματικών εργαλείων για τη βελτίωση των καλλιεργειών, απαιτούνται ακριβείς φαινοτυπικές μετρήσεις, ειδικά σε επίπεδο αγρού- πεδίου. Οι πρόσφατες εξελίξεις στα UAS μπορούν να παρέχουν ακριβή και αξιόπιστα δεδομένα για το φαινότυπο. Για παράδειγμα, οι Condorelli et al. και Shokat et al. έδειξαν ότι οι GWAS των δεικτών βλάστησης (NDVI, Normalized Difference Vegetation Index), θα μπορούσαν να βοηθήσουν στον εντοπισμό των QTL περιοχών που μπορούν να χρησιμοποιηθούν για την ενίσχυση της ανθεκτικότητας στην ξηρασία στο σιτάρι. <br /> <br /> <br /> '''Ψηφιακή γεωργία: συνδυασμός τηλεπισκόπησης, μοντέλων προσομοίωσης και τεχνητής νοημοσύνης (AI)'''<br /> Η εκτεταμένη χωρική κάλυψη από τα UAS εξακολουθεί να μην είναι εφικτή επί του παρόντος λόγω περιορισμένου χρόνου μπαταρίας και πτήσης. Επιπλέον, παρόλο που τα UAS έχουν χαμηλό λειτουργικό κόστος, το κόστος επεξεργασίας δεδομένων αυξάνεται καθώς ο όγκος των δεδομένων αυξάνεται εκθετικά κατά την κάλυψη μεγαλύτερων περιοχών. Τα ελεύθερα διαθέσιμα δορυφορικά δεδομένα, που παρέχουν μεγαλύτερη χωρική και χρονική ανάλυση, έχουν χρησιμοποιηθεί για την παρακολούθηση της βλάστησης και την εκτίμηση των αποδόσεων. Ωστόσο, έχει δοθεί περιορισμένη προσοχή στον τρόπο προσαρμογής τους για εφαρμογές γεωργίας ακριβείας κατάλληλης κλίμακας. <br /> Οι ουσιαστικές εξελίξεις στην τεχνολογία Machine Learning (ML) δημιουργούν μια μοναδική ευκαιρία για την ανάπτυξη μοντέλων πρόβλεψης με ακρίβεια σε μεγάλη κλίμακα και με προδιαγραφές. <br /> <br /> Τα μοντέλα προσομοίωσης καλλιεργειών χρησιμοποιούν μεταβλητές εισόδου όπως πληροφορίες διαχείρισης καλλιεργειών, καιρικές συνθήκες και δεδομένα εδάφους για την εκτίμηση της παραγωγικότητας των καλλιεργειών και έχουν γίνει ισχυρά εργαλεία για τη συσχέτιση της φυσιολογίας, της γενετικής και των επιστημών που ασχολούνται με το φαινότυπο (phenomics). <br /> <br /> '''Συμπεράσματα και προοπτικές'''<br /> Η ανάπτυξη πρακτικών βιώσιμης διαχείρισης των καλλιεργειών αποτελεί κεντρικό θέμα στη γεωργική έρευνα εδώ και δεκαετίες. Ενώ τα συστήματα γεωργίας και παραγωγής τροφίμων έχουν εξελιχθεί σημαντικά, οι συνεχιζόμενες τεχνολογικές εξελίξεις αποτελούν μια μοναδική ευκαιρία για την αντιμετώπιση των προκλήσεων. Τα UAS που βασίζονται σε HTP έχει αποδειχθεί ότι είναι μια ακριβής και αξιόπιστη πλατφόρμα για την ποσοτικοποίηση φαινοτυπικών πληροφοριών σε κλίμακα πεδίου- αγρού, και μπορούν επίσης να συσχετιστούν με τις GWAS ακόμη και για να επιταχύνουν τους κύκλους ανάπτυξης σε πολλές καλλιέργειες. Πρωτοποριακές έρευνες σχετικά με τα συστήματα UAS που βασίζονται σε HTP με μοντέλα τηλεπισκόπησης, τεχνητής νοημοσύνης και προσομοίωσης καλλιεργειών για να αναπτύξουν εφαρμογές ψηφιακής γεωργίας μεγάλης περιοχής- κλίμακας. Με τη διεπιστημονικότητα στους κλάδους των βιολογικών και περιβαλλοντικών επιστημών και της επιστήμης των υπολογιστών, είναι δυνατόν να αντιμετωπιστούν τα διάφορα προβλήματα. <br /> <br /> '''Συντομογραφίες'''<br /> *UAS: Unmanned Aircraft Systems<br /> *HTTP: High Throughput Phenotyping <br /> *AI: Artificial Intelligence, Τεχνητή Νοημοσύνη <br /> *VIs: Vegetation Indices, Δείκτες Βλάστησης<br /> *NDVI: Normalized Difference Vegetation Index<br /> *GPS: Global Positioning System, Παγκόσμια Σύστημα Εντοπισμού Θέσης<br /> *DSM: Digital Surface Model<br /> *NGS: Next-generation sequencing<br /> *GWAS: Genome-Wide Association Studies <br /> *QTL: Quantitative Trait Loci <br /> *ML: Machine Learning</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:1.SOFIAGKRETSI3.PNG 2022-03-17T19:41:16Z

<p>Sofia Gkretsi: </p> <hr /> <div></div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:1.SOFIAGKRETSI2.PNG 2022-03-17T19:41:04Z

<p>Sofia Gkretsi: </p> <hr /> <div></div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:1.SOFIAGKRETSI1.PNG 2022-03-17T19:40:49Z

<p>Sofia Gkretsi: </p> <hr /> <div></div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%9F%CE%B9_%CE%B4%CF%85%CE%BD%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B5%CF%82_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82... 2022-03-17T19:40:09Z

<p>Sofia Gkretsi: </p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Γεωργία]]<br /> <br /> '''Οι δυνατότητες της τηλεπισκόπησης και της τεχνητής νοημοσύνης ως εργαλεία για τη βελτίωση της ανθεκτικότητας των συστημάτων γεωργικής παραγωγής'''<br /> <br /> '''Πρωτότυπος τίτλος:''' The potential of remote sensing and artificial intelligence as tools to improve the resilience of agriculture production systems<br /> <br /> '''Συγγραφείς:''' Jinha Jung, Murilo Maeda, Anjin Chang, Mahendra Bhandari, Akash Ashapure και Juan Landivar-Bowles<br /> <br /> '''Δημοσιεύθηκε:''' 7 Οκτωβρίου 2020 (Current Opinion in Biotechnology 2021)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.copbio.2020.09.003<br /> <br /> '''Εισαγωγή'''<br /> Τα σύγχρονα συστήματα γεωργικής παραγωγής και εφοδιασμού τροφίμων αντιμετωπίζουν αυξανόμενες προκλήσεις παγκοσμίως από την κλιματική αλλαγή, τη μείωση της παροχής νερού για άρδευση, την αύξηση του κόστους παραγωγής, τη συνολική μείωση του αγροτικού εργατικού δυναμικού και, πιο πρόσφατα, από μια πανδημία (COVID-19), απειλώντας την περιβαλλοντική και οικονομική βιωσιμότητα. <br /> Η επιστημονική πρόοδος οδήγησε σε μια καλύτερη κατανόηση του τρόπου με τον οποίο διάφορα στοιχεία του γεωργικού συστήματος αλληλεπιδρούν, από το κύτταρο έως το επίπεδο του πεδίου- αγρού. Παρά τις αλματώδεις προόδους στα γενετικά εργαλεία τις τελευταίες δεκαετίες, η αξιολόγηση με ακρίβεια της κατάστασης των καλλιεργειών σε μεγαλύτερη κλίμακα, απουσίαζε εμφανώς μέχρι πρότινος. <br /> Χάρη στις πρόσφατες εξελίξεις στον τομέα της Τηλεπισκόπησης και της Τεχνητής Νοημοσύνης (AI, Artificial Intelligence), είναι δυνατόν πλέον οι πληροφορίες σχετικά με τον φαινότυπο των φυτών να ποσοτικοποιηθούν με ακρίβεια σε μεγάλη κλίμακα, να αξιοποιηθεί αυτός ο όγκος των δεδομένων και τελικά να ενσωματωθεί σε εργαλεία πρόβλεψης. Τα δεδομένα αυτά είναι εύκολα προσβάσιμα μέσω της χρήσης Συστημάτων Μη Επανδρωμένων Αεροσκαφών (UAS, Unmanned Aircraft Systems). Αυτή η ανασκόπηση εστιάζει στη χρήση της τηλεπισκόπησης και της τεχνητής νοημοσύνης, καθώς και την ανάπτυξη εργαλείων που απαιτούνται για τη βελτίωση των γεωργικών συστημάτων.<br /> Τα Συστήματα Μη Επανδρωμένων Αεροσκαφών (UAS) ως θεμέλιο για την ψηφιακή γεωργία<br /> Τα φυτά συνδυάζουν τη γενετική (G, genetics) με το περιβάλλον τους (E, environments) ανταποκρινόμενα στις φυσικές και χημικές ιδιότητες του εδάφους, στη διαθεσιμότητα της υγρασίας, σε βιοτικούς και αβιοτικούς παράγοντες, καθώς και στις πρακτικές διαχείρισης (M, management practices). Από αυτή την άποψη, τα φυτά μπορούν να χρησιμεύσουν ως βιολογικοί ανιχνευτές πεδίου που μπορούν να αξιολογηθούν από αισθητήρες επί των UAS. Τα UAS εξοπλισμένα με κατάλληλους αισθητήρες μπορούν να μετρήσουν τη χρονική πορεία της ανάπτυξης των φυτών με ακρίβεια, γρήγορα και οικονομικά. Αυτά τα σχετικά οικονομικά συστήματα επιτρέπουν επίσης τη συλλογή δεδομένων χωρικής και υψηλής χρονικής ανάλυσης, που προηγουμένως δεν ήταν διαθέσιμα μέσω συμβατικών αερομεταφερόμενων και πλατφορμών τηλεπισκόπησης.<br /> Λόγω των πιθανών πλεονεκτημάτων, οι ερευνητές έχουν διερευνήσει τη χρήση UAS δεδομένων για την αξιολόγηση των φαινοτυπικών χαρακτηριστικών των φυτών σε επίπεδο πεδίου- αγρού, καθώς και για να παρακολουθήσουν τις ασθένειες των καλλιεργειών, να χαρτογραφήσουν τα ζιζάνια και να εκτιμήσουν τη βιομάζα και την απόδοση. Ακόμη τα δεδομένα υψηλής χρονικής ανάλυσης μπορούν να χρησιμοποιηθούν για την εκτίμηση των παραμέτρων των καλλιεργειών όπως το ύψος και η κάλυψη των υπέργειων τμημάτων (canopy) των καλλιεργειών, οι δείκτες βλάστησης, η επιλογή γονοτύπων και η πρόβλεψη για την απόδοση των καλλιεργειών.<br /> Ιδιαίτερα σημαντική είναι η συλλογή/επεξεργασία και ερμηνεία των δεδομένων, καθώς και η ποιότητα αυτών κατά την ανάπτυξη εφαρμογών για τη διασφάλιση της ακρίβειας των μοντέλων πρόβλεψης. Τα UAS βασιζόμενα σε συστήματα φαινοτύπου υψηλής απόδοσης (HTP, High Throughput Phenotyping) έχουν τρομερή επιρροή στον ταχέως εξελισσόμενο τομέα της Τεχνητής Νοημοσύνης (AI). Εκτός από την ποιότητα των μη επεξεργασμένων δεδομένων, όταν χρησιμοποιείται ένας μεγάλος όγκος δεδομένων για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης, έχει αποδειχθεί ότι η απόδοση είναι εξαιρετική ακόμη και όταν εμπλέκονται δεδομένα με θόρυβο, γεγονός που υποδηλώνει ότι ο όγκος των δεδομένων εκπαίδευσης είναι απαραίτητος για την ανάπτυξη μοντέλων τεχνητής νοημοσύνης για γεωργικές εφαρμογές. Επιπλέον, προσφέρονται εμπορικά γεωργικά εργαλεία που βασίζονται σε τεχνητή νοημοσύνη.<br /> <br /> '''Γεφύρωση του χάσματος μεταξύ γονιδιώματος και φαινοτύπου με UAS'''<br /> Οι μελέτες συσχέτισης σε επίπεδο γονιδιώματος (GWAS, Genome-Wide Association Studies) έχουν επίσης χρησιμοποιηθεί για τον εντοπισμό γονιδίων- δεικτών που συνδέονται με συγκεκριμένες περιοχές του DNA (QTL, Quantitative Trait Loci) για κάποιο φαινοτυπικό χαρακτηριστικό, για διάφορα γνωρίσματα που προκαλούνται από ασθένειες. Για την πλήρη αξιοποίηση των δυνατοτήτων των γονιδιωματικών εργαλείων για τη βελτίωση των καλλιεργειών, απαιτούνται ακριβείς φαινοτυπικές μετρήσεις, ειδικά σε επίπεδο αγρού- πεδίου. Οι πρόσφατες εξελίξεις στα UAS μπορούν να παρέχουν ακριβή και αξιόπιστα δεδομένα για το φαινότυπο. Για παράδειγμα, οι Condorelli et al. και Shokat et al. έδειξαν ότι οι GWAS των δεικτών βλάστησης (NDVI, Normalized Difference Vegetation Index), θα μπορούσαν να βοηθήσουν στον εντοπισμό των QTL περιοχών που μπορούν να χρησιμοποιηθούν για την ενίσχυση της ανθεκτικότητας στην ξηρασία στο σιτάρι. <br /> <br /> <br /> '''Ψηφιακή γεωργία: συνδυασμός τηλεπισκόπησης, μοντέλων προσομοίωσης και τεχνητής νοημοσύνης (AI)'''<br /> Η εκτεταμένη χωρική κάλυψη από τα UAS εξακολουθεί να μην είναι εφικτή επί του παρόντος λόγω περιορισμένου χρόνου μπαταρίας και πτήσης. Επιπλέον, παρόλο που τα UAS έχουν χαμηλό λειτουργικό κόστος, το κόστος επεξεργασίας δεδομένων αυξάνεται καθώς ο όγκος των δεδομένων αυξάνεται εκθετικά κατά την κάλυψη μεγαλύτερων περιοχών. Τα ελεύθερα διαθέσιμα δορυφορικά δεδομένα, που παρέχουν μεγαλύτερη χωρική και χρονική ανάλυση, έχουν χρησιμοποιηθεί για την παρακολούθηση της βλάστησης και την εκτίμηση των αποδόσεων. Ωστόσο, έχει δοθεί περιορισμένη προσοχή στον τρόπο προσαρμογής τους για εφαρμογές γεωργίας ακριβείας κατάλληλης κλίμακας. <br /> Οι ουσιαστικές εξελίξεις στην τεχνολογία Machine Learning (ML) δημιουργούν μια μοναδική ευκαιρία για την ανάπτυξη μοντέλων πρόβλεψης με ακρίβεια σε μεγάλη κλίμακα και με προδιαγραφές. <br /> <br /> Τα μοντέλα προσομοίωσης καλλιεργειών χρησιμοποιούν μεταβλητές εισόδου όπως πληροφορίες διαχείρισης καλλιεργειών, καιρικές συνθήκες και δεδομένα εδάφους για την εκτίμηση της παραγωγικότητας των καλλιεργειών και έχουν γίνει ισχυρά εργαλεία για τη συσχέτιση της φυσιολογίας, της γενετικής και των επιστημών που ασχολούνται με το φαινότυπο (phenomics). <br /> <br /> '''Συμπεράσματα και προοπτικές'''<br /> Η ανάπτυξη πρακτικών βιώσιμης διαχείρισης των καλλιεργειών αποτελεί κεντρικό θέμα στη γεωργική έρευνα εδώ και δεκαετίες. Ενώ τα συστήματα γεωργίας και παραγωγής τροφίμων έχουν εξελιχθεί σημαντικά, οι συνεχιζόμενες τεχνολογικές εξελίξεις αποτελούν μια μοναδική ευκαιρία για την αντιμετώπιση των προκλήσεων. Τα UAS που βασίζονται σε HTP έχει αποδειχθεί ότι είναι μια ακριβής και αξιόπιστη πλατφόρμα για την ποσοτικοποίηση φαινοτυπικών πληροφοριών σε κλίμακα πεδίου- αγρού, και μπορούν επίσης να συσχετιστούν με τις GWAS ακόμη και για να επιταχύνουν τους κύκλους ανάπτυξης σε πολλές καλλιέργειες. Πρωτοποριακές έρευνες σχετικά με τα συστήματα UAS που βασίζονται σε HTP με μοντέλα τηλεπισκόπησης, τεχνητής νοημοσύνης και προσομοίωσης καλλιεργειών για να αναπτύξουν εφαρμογές ψηφιακής γεωργίας μεγάλης περιοχής- κλίμακας. Με τη διεπιστημονικότητα στους κλάδους των βιολογικών και περιβαλλοντικών επιστημών και της επιστήμης των υπολογιστών, είναι δυνατόν να αντιμετωπιστούν τα διάφορα προβλήματα. <br /> <br /> '''Συντομογραφίες'''<br /> *UAS: Unmanned Aircraft Systems<br /> *HTTP: High Throughput Phenotyping <br /> *AI: Artificial Intelligence, Τεχνητή Νοημοσύνη <br /> *VIs: Vegetation Indices, Δείκτες Βλάστησης<br /> *NDVI: Normalized Difference Vegetation Index<br /> *GPS: Global Positioning System, Παγκόσμια Σύστημα Εντοπισμού Θέσης<br /> *DSM: Digital Surface Model<br /> *NGS: Next-generation sequencing<br /> *GWAS: Genome-Wide Association Studies <br /> *QTL: Quantitative Trait Loci <br /> *ML: Machine Learning</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%9F%CE%B9_%CE%B4%CF%85%CE%BD%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B5%CF%82_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82... 2022-03-17T19:39:23Z

<p>Sofia Gkretsi: </p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Γεωργία]]<br /> <br /> '''Οι δυνατότητες της τηλεπισκόπησης και της τεχνητής νοημοσύνης ως εργαλεία για τη βελτίωση της ανθεκτικότητας των συστημάτων γεωργικής παραγωγής'''<br /> <br /> '''Πρωτότυπος τίτλος:''' The potential of remote sensing and artificial intelligence as tools to improve the resilience of agriculture production systems<br /> <br /> '''Συγγραφείς:''' Jinha Jung, Murilo Maeda, Anjin Chang, Mahendra Bhandari, Akash Ashapure και Juan Landivar-Bowles<br /> <br /> '''Δημοσιεύθηκε:''' 7 Οκτωβρίου 2020 (Current Opinion in Biotechnology 2021)<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.copbio.2020.09.003<br /> <br /> '''Εισαγωγή'''<br /> Τα σύγχρονα συστήματα γεωργικής παραγωγής και εφοδιασμού τροφίμων αντιμετωπίζουν αυξανόμενες προκλήσεις παγκοσμίως από την κλιματική αλλαγή, τη μείωση της παροχής νερού για άρδευση, την αύξηση του κόστους παραγωγής, τη συνολική μείωση του αγροτικού εργατικού δυναμικού και, πιο πρόσφατα, από μια πανδημία (COVID-19), απειλώντας την περιβαλλοντική και οικονομική βιωσιμότητα. <br /> Η επιστημονική πρόοδος οδήγησε σε μια καλύτερη κατανόηση του τρόπου με τον οποίο διάφορα στοιχεία του γεωργικού συστήματος αλληλεπιδρούν, από το κύτταρο έως το επίπεδο του πεδίου- αγρού. Παρά τις αλματώδεις προόδους στα γενετικά εργαλεία τις τελευταίες δεκαετίες, η αξιολόγηση με ακρίβεια της κατάστασης των καλλιεργειών σε μεγαλύτερη κλίμακα, απουσίαζε εμφανώς μέχρι πρότινος. <br /> Χάρη στις πρόσφατες εξελίξεις στον τομέα της Τηλεπισκόπησης και της Τεχνητής Νοημοσύνης (AI, Artificial Intelligence), είναι δυνατόν πλέον οι πληροφορίες σχετικά με τον φαινότυπο των φυτών να ποσοτικοποιηθούν με ακρίβεια σε μεγάλη κλίμακα, να αξιοποιηθεί αυτός ο όγκος των δεδομένων και τελικά να ενσωματωθεί σε εργαλεία πρόβλεψης. Τα δεδομένα αυτά είναι εύκολα προσβάσιμα μέσω της χρήσης Συστημάτων Μη Επανδρωμένων Αεροσκαφών (UAS, Unmanned Aircraft Systems). Αυτή η ανασκόπηση εστιάζει στη χρήση της τηλεπισκόπησης και της τεχνητής νοημοσύνης, καθώς και την ανάπτυξη εργαλείων που απαιτούνται για τη βελτίωση των γεωργικών συστημάτων.<br /> Τα Συστήματα Μη Επανδρωμένων Αεροσκαφών (UAS) ως θεμέλιο για την ψηφιακή γεωργία<br /> Τα φυτά συνδυάζουν τη γενετική (G, genetics) με το περιβάλλον τους (E, environments) ανταποκρινόμενα στις φυσικές και χημικές ιδιότητες του εδάφους, στη διαθεσιμότητα της υγρασίας, σε βιοτικούς και αβιοτικούς παράγοντες, καθώς και στις πρακτικές διαχείρισης (M, management practices). Από αυτή την άποψη, τα φυτά μπορούν να χρησιμεύσουν ως βιολογικοί ανιχνευτές πεδίου που μπορούν να αξιολογηθούν από αισθητήρες επί των UAS. Τα UAS εξοπλισμένα με κατάλληλους αισθητήρες μπορούν να μετρήσουν τη χρονική πορεία της ανάπτυξης των φυτών με ακρίβεια, γρήγορα και οικονομικά. Αυτά τα σχετικά οικονομικά συστήματα επιτρέπουν επίσης τη συλλογή δεδομένων χωρικής και υψηλής χρονικής ανάλυσης, που προηγουμένως δεν ήταν διαθέσιμα μέσω συμβατικών αερομεταφερόμενων και πλατφορμών τηλεπισκόπησης.<br /> Λόγω των πιθανών πλεονεκτημάτων, οι ερευνητές έχουν διερευνήσει τη χρήση UAS δεδομένων για την αξιολόγηση των φαινοτυπικών χαρακτηριστικών των φυτών σε επίπεδο πεδίου- αγρού, καθώς και για να παρακολουθήσουν τις ασθένειες των καλλιεργειών, να χαρτογραφήσουν τα ζιζάνια και να εκτιμήσουν τη βιομάζα και την απόδοση. Ακόμη τα δεδομένα υψηλής χρονικής ανάλυσης μπορούν να χρησιμοποιηθούν για την εκτίμηση των παραμέτρων των καλλιεργειών όπως το ύψος και η κάλυψη των υπέργειων τμημάτων (canopy) των καλλιεργειών, οι δείκτες βλάστησης, η επιλογή γονοτύπων και η πρόβλεψη για την απόδοση των καλλιεργειών.<br /> Ιδιαίτερα σημαντική είναι η συλλογή/επεξεργασία και ερμηνεία των δεδομένων, καθώς και η ποιότητα αυτών κατά την ανάπτυξη εφαρμογών για τη διασφάλιση της ακρίβειας των μοντέλων πρόβλεψης. Τα UAS βασιζόμενα σε συστήματα φαινοτύπου υψηλής απόδοσης (HTP, High Throughput Phenotyping) έχουν τρομερή επιρροή στον ταχέως εξελισσόμενο τομέα της Τεχνητής Νοημοσύνης (AI). Εκτός από την ποιότητα των μη επεξεργασμένων δεδομένων, όταν χρησιμοποιείται ένας μεγάλος όγκος δεδομένων για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης, έχει αποδειχθεί ότι η απόδοση είναι εξαιρετική ακόμη και όταν εμπλέκονται δεδομένα με θόρυβο, γεγονός που υποδηλώνει ότι ο όγκος των δεδομένων εκπαίδευσης είναι απαραίτητος για την ανάπτυξη μοντέλων τεχνητής νοημοσύνης για γεωργικές εφαρμογές. Επιπλέον, προσφέρονται εμπορικά γεωργικά εργαλεία που βασίζονται σε τεχνητή νοημοσύνη.<br /> <br /> '''Γεφύρωση του χάσματος μεταξύ γονιδιώματος και φαινοτύπου με UAS'''<br /> Οι μελέτες συσχέτισης σε επίπεδο γονιδιώματος (GWAS, Genome-Wide Association Studies) έχουν επίσης χρησιμοποιηθεί για τον εντοπισμό γονιδίων- δεικτών που συνδέονται με συγκεκριμένες περιοχές του DNA (QTL, Quantitative Trait Loci) για κάποιο φαινοτυπικό χαρακτηριστικό, για διάφορα γνωρίσματα που προκαλούνται από ασθένειες. Για την πλήρη αξιοποίηση των δυνατοτήτων των γονιδιωματικών εργαλείων για τη βελτίωση των καλλιεργειών, απαιτούνται ακριβείς φαινοτυπικές μετρήσεις, ειδικά σε επίπεδο αγρού- πεδίου. Οι πρόσφατες εξελίξεις στα UAS μπορούν να παρέχουν ακριβή και αξιόπιστα δεδομένα για το φαινότυπο. Για παράδειγμα, οι Condorelli et al. και Shokat et al. έδειξαν ότι οι GWAS των δεικτών βλάστησης (NDVI, Normalized Difference Vegetation Index), θα μπορούσαν να βοηθήσουν στον εντοπισμό των QTL περιοχών που μπορούν να χρησιμοποιηθούν για την ενίσχυση της ανθεκτικότητας στην ξηρασία στο σιτάρι. <br /> <br /> <br /> '''Ψηφιακή γεωργία: συνδυασμός τηλεπισκόπησης, μοντέλων προσομοίωσης και τεχνητής νοημοσύνης (AI)'''<br /> Η εκτεταμένη χωρική κάλυψη από τα UAS εξακολουθεί να μην είναι εφικτή επί του παρόντος λόγω περιορισμένου χρόνου μπαταρίας και πτήσης. Επιπλέον, παρόλο που τα UAS έχουν χαμηλό λειτουργικό κόστος, το κόστος επεξεργασίας δεδομένων αυξάνεται καθώς ο όγκος των δεδομένων αυξάνεται εκθετικά κατά την κάλυψη μεγαλύτερων περιοχών. Τα ελεύθερα διαθέσιμα δορυφορικά δεδομένα, που παρέχουν μεγαλύτερη χωρική και χρονική ανάλυση, έχουν χρησιμοποιηθεί για την παρακολούθηση της βλάστησης και την εκτίμηση των αποδόσεων. Ωστόσο, έχει δοθεί περιορισμένη προσοχή στον τρόπο προσαρμογής τους για εφαρμογές γεωργίας ακριβείας κατάλληλης κλίμακας. <br /> Οι ουσιαστικές εξελίξεις στην τεχνολογία Machine Learning (ML) δημιουργούν μια μοναδική ευκαιρία για την ανάπτυξη μοντέλων πρόβλεψης με ακρίβεια σε μεγάλη κλίμακα και με προδιαγραφές. <br /> <br /> Τα μοντέλα προσομοίωσης καλλιεργειών χρησιμοποιούν μεταβλητές εισόδου όπως πληροφορίες διαχείρισης καλλιεργειών, καιρικές συνθήκες και δεδομένα εδάφους για την εκτίμηση της παραγωγικότητας των καλλιεργειών και έχουν γίνει ισχυρά εργαλεία για τη συσχέτιση της φυσιολογίας, της γενετικής και των επιστημών που ασχολούνται με το φαινότυπο (phenomics). <br /> <br /> '''Συμπεράσματα και προοπτικές'''<br /> Η ανάπτυξη πρακτικών βιώσιμης διαχείρισης των καλλιεργειών αποτελεί κεντρικό θέμα στη γεωργική έρευνα εδώ και δεκαετίες. Ενώ τα συστήματα γεωργίας και παραγωγής τροφίμων έχουν εξελιχθεί σημαντικά, οι συνεχιζόμενες τεχνολογικές εξελίξεις αποτελούν μια μοναδική ευκαιρία για την αντιμετώπιση των προκλήσεων. Τα UAS που βασίζονται σε HTP έχει αποδειχθεί ότι είναι μια ακριβής και αξιόπιστη πλατφόρμα για την ποσοτικοποίηση φαινοτυπικών πληροφοριών σε κλίμακα πεδίου- αγρού, και μπορούν επίσης να συσχετιστούν με τις GWAS ακόμη και για να επιταχύνουν τους κύκλους ανάπτυξης σε πολλές καλλιέργειες. Πρωτοποριακές έρευνες σχετικά με τα συστήματα UAS που βασίζονται σε HTP με μοντέλα τηλεπισκόπησης, τεχνητής νοημοσύνης και προσομοίωσης καλλιεργειών για να αναπτύξουν εφαρμογές ψηφιακής γεωργίας μεγάλης περιοχής- κλίμακας. Με τη διεπιστημονικότητα στους κλάδους των βιολογικών και περιβαλλοντικών επιστημών και της επιστήμης των υπολογιστών, είναι δυνατόν να αντιμετωπιστούν τα διάφορα προβλήματα. <br /> <br /> '''Συντομογραφίες'''<br /> UAS: Unmanned Aircraft Systems<br /> HTTP: High Throughput Phenotyping <br /> AI: Artificial Intelligence, Τεχνητή Νοημοσύνη <br /> VIs: Vegetation Indices, Δείκτες Βλάστησης<br /> NDVI: Normalized Difference Vegetation Index<br /> GPS: Global Positioning System, Παγκόσμια Σύστημα Εντοπισμού Θέσης<br /> DSM: Digital Surface Model<br /> NGS: Next-generation sequencing<br /> GWAS: Genome-Wide Association Studies <br /> QTL: Quantitative Trait Loci <br /> ML: Machine Learning</div>

Sofia Gkretsi http://147.102.106.44/rs/wiki/index.php/%CE%9F%CE%B9_%CE%B4%CF%85%CE%BD%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B5%CF%82_%CF%84%CE%B7%CF%82_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82... 2022-03-17T19:38:39Z

<p>Sofia Gkretsi: Νέα σελίδα με 'Add Your Content Here category:Γεωργία '''Οι δυνατότητες της τηλεπισκόπησης και της τεχνητής νοημοσύνη...'</p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:Γεωργία]]<br /> <br /> '''Οι δυνατότητες της τηλεπισκόπησης και της τεχνητής νοημοσύνης ως εργαλεία για τη βελτίωση της ανθεκτικότητας των συστημάτων γεωργικής παραγωγής'''<br /> <br /> '''Πρωτότυπος τίτλος:''' The potential of remote sensing and artificial intelligence as tools to improve the resilience of agriculture production systems<br /> '''Συγγραφείς:''' Jinha Jung, Murilo Maeda, Anjin Chang, Mahendra Bhandari, Akash Ashapure και Juan Landivar-Bowles<br /> '''Δημοσιεύθηκε:''' 7 Οκτωβρίου 2020 (Current Opinion in Biotechnology 2021)<br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' https://doi.org/10.1016/j.copbio.2020.09.003<br /> <br /> '''Εισαγωγή'''<br /> Τα σύγχρονα συστήματα γεωργικής παραγωγής και εφοδιασμού τροφίμων αντιμετωπίζουν αυξανόμενες προκλήσεις παγκοσμίως από την κλιματική αλλαγή, τη μείωση της παροχής νερού για άρδευση, την αύξηση του κόστους παραγωγής, τη συνολική μείωση του αγροτικού εργατικού δυναμικού και, πιο πρόσφατα, από μια πανδημία (COVID-19), απειλώντας την περιβαλλοντική και οικονομική βιωσιμότητα. <br /> Η επιστημονική πρόοδος οδήγησε σε μια καλύτερη κατανόηση του τρόπου με τον οποίο διάφορα στοιχεία του γεωργικού συστήματος αλληλεπιδρούν, από το κύτταρο έως το επίπεδο του πεδίου- αγρού. Παρά τις αλματώδεις προόδους στα γενετικά εργαλεία τις τελευταίες δεκαετίες, η αξιολόγηση με ακρίβεια της κατάστασης των καλλιεργειών σε μεγαλύτερη κλίμακα, απουσίαζε εμφανώς μέχρι πρότινος. <br /> Χάρη στις πρόσφατες εξελίξεις στον τομέα της Τηλεπισκόπησης και της Τεχνητής Νοημοσύνης (AI, Artificial Intelligence), είναι δυνατόν πλέον οι πληροφορίες σχετικά με τον φαινότυπο των φυτών να ποσοτικοποιηθούν με ακρίβεια σε μεγάλη κλίμακα, να αξιοποιηθεί αυτός ο όγκος των δεδομένων και τελικά να ενσωματωθεί σε εργαλεία πρόβλεψης. Τα δεδομένα αυτά είναι εύκολα προσβάσιμα μέσω της χρήσης Συστημάτων Μη Επανδρωμένων Αεροσκαφών (UAS, Unmanned Aircraft Systems). Αυτή η ανασκόπηση εστιάζει στη χρήση της τηλεπισκόπησης και της τεχνητής νοημοσύνης, καθώς και την ανάπτυξη εργαλείων που απαιτούνται για τη βελτίωση των γεωργικών συστημάτων.<br /> Τα Συστήματα Μη Επανδρωμένων Αεροσκαφών (UAS) ως θεμέλιο για την ψηφιακή γεωργία<br /> Τα φυτά συνδυάζουν τη γενετική (G, genetics) με το περιβάλλον τους (E, environments) ανταποκρινόμενα στις φυσικές και χημικές ιδιότητες του εδάφους, στη διαθεσιμότητα της υγρασίας, σε βιοτικούς και αβιοτικούς παράγοντες, καθώς και στις πρακτικές διαχείρισης (M, management practices). Από αυτή την άποψη, τα φυτά μπορούν να χρησιμεύσουν ως βιολογικοί ανιχνευτές πεδίου που μπορούν να αξιολογηθούν από αισθητήρες επί των UAS. Τα UAS εξοπλισμένα με κατάλληλους αισθητήρες μπορούν να μετρήσουν τη χρονική πορεία της ανάπτυξης των φυτών με ακρίβεια, γρήγορα και οικονομικά. Αυτά τα σχετικά οικονομικά συστήματα επιτρέπουν επίσης τη συλλογή δεδομένων χωρικής και υψηλής χρονικής ανάλυσης, που προηγουμένως δεν ήταν διαθέσιμα μέσω συμβατικών αερομεταφερόμενων και πλατφορμών τηλεπισκόπησης.<br /> Λόγω των πιθανών πλεονεκτημάτων, οι ερευνητές έχουν διερευνήσει τη χρήση UAS δεδομένων για την αξιολόγηση των φαινοτυπικών χαρακτηριστικών των φυτών σε επίπεδο πεδίου- αγρού, καθώς και για να παρακολουθήσουν τις ασθένειες των καλλιεργειών, να χαρτογραφήσουν τα ζιζάνια και να εκτιμήσουν τη βιομάζα και την απόδοση. Ακόμη τα δεδομένα υψηλής χρονικής ανάλυσης μπορούν να χρησιμοποιηθούν για την εκτίμηση των παραμέτρων των καλλιεργειών όπως το ύψος και η κάλυψη των υπέργειων τμημάτων (canopy) των καλλιεργειών, οι δείκτες βλάστησης, η επιλογή γονοτύπων και η πρόβλεψη για την απόδοση των καλλιεργειών.<br /> Ιδιαίτερα σημαντική είναι η συλλογή/επεξεργασία και ερμηνεία των δεδομένων, καθώς και η ποιότητα αυτών κατά την ανάπτυξη εφαρμογών για τη διασφάλιση της ακρίβειας των μοντέλων πρόβλεψης. Τα UAS βασιζόμενα σε συστήματα φαινοτύπου υψηλής απόδοσης (HTP, High Throughput Phenotyping) έχουν τρομερή επιρροή στον ταχέως εξελισσόμενο τομέα της Τεχνητής Νοημοσύνης (AI). Εκτός από την ποιότητα των μη επεξεργασμένων δεδομένων, όταν χρησιμοποιείται ένας μεγάλος όγκος δεδομένων για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης, έχει αποδειχθεί ότι η απόδοση είναι εξαιρετική ακόμη και όταν εμπλέκονται δεδομένα με θόρυβο, γεγονός που υποδηλώνει ότι ο όγκος των δεδομένων εκπαίδευσης είναι απαραίτητος για την ανάπτυξη μοντέλων τεχνητής νοημοσύνης για γεωργικές εφαρμογές. Επιπλέον, προσφέρονται εμπορικά γεωργικά εργαλεία που βασίζονται σε τεχνητή νοημοσύνη.<br /> <br /> '''Γεφύρωση του χάσματος μεταξύ γονιδιώματος και φαινοτύπου με UAS'''<br /> Οι μελέτες συσχέτισης σε επίπεδο γονιδιώματος (GWAS, Genome-Wide Association Studies) έχουν επίσης χρησιμοποιηθεί για τον εντοπισμό γονιδίων- δεικτών που συνδέονται με συγκεκριμένες περιοχές του DNA (QTL, Quantitative Trait Loci) για κάποιο φαινοτυπικό χαρακτηριστικό, για διάφορα γνωρίσματα που προκαλούνται από ασθένειες. Για την πλήρη αξιοποίηση των δυνατοτήτων των γονιδιωματικών εργαλείων για τη βελτίωση των καλλιεργειών, απαιτούνται ακριβείς φαινοτυπικές μετρήσεις, ειδικά σε επίπεδο αγρού- πεδίου. Οι πρόσφατες εξελίξεις στα UAS μπορούν να παρέχουν ακριβή και αξιόπιστα δεδομένα για το φαινότυπο. Για παράδειγμα, οι Condorelli et al. και Shokat et al. έδειξαν ότι οι GWAS των δεικτών βλάστησης (NDVI, Normalized Difference Vegetation Index), θα μπορούσαν να βοηθήσουν στον εντοπισμό των QTL περιοχών που μπορούν να χρησιμοποιηθούν για την ενίσχυση της ανθεκτικότητας στην ξηρασία στο σιτάρι. <br /> <br /> <br /> '''Ψηφιακή γεωργία: συνδυασμός τηλεπισκόπησης, μοντέλων προσομοίωσης και τεχνητής νοημοσύνης (AI)'''<br /> Η εκτεταμένη χωρική κάλυψη από τα UAS εξακολουθεί να μην είναι εφικτή επί του παρόντος λόγω περιορισμένου χρόνου μπαταρίας και πτήσης. Επιπλέον, παρόλο που τα UAS έχουν χαμηλό λειτουργικό κόστος, το κόστος επεξεργασίας δεδομένων αυξάνεται καθώς ο όγκος των δεδομένων αυξάνεται εκθετικά κατά την κάλυψη μεγαλύτερων περιοχών. Τα ελεύθερα διαθέσιμα δορυφορικά δεδομένα, που παρέχουν μεγαλύτερη χωρική και χρονική ανάλυση, έχουν χρησιμοποιηθεί για την παρακολούθηση της βλάστησης και την εκτίμηση των αποδόσεων. Ωστόσο, έχει δοθεί περιορισμένη προσοχή στον τρόπο προσαρμογής τους για εφαρμογές γεωργίας ακριβείας κατάλληλης κλίμακας. <br /> Οι ουσιαστικές εξελίξεις στην τεχνολογία Machine Learning (ML) δημιουργούν μια μοναδική ευκαιρία για την ανάπτυξη μοντέλων πρόβλεψης με ακρίβεια σε μεγάλη κλίμακα και με προδιαγραφές. <br /> <br /> Τα μοντέλα προσομοίωσης καλλιεργειών χρησιμοποιούν μεταβλητές εισόδου όπως πληροφορίες διαχείρισης καλλιεργειών, καιρικές συνθήκες και δεδομένα εδάφους για την εκτίμηση της παραγωγικότητας των καλλιεργειών και έχουν γίνει ισχυρά εργαλεία για τη συσχέτιση της φυσιολογίας, της γενετικής και των επιστημών που ασχολούνται με το φαινότυπο (phenomics). <br /> <br /> '''Συμπεράσματα και προοπτικές'''<br /> Η ανάπτυξη πρακτικών βιώσιμης διαχείρισης των καλλιεργειών αποτελεί κεντρικό θέμα στη γεωργική έρευνα εδώ και δεκαετίες. Ενώ τα συστήματα γεωργίας και παραγωγής τροφίμων έχουν εξελιχθεί σημαντικά, οι συνεχιζόμενες τεχνολογικές εξελίξεις αποτελούν μια μοναδική ευκαιρία για την αντιμετώπιση των προκλήσεων. Τα UAS που βασίζονται σε HTP έχει αποδειχθεί ότι είναι μια ακριβής και αξιόπιστη πλατφόρμα για την ποσοτικοποίηση φαινοτυπικών πληροφοριών σε κλίμακα πεδίου- αγρού, και μπορούν επίσης να συσχετιστούν με τις GWAS ακόμη και για να επιταχύνουν τους κύκλους ανάπτυξης σε πολλές καλλιέργειες. Πρωτοποριακές έρευνες σχετικά με τα συστήματα UAS που βασίζονται σε HTP με μοντέλα τηλεπισκόπησης, τεχνητής νοημοσύνης και προσομοίωσης καλλιεργειών για να αναπτύξουν εφαρμογές ψηφιακής γεωργίας μεγάλης περιοχής- κλίμακας. Με τη διεπιστημονικότητα στους κλάδους των βιολογικών και περιβαλλοντικών επιστημών και της επιστήμης των υπολογιστών, είναι δυνατόν να αντιμετωπιστούν τα διάφορα προβλήματα. <br /> <br /> '''Συντομογραφίες'''<br /> UAS: Unmanned Aircraft Systems<br /> HTTP: High Throughput Phenotyping <br /> AI: Artificial Intelligence, Τεχνητή Νοημοσύνη <br /> VIs: Vegetation Indices, Δείκτες Βλάστησης<br /> NDVI: Normalized Difference Vegetation Index<br /> GPS: Global Positioning System, Παγκόσμια Σύστημα Εντοπισμού Θέσης<br /> DSM: Digital Surface Model<br /> NGS: Next-generation sequencing<br /> GWAS: Genome-Wide Association Studies <br /> QTL: Quantitative Trait Loci <br /> ML: Machine Learning</div>

Sofia Gkretsi