RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Μητσιάλης Σωτήριος

2021-01-26T10:08:29Z

Somitsialis:

* [[Υγεία των Δασών στο Εθνικό Πάρκο Yasuní με χρήση πολυφασματικών εικόνων για την αξιολόγηση των επιπτώσεων της εξόρυξης πετρελαίου ]]

* [[Προς τον χαρακτηρισμό εθνικής κλίμακας της έντασης χρήσης λιβαδιών από ενσωματωμένες σειρές Sentinel-2 και Landsat]]

* [[Παρακολούθηση της ανάπτυξης των καλλιεργειών μέσω δεδομένων Sentinel και Landsat βασισμένες στις χρονοσειρές NDVI]]

* [[Καταλληλότητα ασφάλισης δείκτη: νέες πληροφορίες από δορυφορικά δεδομένα ]]

* [[Πλαίσιο που βασίζεται στην τηλεπισκόπηση για την πρόβλεψη αποδόσεων αραβοσίτου στο Πακιστάν χρησιμοποιώντας εικόνες Landsat]]

* [[Αλλαγή κάλυψης γης στα βουνά του Καυκάσου από το 1987 με βάση την τοπογραφική διόρθωση πολλών χρονικών σύνθετων Landsat ]]

* [[Μια δορυφορική εκ των υστέρων ανάλυση διαχείρισης νερού σε οπωρώνα βατόμουρων ]]

* [[Ταχεία χαρτογράφηση πλημμυρών διαχωρίζοντας τους δείκτες νερού με εικόνες Landsat πριν και μετά την πλημμύρα ]]

* [[Αξιολόγηση της τροφικής κατάστασης που προέκυψε από δεδομένα εργαστηρίου και Landsat για τα δυτικά παράκτια ύδατα του κόλπου Σουέζ ]]

* [[Ποσοτικοποίηση της επέκτασης και απομάκρυνση της Spartina alterniflora στο Chongming νησί, στην Κίνα, χρησιμοποιώντας εικόνες χρονοσειρών Landsat]]

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

Μητσιάλης Σωτήριος

2021-01-26T10:00:06Z

Somitsialis:

[[Υγεία των Δασών στο Εθνικό Πάρκο Yasuní με χρήση πολυφασματικών εικόνων για την αξιολόγηση των επιπτώσεων της εξόρυξης πετρελαίου ]]

[[Προς τον χαρακτηρισμό εθνικής κλίμακας της έντασης χρήσης λιβαδιών από ενσωματωμένες σειρές Sentinel-2 και Landsat]]

[[Παρακολούθηση της ανάπτυξης των καλλιεργειών μέσω δεδομένων Sentinel και Landsat βασισμένες στις χρονοσειρές NDVI]]

[[Καταλληλότητα ασφάλισης δείκτη: νέες πληροφορίες από δορυφορικά δεδομένα ]]

[[Πλαίσιο που βασίζεται στην τηλεπισκόπηση για την πρόβλεψη αποδόσεων αραβοσίτου στο Πακιστάν χρησιμοποιώντας εικόνες Landsat]]

[[Αλλαγή κάλυψης γης στα βουνά του Καυκάσου από το 1987 με βάση την τοπογραφική διόρθωση πολλών χρονικών σύνθετων Landsat ]]

[[Μια δορυφορική εκ των υστέρων ανάλυση διαχείρισης νερού σε οπωρώνα βατόμουρων ]]

[[Ταχεία χαρτογράφηση πλημμυρών διαχωρίζοντας τους δείκτες νερού με εικόνες Landsat πριν και μετά την πλημμύρα ]]

[[Αξιολόγηση της τροφικής κατάστασης που προέκυψε από δεδομένα εργαστηρίου και Landsat για τα δυτικά παράκτια ύδατα του κόλπου Σουέζ ]]

[[Ποσοτικοποίηση της επέκτασης και απομάκρυνση της Spartina alterniflora στο Chongming νησί, στην Κίνα, χρησιμοποιώντας εικόνες χρονοσειρών Landsat]]

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

Μητσιάλης Σωτήριος

2021-01-26T09:58:27Z

Somitsialis:

[[Υγεία των Δασών στο Εθνικό Πάρκο Yasuní με χρήση πολυφασματικών εικόνων για την αξιολόγηση των επιπτώσεων της εξόρυξης πετρελαίου ]]

[[Προς τον χαρακτηρισμό εθνικής κλίμακας της έντασης χρήσης λιβαδιών από ενσωματωμένες σειρές Sentinel-2 και Landsat]]

[[Παρακολούθηση της ανάπτυξης των καλλιεργειών μέσω δεδομένων Sentinel και Landsat βασισμένες στις χρονοσειρές NDVI]]

[[Καταλληλότητα ασφάλισης δείκτη: νέες πληροφορίες από δορυφορικά δεδομένα ]]

[[Πλαίσιο που βασίζεται στην τηλεπισκόπηση για την πρόβλεψη αποδόσεων αραβοσίτου στο Πακιστάν χρησιμοποιώντας εικόνες Landsat]]

[[Αλλαγή κάλυψης γης στα βουνά του Καυκάσου από το 1987 με βάση την τοπογραφική διόρθωση πολλών χρονικών σύνθετων Landsat ]]

[[Μια δορυφορική εκ των υστέρων ανάλυση διαχείρισης νερού σε οπωρώνα βατόμουρων ]]

[[Ταχεία χαρτογράφηση πλημμυρών διαχωρίζοντας τους δείκτες νερού με εικόνες Landsat πριν και μετά την πλημμύρα ]]

[[Αξιολόγηση της τροφικής κατάστασης που προέκυψε από δεδομένα εργαστηρίου και Landsat για τα δυτικά παράκτια ύδατα του κόλπου Σουέζ ]]

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

Μητσιάλης Σωτήριος

2021-01-26T09:56:13Z

Somitsialis:

Μητσιάλης Σωτήριος

2021-01-26T09:54:37Z

Somitsialis:

Μητσιάλης Σωτήριος

2021-01-26T09:54:13Z

Somitsialis:

Μητσιάλης Σωτήριος

2021-01-26T09:50:58Z

Somitsialis: Νέα σελίδα με '[[Υγεία των Δασών στο Εθνικό Πάρκο Yasuní με χρήση πολυφασματικών εικόνων για την αξιολόγηση των...'

[[Υγεία των Δασών στο Εθνικό Πάρκο Yasuní με χρήση πολυφασματικών εικόνων για την αξιολόγηση των επιπτώσεων της εξόρυξης πετρελαίου ]]

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

Παρακολούθηση της ανάπτυξης των καλλιεργειών μέσω δεδομένων Sentinel και Landsat βασισμένες στις χρονοσειρές NDVI

2021-01-26T09:40:03Z

Somitsialis:

[[Εικόνα: rasia71.png | thumb | right | Τοποθεσία μελέτης, Πηγή: https://www.researchgate.net/publication/343388589_Crop_growth_monitoring_through_Sentinel_and_Landsat_data_based_NDVI_time-series]]
[[Εικόνα: rasia72.png | thumb | right | Ερμηνεία, Πηγή: https://www.researchgate.net/publication/343388589_Crop_growth_monitoring_through_Sentinel_and_Landsat_data_based_NDVI_time-series]]
[[Εικόνα: rasia73.png | thumb | right | Συγκριτικοί Χάρτες, Πηγή: https://www.researchgate.net/publication/343388589_Crop_growth_monitoring_through_Sentinel_and_Landsat_data_based_NDVI_time-series]]
[[Εικόνα: rasia74.png | thumb | right | Συγκριτικοί Χάρτες, Πηγή: https://www.researchgate.net/publication/343388589_Crop_growth_monitoring_through_Sentinel_and_Landsat_data_based_NDVI_time-series]]
Πηγή: https://www.researchgate.net/publication/343388589_Crop_growth_monitoring_through_Sentinel_and_Landsat_data_based_NDVI_time-series

Το άρθρο αφορά την παρακολούθηση της ανάπτυξης των καλλιεργειών στην Σαμάρα της Ρωσίας και έχει τίτλο: Crop growth monitoring through Sentinel and Landsat data based NDVI time-series. Γράφτηκε από τους M.S. Boori, K. Choudhary και A.V. Kupriyanov στο Εθνικό Πανεπιστήμιο Ερευνών της Σαμάρα στη Ρωσία το 2020. Η τοποθεσία της μελέτης επικεντρώνεται σε γεωργικές περιοχές στην ευρύτερη περιοχή του αεροδρομίου της Σαμάρα. Χρησιμοποιήθηκαν δεδομένα Sentinel-2B και Landsat 8 (OLI) και χρονοσειρές του δείκτη NDVI. Όταν οι τιμές του NDVI αλλάζουν από αρνητικές σε θετικές, ερμηνεύεται ως αρχική ανάπτυξη των καλλιεργειών και το στάδιο της πρώιμης φάσης του πράσινου φύλλου, όταν οι τιμές του NDVI αναπτύσσονται αργά έως καθόλου, έχει επιτευχθεί το υψηλότερο στάδιο ανάπτυξης των καλλιεργειών και όταν ο NDVI μετατοπίζεται από θετικές τιμές σε αρνητικές, έχει επιτευχθεί το πλήρες ώριμο στάδιο συγκομιδής ή έναρξη της συγκομιδής των καλλιεργειών. Για τη μηνιαία παρακολούθηση της ανάπτυξης των καλλιεργειών, απαιτήθηκαν 12 εικόνες Sentinel 2B και Landsat 8 OLI από τον Ιανουάριο έως τον Δεκέμβριο του 2018 για την περιοχή μελέτης από τον ιστότοπο γεωλογικής έρευνας των Ηνωμένων Πολιτειών (USGS). Χρησιμοποιήθηκαν συνδυασμοί ζωνών 8, 4, 3 και 5, 4, 3 για RGB από ζώνες Sentinel 2B σε ανάλυση 10 m και Landsat 8 OLI σε ανάλυση 30 m αντίστοιχα. Η ψηφιακή επεξεργασία των εικόνων έγινε από το Λογισμικό Arc- GIS και επιλέχθηκαν 25 σημεία ως GCPs (Ground Control Point) στην περιοχή μελέτης με την βοήθεια του GPS (Global Positioning System). Οι υψηλές τιμές NDVI αντιπροσωπεύουν υγιέστερη βλάστηση (πράσινα φυτά) και οι χαμηλές τιμές NDVI αντιπροσωπεύουν περιοχές με αστικοποίηση, σύννεφα, χιόνι ή υδάτινο σώμα. Χαμηλές τιμές NDVI παρατηρήθηκαν από τον Ιανουάριο έως τον Μάρτιο αλλά τον Απρίλιο αυξάνονται. Τον Μάιο-Ιούνιο όλες οι καλλιέργειες εμφανίζουν πολύ υψηλές τιμές NDVI με υψηλότερη τιμή τον Ιούλιο. Από τον Αύγουστο το μέγιστο NDVI της περιοχής μελέτης αρχίζει να μειώνονται με χαμηλή τιμή το μήνα Σεπτέμβριο – Οκτώβριο και χαμηλότερη τον μήνα Νοέμβριο – Δεκέμβριο. Η συγκομιδή γίνεται τον Σεπτέμβριο. Ο υψηλότερος μέσος όρος NDVI βρέθηκε τον Ιούλιο (0,45) και χαμηλότερος από τον Ιανουάριο έως τον Μάρτιο (0,01). Στην περιοχή μελέτης, οι μέγιστες τιμές NDVI φτάνουν σε 0,84 κατά τη θερινή περίοδο (Μάιος έως Σεπτέμβριος), η οποία αντιπροσωπεύει πολύ υγιή γεωργία λόγω του πολύ εύφορου εδάφους (μαύρο) και καλή καιρική κατάσταση. Τα στάδια της καλλιέργειας έχουν εντοπιστεί στο 1) παρουσία γυμνού έδαφος, αυτό το στάδιο παρουσιάζεται στην αρχή του φυτού, γενικά μέχρι αρχές Απριλίου στην περιοχή μελέτης, 2) επέκταση μίσχου ή στάδιο ανάπτυξης των φυτών, αυτό το στάδιο δείχνει την ανάπτυξη των φυτών (στέλεχος, φύλλο, ανθοφορία) και το χώμα σταματά να είναι ορατό από Μάιο έως Αύγουστο, 3) αυτό είναι το στάδιο ανάπτυξης της πλήρους ωρίμανσης και το χώμα επίσης δεν είναι ορατό. Σεπτέμβριο-Οκτώβριο είναι η ώρα της συγκομιδής. Τα αποτελέσματα δείχνουν επίσης την ημερομηνία έναρξης / λήξης της σεζόν (Απρίλιος / Οκτώβριος) με άροση και συγκομιδή διότι η Ρωσία είναι χώρα με πολύ υψηλή πτώση χιονιού που ξεκινούν στο τέλος του Οκτωβρίου και τελειώνουν στις αρχές Απριλίου, ώστε οι άνθρωποι να ξεκινήσουν καλλιέργεια στις αρχές Απριλίου και συγκομιδή έως τον Οκτώβριο. Τα σημεία ελέγχου εδάφους (GCP) συλλέχθηκαν κατά τη διάρκεια της επιτόπιας μελέτης για αξιολόγηση ακρίβειας και γεωαναφορά των δεδομένων. Χρησιμοποιήθηκε το google Earth για αξιολόγηση ακρίβειας καθώς διαθέτει εικόνες υψηλής ανάλυσης. Η συνολική ακρίβεια για τη χαρτογράφηση φαινολογίας καλλιέργειας και η παρακολούθηση υπολογίστηκε στο 92%. Συγκρίθηκαν τα αποτελέσματα δεδομένων Sentinel και Landsat για την ανάπτυξη των καλλιεργειών από την αρχή έως το τέλος της καλλιέργειάς τους ώστε να παρατηρηθούν διαφορές. Τα δεδομένα Sentinel 2B έχουν λίγο υψηλότερη ακρίβεια ως προς ένα κλάσμα της διακύμανσης σε φαινολογικό χρόνο / ημερομηνίες από τα δεδομένα Landsat. Στην κοπή της καλλιέργειας ή στο ορατό στάδιο εδάφους, τα δεδομένα Sentinel δείχνουν συνεχείς αυξήσεις στις τιμές NDVI αλλά τα αποτελέσματα δεδομένων Landsat δείχνουν χαμηλότερο NDVI για τον Απρίλιο σε σύγκριση με τον Φεβρουάριο-Μάρτιο. ‘Όταν συγκρίθηκαν όλες οι κατηγορίες NDVI από όχι και πολύ έντονες αγροτικές περιοχές, τα δεδομένα του Sentinel εμφανίζουν όλες τις τάξεις από το Μάιο έως και το Νοέμβριος, αλλά το Landsat εμφανίζει όλα τα στάδια μόνο από τον Ιούλιο έως τον Σεπτέμβριο που αντιπροσωπεύει ότι ο Sentinel 2B δημιουργεί δεδομένα με τιμές NDVI που είναι πιο ακριβείς και ποιοτικές από ότι ο Landsat. Αυτά τα αποτελέσματα επιβεβαιώθηκαν κατά τη διάρκεια της επιτόπια επίσκεψης για όλα τα στάδια ανάπτυξης των καλλιεργειών.

[[category:Ενέργειες φυτικής διαχείρισης]]

Καταλληλότητα ασφάλισης δείκτη: νέες πληροφορίες από δορυφορικά δεδομένα

2021-01-26T09:37:32Z

Somitsialis:

[[Εικόνα: dei61.png | thumb | right | Συγκριτικός Χάρτης, Πηγή: https://ideas.repec.org/p/ags/aaea20/304663.html]]
[[Εικόνα: dei62.png | thumb | right | Συγκριτικός Χάρτης, Πηγή: https://ideas.repec.org/p/ags/aaea20/304663.html]]
[[Εικόνα: dei63.png | thumb | right | Συγκριτικός Χάρτης, Πηγή: https://ideas.repec.org/p/ags/aaea20/304663.html]]
Πηγή: https://ideas.repec.org/p/ags/aaea20/304663.html

Το άρθρο αφορά την παρακολούθηση αποδόσεων των καλλιεργειών και τον βέλτιστο τρόπο ασφάλισης τους στις Ηνωμένες Πολιτείες Αμερικής και έχει τίτλο: Suitability of index insurance: new insights from satellite data. Γράφτηκε από τους Matthieu Stigler και David Lobell στο Κέντρο Επισιτιστικής Ασφάλειας και Περιβάλλοντος του Πανεπιστημίου του Στάνφορντ το 2020. Η τοποθεσία της μελέτης επικεντρώνεται σε 9 πολιτείες οι οποίες είναι οι Iowa, Indiana, Illinois, Ohio, Michigan, Minnesota, Missouri, South Dakota and Wisconsin και παρατηρούνται αποδόσεις για καλαμπόκι και σόγια, για μια αρκετά μεγάλη περίοδο 20 ετών (2000-2019), σε 600 κομητείες και 1,8 εκατομμύρια εκμεταλλεύσεις, ώστε να βρεθεί ο καλύτερος τρόπος ασφάλισης των καλλιεργειών. Εκτελέστηκε πρώτα μια ανάλυση σε ατομικό επίπεδο, συγκρίνοντας για κάθε εκμετάλλευση την προβλεπόμενη χρησιμότητα και το αν λειτουργούσαν χωρίς ασφάλιση, με βασική ασφάλιση ή με ασφάλεια δείκτη. Σε ένα δεύτερο βήμα, συγκεντρώνονται και υπολογίζονται μετρήσεις σε επίπεδο νομού μίας τιμής βασικού κινδύνου. Συγκρίνονται αυτές οι διάφορες μετρήσεις σε επίπεδο καταλληλότητας ασφαλιστικών δεικτών στα νομαρχιακά χαρακτηριστικά όπως η χρονική και χωρική διακύμανση, επιδιώκοντας να χαρακτηριστούν ποιες κομητείες είναι οι πιο κατάλληλες για ασφάλιση με δείκτη. Τα συμβατικά ασφαλιστικά μέσα επικεντρώνονται σε αποζημιώσεις όπου οι πληρωμές ενεργοποιούνται όταν οι αποδόσεις σε ένα συγκεκριμένο πεδίο πέφτουν κάτω από ένα ορισμένο ποσοστό της αναμενόμενης απόδοσης του πεδίου. Κάτι τέτοιο επιφέρει υψηλό κόστος παρακολούθησης λόγω της απαίτησης αξιολόγησης των ζημιών και των δεδομένων που απαιτούνται για την τιμολόγηση μεμονωμένων ασφαλίστρων. Ως απάντηση σε αυτά τα ζητήματα, η ασφάλιση με δείκτη προσφέρει μια ενδιαφέρουσα εναλλακτική λύση. Ο δείκτης ασφάλισης συνδέει την ασφάλιση πληρωμής σε χαμηλές πραγματοποιήσεις ενός εξωτερικού δείκτη, ο οποίος συχνά ορίζεται με βάση τις μέσες αποδόσεις σε μια δεδομένη περιοχή και τις καιρικές μεταβλητές όπως η βροχόπτωση, η θερμοκρασία κ.λπ. με τα πλεονεκτήματα του δείκτη ασφάλισης να είναι το μειωμένο κόστος καθώς η παρακολούθηση μεμονωμένων τομέων δεν είναι πλέον απαραίτητη. Η αποζημίωση που δίνεται αν χρειαστεί είναι η διαφορά μεταξύ των αποδόσεων κομητείας-στόχου και των πραγματικών αποδόσεων κομητείας. Οι πραγματικές αποδόσεις των καλλιεργειών προσδιορίζονται από τον Green Chlorophyll Vegetation index (GCVI) ο οποίος είναι παρόμοιος με τον NDVI. Ο GCVI υπολογίζεται με την διαίρεση του εγγύς υπέρυθρου καναλιού με το κανάλι πράσινου χρώματος και έπειτα αφαίρεση με την μονάδα. Χρησιμοποιήθηκαν δεδομένα από Landsat 5, 7 και 8 μαζί με Cropland Data Layer (CDL) και τα μοντέλα APSIM-καλαμποκιού και APSIM-σόγιας για να ταξινομηθούν τα pixels και να διατηρούν μόνο πεδία που έχουν κατά μέσο όρο 85% συμφωνία υπογραφής. Με άλλα λόγια, το απαιτούμενο δεδομένο πεδίο στο CDL προβλέπει σταθερά είτε καλαμπόκι είτε σόγια για το 85% των pixels σε όλα τα χρόνια της μελέτης. Ο αριθμός εικονοστοιχείων πραγματοποιείται λαμβάνοντας υπόψη μόνο τα εικονοστοιχεία εντός των εκμεταλλεύσεων, αποφεύγοντας τη παραπληροφόρηση από μικτά pixel που βρίσκονται στα όρια του πεδίου. Ο μέσος όρος των αποδόσεων εφαρμόζεται με satellite-based crop yield mapper εντός του ορίου του καθορισμένου πεδίου, χρησιμοποιώντας το ίδιο υποσύνολο εσωτερικών εικονοστοιχείων. Μετά το πέρας της διαδικασίας βρέθηκε ότι ο δείκτης ασφάλισης παρέχει μεγαλύτερη μείωση κινδύνου στις καλλιέργειες καλαμποκιού σε σύγκριση με της σόγιας, η μέση μείωση κινδύνου για το καλαμπόκι είναι 43%, ενώ για τη σόγια είναι περίπου 30%. Υπάρχει δηλαδή ένας μεγάλος αριθμός τομέων για τους οποίους ενδείκνυται η ασφάλιση δείκτη και για το καλαμπόκι είναι 95% ενώ για τη σόγια 92%. Είναι ενδιαφέρον ότι το όφελος της ασφάλισης δεικτών είναι υψηλό στην περιφέρεια, σε περιοχές που έχουν υψηλή μεταβλητότητα. Είναι ιδιαίτερα υψηλό στο Μιζούρι και το νότιο Ιλλινόις , που είναι περιοχές με υψηλή χρονική και χωρική μεταβλητότητα. Αντίθετα, η ασφάλιση δεικτών φαίνεται να είναι πιο περιορισμένη στις ασφαλείς περιοχές όπως η βόρεια Αϊόβα και η νότια Μινεσότα. Παρά την θετική έκβαση της διερεύνησης στην καταλληλότητα του δείκτη ασφάλισης σε κάθε κομητεία, το επόμενο ερώτημα που πρέπει να τεθεί είναι αν απαιτείται ο επανασχεδιασμός αυτών των δεικτών για τις κομητείες. Ο δείκτης ασφάλισης από το Risk Management Agency (RMA) χρησιμοποιεί τα όρια των πολιτειών, ενώ θα έπρεπε να εξαρτάται από τα όρια και τις ανάγκες της κομητείας.
[[category:Γεωργικές στατιστικές]]

Αλλαγή κάλυψης γης στα βουνά του Καυκάσου από το 1987 με βάση την τοπογραφική διόρθωση πολλών χρονικών σύνθετων Landsat

2021-01-26T09:36:21Z

Somitsialis:

[[Εικόνα: kavka51.png | thumb | right | Τοποθεσία μελέτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425720303370]]
[[Εικόνα: kavka52.png | thumb | right | Απεικονιστικός Χάρτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425720303370]][[Εικόνα: kavka53.png | thumb | right | Απεικονιστικός Χάρτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425720303370]][[Εικόνα: kavka54.png | thumb | right | Απεικονιστικός Χάρτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425720303370]]
[[Εικόνα: kavka55.png | thumb | right | Απεικονιστικός Χάρτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425720303370]]
[[Εικόνα: kavka56.png | thumb | right | Απεικονιστικός Χάρτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425720303370]]
[[Εικόνα: kavka57.png | thumb | right | Απεικονιστικός Χάρτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425720303370]]
Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425720303370

Το άρθρο αφορά την αλλαγή χρήσης γης στις ορεινές περιοχές του Καυκάσου και έχει τίτλο: Land-cover change in the Caucasus Mountains since 1987 based on the topographic correction of multi-temporal Landsat composites. Γράφτηκε από τους Johanna Buchner, He Yin, David Frantz, Tobias Kuemmerle, Elshad Askerov, Tamar Bakuradze, Benjamin Bleyhl, Nodar Elizbarashvili, Anna Komarova, Katarzyna E. Lewińska, Afag Rizayeva, Hovik Sayadyan, Bin Tan, Garegin Tepanosyan, Nugzar Zazanashvili, Volker C. Radelof το 2020. Η τοποθεσία της μελέτης επικεντρώνεται στη Γεωργία, την Αρμενία και το Αζερμπαϊτζάν, στο το νότο (Νότιος Καύκασος) και τμήματα της Ρωσικής Ομοσπονδίας στο βορά (Βόρειος Καύκασος), με συνολική έκταση 455.000 τετραγωνικά χιλιόμετρα. Επεξεργάστηκαν 12.651 εικόνες L1T Landsat TM / ETM + / OLI από το αρχείο United States Geological Survey (USGS) που αποκτήθηκε μεταξύ 1985 και 2016, όλες οι διαθέσιμες εικόνες έχουν κάλυψη νέφους μικρότερη του 70%. Οι εικόνες επεξεργάστηκαν με το λογισμικό παρακολούθησης Framework for Operational Radiometric Correction for Environmental (FORCE). Το FORCE βασίζεται στη θεωρία μεταφοράς ακτινοβολίας και περιλαμβάνει τόσο την ατμοσφαιρική όσο και την τοπογραφική διόρθωση και ανακλαστικότητα. Όλες οι εικόνες προβάλλονταν σε Lambert Azimuthal Equal Area. Το FORCE χρησιμοποιήθηκε για τον υπολογισμό σύνθετων με βάση pixel για έξι έτη στόχους (1987, 1995, 2000, 2005, 2010, 2015, συμπεριλαμβανομένου του +/− 1 έτους για το 1995, επειδή αναμένονταν οι περισσότερες αλλαγές κατά αυτή την μεταβατική περίοδο, και +/− 2 χρόνια για τους άλλους). Επίσης αναλύθηκε η πολυετή χρονική τάση σε ορισμένες χρονολογίες, επειδή η διαθεσιμότητα εικόνων χωρίς σύννεφα από το 1987 έως το 1995 ήταν πολύ περιορισμένη για ετήσιες αναλύσεις. Ενσωματώθηκαν στην μελέτη και η φαινολογία της επιφάνειας του εδάφους στη διαδικασία σύνθεσης λαμβάνουν υπόψη τις φαινολογικές διαφορές που σχετίζονται τόσο με την κλιματική μεταβλητότητα όσο και με την τοπογραφική πολυπλοκότητα. Χρησιμοποιήθηκε ο αλγόριθμος ανάλυσης Spline of Time Series (SpliTS) για τον υπολογισμό της φαινολογίας της επιφάνειας του εδάφους. Το SpliTS προέρχεται από φαινολογικές και φυσικές παραμέτρους (π.χ. αρχή και τέλος της καλλιεργητικής περιόδου και μια χρονική σειρά ενισχυμένου δείκτη βλάστησης (EVI). Για Landsat 8 ο EVI = 2.5 * ((Band 5 – Band 4) / (Band 5 + 6 * Band 4 – 7.5 * Band 2 + 1)). Επιλέχθηκαν τα στάδια βλάστησης τα οποία είναι η έναρξη της σεζόν (SOS), η οποία είναι η χρονική στιγμή του έτος που ξεκινά η ανάπτυξη της βλάστησης, η αιχμή της σεζόν (POS), που είναι συγχρονισμός της μέγιστης αύξησης της βλάστησης και του τέλους της σεζόν (EOS), η οποία είναι ο χρόνος που συμβαίνει η γήρανση της βλάστησης. Οι καλύψεις γης ταξινομήθηκαν σε 10 κατηγορίες κάλυψης γης δηλαδή κωνοφόρα δάση, μικτά δάση, φυλλοβόλα δάση, άγονα εδάφη, καλλιεργήσιμες εκτάσεις, κατοικημένες περιοχές, υγρότοποι, νερό και χιόνι και πάγος. Για να ληφθούν εκπαιδευτικά δείγματα για όλες τις τάξεις, ψηφιοποιήθηκαν πολύγωνα σε περιοχές που ήταν ομοιογενείς και σταθερές με την πάροδο του χρόνου σύμφωνα με εικόνες ανάλυσης στο Google Earth, επιτόπιες επισκέψεις και το Climate Engine. Τα κωνοφόρα και φυλλοβόλα δάση καλύπτουν μεγάλο μέρος της περιοχής μελέτης. Χρησιμοποιήθηκαν το πακέτο R ′ C5.0 ′ για όλες τις ταξινομήσεις. Το ′ C5.0 ′ είναι ένας ταξινομητής δέντρων αποφάσεων που αποτελείται από μια συλλογή ταξινομημένων δέντρων που μπορεί να λείπουν και να διατηρήθηκαν pixel με τιμές που λείπουν στα εποχιακά σύνθετα χρησιμοποιώντας τιμές από τις υπάρχουσες φασματικές-χρονικές μετρήσεις. Για την εκτίμηση αλλαγής καλλιεργήσιμης γης, διατηρήθηκαν δύο κατηγορίες, «καλλιεργήσιμες εκτάσεις» και «μη καλλιεργήσιμο έδαφος». Για την αξιολόγηση των δασικών αλλαγών, συγκεντρώθηκαν τα δάση κωνοφόρων, μικτών και φυλλοβόλων σε «δάσος» και οι υπόλοιπες τάξεις σε «μη δάσος». Εφαρμόστηκε μια σύγκριση μετά την ταξινόμηση με βάση τους χάρτες ταξινόμησης για τις 5 βασικές χρονικές περιόδους (1987, 1995, 2000, 2005και 2010) Δεν πραγματοποιήθηκαν ταξινομήσεις αλλαγών απευθείας, επειδή οι αλλαγές ήταν γενικά σπάνιες, καθιστώντας ανέφικτο να συλλεχθούν επαρκή δείγματα εκπαίδευσης για καθένα από αυτά. Σαν αποτέλεσμα της μελέτης η συνολική έκταση των καλλιεργήσιμων εκτάσεων μειώθηκε και στις τέσσερις χώρες με βάση το 1987 Ο Βόρειος Καύκασος είχε το λιγότερο ποσό της απώλειας καλλιεργήσιμων εκτάσεων (-6%). Η Γεωργία είχε τη μεγαλύτερη απώλεια καλλιεργήσιμων εκτάσεων (−31%). Η Αρμενία είχε υψηλή απώλεια καλλιεργήσιμων εκτάσεων το 2000 (−17%), ακολουθούμενη από μια άμεση αύξηση το 2005. Η Αρμενία ήταν η μόνη χώρα όπου αυξήθηκε η καλλιεργήσιμη έκτασή της κατά 2% το 2010 σε σύγκριση με το 1987. Το Αζερμπαϊτζάν είχε απώλεια καλλιεργήσιμων εκτάσεων από το 1987 έως το 2005 (−30%), με αύξηση το 2010 και πάλι μειώθηκε το 2015. Η απώλεια οφείλεται κυρίως στη μετατροπή των καλλιεργήσιμων εκτάσεων σε βοσκοτόπους και περιστασιακά λόγω της μετατροπής σε δάσος. Η αύξηση των καλλιεργήσιμων εκτάσεων οφειλόταν κυρίως στη μετατροπή των λιβαδιών σε καλλιεργήσιμες εκτάσεις. Ο Βόρειος Καύκασος είχε τη μεγαλύτερη έκταση σταθερών καλλιεργήσιμων εκτάσεων το 39% της συνολικής καλλιεργήσιμης έκτασης καλλιεργήθηκε συνεχώς από το 1987 έως το 2015. Αντίθετα, στη Γεωργία, την Αρμενία και το Αζερμπαϊτζάν, μόνο το 7%, το 9% και το 10% αντίστοιχα της συνολικής έκτασης καλλιεργήθηκε αδιάλειπτα έως το 2015. Βρέθηκαν πολύ λιγότερες αλλαγές δασών από τις αλλαγές των καλλιεργήσιμων εκτάσεων. Συνολικά, τα δάση αυξήθηκαν κατά την περίοδο μελέτης. Η μεγαλύτερη δασική αύξηση σημειώθηκε κατά μήκος των δασικών άκρων και των εγκαταλελειμμένων καλλιεργήσιμων εκτάσεων και ήταν λόγω της μετατροπής των άγονων, βοσκοτόπων και καλλιεργήσιμων εκτάσεων σε δάσος. Η δασική έκταση αυξήθηκε στον Βόρειο Καύκασο (6%), την Αρμενία (8%), και τη Γεωργία (6%) από το 1987 έως το 2015 και μόνο το Αζερμπαϊτζάν γνώρισε μείωση σε σύγκριση με το 1987 (−4%). Το υψηλότερο ποσοστό απώλειας δασών (-6%) σημειώθηκαν στο Αζερμπαϊτζάν από το 2000 έως το 2005.

[[category:Παρακολούθηση και εκτίμηση διαχρονικών αλλαγών και εξελίξεων]]

Ποσοτικοποίηση της επέκτασης και απομάκρυνση της Spartina alterniflora στο Chongming νησί, στην Κίνα, χρησιμοποιώντας εικόνες χρονοσειρών Landsat

2021-01-26T09:28:56Z

Somitsialis:

[[Εικόνα: kina41.png | thumb | right | Τοποθεσία μελέτης, Πηγή:https://www.sciencedirect.com/science/article/abs/pii/S0034425720302868]]
[[Εικόνα: kina42.png | thumb | right | Απεικονιστικός Χάρτης, Πηγή:https://www.sciencedirect.com/science/article/abs/pii/S0034425720302868]]
Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425720302868

Το άρθρο αφορά τον έλεγχο ζιζανίων σε παράκτιες περιοχές και υγροτόπους στην Κίνα και έχει τίτλο: Quantifying expansion and removal of Spartina alterniflora on Chongming island, China, using time series Landsat images during 1995–2018. Γράφτηκε από τους Xi Zhang, Xiangming Xiao, Xinxin Wang, Xiao Xu, Bangqian Chen, Jie Wang, Jun Ma, Bin Zhao και Bo Li το 2020. Η τοποθεσία της μελέτης επικεντρώνεται στο νησί Τσονγκμίνγκ που είναι μέρος της μεγαλούπολης της Σαγκάης στην Κίνα και βρίσκεται στις εκβολές του Yangtze Ποταμού. Είναι το μεγαλύτερο αλλουβιακό νησί στον κόσμο και καλύπτει μία έκταση περίπου 1267 τετραγωνικών χιλιομέτρων, έχει ένα τυπικό υποτροπικό κλίμα μουσώνων με ετήσια μέση θερμοκρασία περίπου 15,3 ° C και ετήσια μέση βροχόπτωση περίπου 1022 χιλιοστά. Το 1995 το φυτό Spartina, το οποίο ευδοκιμεί σε παράκτια έλη αλατιού, εντοπίστηκε για πρώτη φορά στα βόρεια του νησιού. Το 2001 στο νησί είχε καλύψει 337 εκτάρια και το 2003 542 εκτάρια. Προκειμένου να αποφευχθούν οι αρνητικές επιπτώσεις της καταπάτησης της χλωρίδας από το συγκεκριμένο ποώδες φυτό, η κυβέρνηση της Σαγκάης είχε επενδύσει περίπου 1,3 δισεκατομμύρια Γιουάν (186 εκατομμύρια δολάρια ΗΠΑ) για την εκτέλεση ενός έργου οικολογικής αποκατάστασης της γηγενείς κοινότητας φυτών και ανακατασκευή ενδιαιτημάτων πουλιών. Το έργο ξεκίνησε τον Δεκέμβριο του 2010 και διάφορες τεχνικές μέθοδοι δοκιμάστηκαν και αξιολογήθηκαν κατά τη διάρκεια 2011–2012. Σε αυτήν τη μελέτη χρησιμοποιήθηκε ένας αλγόριθμος που βασίζεται σε pixels και φαινολογία από δεδομένα Landsat και του Google Earth. Η περιοχή μελέτης καλύπτεται από 2 σειρές (P118R38 και P119R38) του Συστήματος Αναφοράς Landsat Worldwide (WRS-2). Χρησιμοποιήθηκαν δεδομένα Landsat 5/7/8 επιφανειακή ανάκλαση (SR) από την 1η Ιανουαρίου 1995 έως την 1η Ιανουαρίου 2019, τα οποία έχουν αρχειοθετηθεί στο Google Earth Engine (GEE). Τα σύνολα δεδομένων έχουν διορθωθεί ατμοσφαιρικά μέσω του Landsat Ecosystem Disturbance Adaptive Processing System (LEDAPS) αλγορίθμου και του αλγορίθμου Landsat Surface Reflectance Code (LaSRC). Ο εντοπισμός κακής ποιότητας εικόνων συμπεριλαμβανομένων των νεφών και των σκιών σύννεφων έγινε από τον αλγόριθμος CFMask. Τα δεδομένα σειρών Landsat SR με καλής ποιότητας παρατηρήσεις χρησιμοποιήθηκαν για τον υπολογισμό τριών δεικτών βλάστησης: 1) Κανονικοποιημένος Δείκτης διαφοράς βλάστησης (NDVI), Enhanced Vegetation Index (EVI) και δείκτης επιφανειακών υδάτων Land Surface Water Index (LSWI). Ο NDVI σχετίζεται στενά με την φυλλική επιφάνια και ο EVI ανταποκρίνεται περισσότερο στην περιεκτικότητα σε χλωροφύλλη. Τόσο ο NDVI όσο και ο EVI χρησιμοποιούνται ευρέως στις μελέτες της επιφάνειας του εδάφους. Ο LSWI είναι ένας φασματικός δείκτης για την υγρασία του εδάφους. Η τιμή LSWI χρησιμοποιείται για να αντιπροσωπεύει μια κατάσταση αλλαγής από παραγωγικό φύλλο σε γερασμένο φύλλο και υπολογίζεται από την κανονικοποιημένη διαφορά του εγγύς υπερθύρου με το μέσο υπέρυθρο. Τα επιβλέποντα φυτά αρχίζουν να πρασινίζουν στα τέλη Απριλίου, μεγαλώνουν γρήγορα από τον Ιούνιο έως τις αρχές Σεπτεμβρίου, και γηράσκουν έως τα τέλη Δεκεμβρίου. Ο αλγόριθμος που δημιουργήθηκε για την αναγνώριση του Spartina βασίζεται σε pixels και φαινολογία και αναπτύχθηκε με βάση τα δεδομένα Landsat. Τα δύο βασικά χαρακτηριστικά της φαινολογίας του Spartina είναι (1) το αργότερο πρασίνισμα την άνοιξη και (2) αργότερη γήρανση το χειμώνα. Τον Απρίλιο – Μάιο είχε χαμηλές τιμές NDVI, EVI και LSWI, ενώ τα άλλα φυτά άρχισαν να πρασινίζουν με υψηλότερες τιμές LSWI (> 0). Υπολογίστηκε η μέση τιμή του LSWI κατά τη διάρκεια Απριλίου έως Μάιο (μέσος όρος LSWI (Απρίλιος-Μάιος) ) για μεμονωμένα pixel και έδειξε ότι ο μέσος όρος LSWI (Απρίλιος-Μάιος) αν είναι μικρότερος από 0 θα μπορούσε να ξεχωρίσει το Spartina από τους άλλους τύπους βλάστησης. Σε Δεκέμβριο – Ιανουάριο, ο NDVI και ο EVI έδειξαν μεγάλες διαφορές μεταξύ Spartina και άλλων φυτών. Το σχετικά υψηλό NDVI (> 0,2), EVI (> 0,1) και LSWI (> 0) στα pixels του Spartina ήταν και ένας άλλος κρίσιμος δείκτης για να μπορέσει να ταυτοποιηθεί και ο αλγόριθμος ήταν: LSWImean(Apr-May) ≤ 0 and (Dec-Jan) > 0, με VF (vegetation frequency) να είναι η συχνότητα πράσινης βλάστησης τον Δεκέμβριο – Ιανουάριο, υπολογίζεται ως η αναλογία του αριθμού των παρατηρήσεων που προσδιορίζονται ως πράσινη βλάστηση στον αριθμό παρατηρήσεων καλής ποιότητας. Την άνοιξη, NDVI, EVI και οι τιμές LSWI στην τοποθεσία που δεν υπήρχε Spartina αυξήθηκαν σημαντικά κατά τα τέλη του Απριλίου με αρχές Μαΐου. Συγκριτικά, οι τιμές NDVI, EVI και LSWI στις τοποθεσίες Spartina παρέμειναν πολύ χαμηλές στα τέλη Απριλίου-αρχές Μαΐου και άρχισαν να πρασινίζουν στα τέλη Μαΐου. Οι υπόλοιπες περιοχές φθάνουν τις υψηλότερες τιμές NDVI, EVI και LSWI στις αρχές του καλοκαιριού, αλλά οι NDVI, EVI και LSWI σε θέσεις Spartina αργά το καλοκαίρι. Τιμές NDVI και EVI στις τοποθεσίες που δεν περιείχαν Spartina μειώθηκαν σημαντικά από Νοέμβριο έως Δεκέμβριο, φθάνοντας στο NDVI <0,2 και EVI <0,1, που οδήγησαν στη γήρανση των φύλλων. Σε σύγκριση με τις τοποθεσίες Spartina που παρέμειναν ακόμη πράσινοι τον Νοέμβριο-Δεκέμβριο, έχοντας σχετικά υψηλότερες τιμές NDVI (> 0,2) και EVI (> 0,1). Σε εποχές φθινοπώρου και χειμώνα η γήρανση των φύλλων Spartina δεν εισήλθε στη γήρανση μέχρι τον Ιανουάριο του επόμενου έτους, ενώ τα άλλα φυτά εισήλθαν τον Νοέμβριο με τέλη Δεκεμβρίου. Αυτά τα φαινολογικά χαρακτηριστικά όπως παρατηρήθηκαν από τρεις δείκτες βλάστησης πρότειναν ότι Απρίλιος-Μάιος και Δεκεμβρίου – Ιανουάριος είναι δύο χρονικές περίοδοι που μπορούν να χρησιμοποιηθούν εικόνες Landsat για να διαχωριστούν φυτά Spartina από άλλα φυτά στις αλυκές στο νησί Chongming.

[[category:Χαρτογράφηση βλάστησης λεκάνων απορροής / μοντελοποίηση παραγωγής νερού]]

Μια δορυφορική εκ των υστέρων ανάλυση διαχείρισης νερού σε οπωρώνα βατόμουρων

2021-01-26T09:26:42Z

Somitsialis:

[[Εικόνα: xili31.png | thumb | right | Τοποθεσία μελέτης , Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310176?dgcid=rss_sd_all]]
[[Εικόνα: xili32.png | thumb | right | Eξατμισοδιαπνοή 2011-2012, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310176?dgcid=rss_sd_all]]
[[Εικόνα: xili33.png | thumb | right | Eξατμισοδιαπνοή 2012-2013, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310176?dgcid=rss_sd_all]]
Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310176?dgcid=rss_sd_all

Το άρθρο αφορά την διαχείριση άρδευσης σε καλλιέργειες στην Χιλή και έχει τίτλο: A satellite-based ex post analysis of water management in a blueberry orchard. Γράφτηκε από τους Eduardo Holzapfel, Mario Lillo-Saavedra, Diego Rivera, Viviana Gavilán, Angel García-Pedrero, Consuelo Gonzalo-Martín το 2020. Η τοποθεσία της μελέτης επικεντρώνεται στην κεντρική Χιλή, σε μία φάρμα βατόμουρων. Για την διαχείριση άρδευσης της καλλιέργειας, απαιτήθηκε η εφαρμογή πληροφοριακών συστημάτων που επιτρέπουν την αξιολόγηση της αποδοτικότητας και της αποτελεσματικότητας της άρδευσης από δεδομένα χρήσης νερού, εξατμισοδιαπνοής, εδάφους και ποιότητας νερού. Τα τρέχοντα ηλεκτρονικά συστήματα παρακολούθησης χρησιμοποιούν δορυφορικές εικόνες για την επεξεργασία δεδομένων και τη διαχείριση πληροφοριών, ώστε να καταστεί δυνατή η εκτίμηση της ζήτησης νερού για καλλιέργειες και οπωρώνες με χωρική και χρονική κατανομή. Τα συστήματα επικεντρώνονται κυρίως στην πρόβλεψη της ζήτησης καλλιεργούμενου νερού εκ των προτέρων με ενσωμάτωση GIS μέσω διαδικτύου και εφαρμογές για κινητά που προβλέπουν την πιθανότητα εξατμισοδιαπνοής των καλλιεργειών με χρονικό διάστημα έως 5 ημέρες, συνδέοντας τις ορατές και υπέρυθρες εικόνες καλλιέργειας με αριθμητικά αποτελέσματα πρόβλεψης καιρού καθημερινά σε πραγματικό χρόνο καλλιέργειας. Σε αυτήν την εργασία, παρουσιάζεται μια νέα μεθοδολογία που επιτρέπει τον έλεγχο εκ των υστέρων για τις στρατηγικές άρδευσης, χρησιμοποιώντας το σύστημα αρδευτικών αποφάσεων που ονομάζεται AquaSat. Αυτό το σύστημα συνδυάζει δορυφορικές πληροφορίες με δεδομένα πεδίου και παρέχει χωροχρονικά κατανεμημένη εξατμοδιαπνοή καλλιεργειών (ETc), που συγκρίνεται με τον όγκο του χρησιμοποιούμενου νερού και του δυναμικού ζήτηση (ποσότητα νερού για την επίτευξη μέγιστων αποδόσεων). Το αγρόκτημα αποτελείται από οπωρώνες με βατόμουρα που φυτεύτηκαν το 2006 (ποικιλίες Legacy και Brigitta ), με πλαίσιο φύτευσης 3m μεταξύ σειρών και 1m απόσταση πάνω στη σειρά, τα φυτά αθροίζοντας έως και 3333 ανά εκτάριο. Η περίοδος παρακολούθησης άρδευσης εκτείνεται από το 2011 έως το 2012 και από το 2012 έως το 2013. Το κλίμα είναι ζεστό και εύκρατο με περίοδο 4 μηνών (Δεκέμβριος έως Μάρτιος) χωρίς βροχή. Η μέση ετήσια βροχόπτωση είναι 1025 χιλιοστά. Το θερμικό καθεστώς αυτής της ζώνης είναι με μέση ετήσια θερμοκρασία 14 ° C με μέσο όρο μέγιστο τον θερμότερο μήνα (Ιανουάριος) 28,8 ° C και κατά μέσο όρο ελάχιστο τον πιο κρύο μήνα (Ιούλιος) 3,5 ° C. Η περίοδος χωρίς παγετό είναι 5 μήνες, από Νοέμβριο έως Μάρτιο. Η άρδευση ξεκινά συνήθως την πρώτη εβδομάδα του Οκτωβρίου και τελειώνει την τελευταία εβδομάδα του Απριλίου. Το AquaSat, στο οποίο βασίζεται η μελέτη, είναι ένα σύστημα υποστήριξης αποφάσεων που αναπτύχθηκε κατά τα τελευταία 5 χρόνια, η οποία επιτρέπει την εκτίμηση της εξατμισοδιαπνοή και τις ανάγκες των καλλιεργειών σε νερό, σύμφωνα με προγράμματα άρδευσης. Οι πληροφορίες που εισάγονται στο σύστημα αντιστοιχούν σε πολυφασματικές εικόνες που αντλούνται από τον δορυφόρο LandSat 7 ETM + με μετεωρολογικά δεδομένα από το Εθνικό Αγρομετεωρολογικό Δίκτυο της Χιλής. Οι δορυφορικές εικόνες που χρησιμοποιήθηκαν για τη δημιουργία των χαρτών ETc αντιστοιχούν σε αυτούς που πάρθηκαν από τον δορυφόρο Landsat 7 ETM + κατά τη διάρκεια της άρδευσης 2011-2012 και 2012-2013. Για την εκτιμήσεις ζήτησης νερού, το AquaSat χρησιμοποιεί ένα μοντέλο Surface Energy Balance (SEB) για να προσδιορίσει το ET c χρησιμοποιώντας δορυφορικές εικόνες. Το μοντέλο SEB χρησιμοποιείται για την εκτίμηση βιοφυσικών μεταβλητών όπως η καθαρή ηλιακή ακτινοβολία, δείκτες βλάστησης και θερμοκρασία επιφάνειας. Μόλις πραγματοποιηθεί η εκτίμηση του ETc για καθεμία από τις περιοχές υπό ανάλυση, αυτά τα δεδομένα θα αποθηκευτούν με δομημένο τρόπο στις βάσεις δεδομένων PostgreSQL και PostGIS. Το AquaSat δείχνει ένα χαμηλό επίπεδο εξατμισοδιαπνοής για τις καλλιέργειες των βατόμουρων κατά τη διάρκεια του Νοεμβρίου και του Δεκεμβρίου τη σεζόν 2011-2012, η οποία θα πρέπει να είναι περίπου 4 έως 5 χιλιοστά την ημέρα, που αποδεικνύει ένα έλλειμμα νερού για τις καλλιέργειες σε μια σχετικά κρίσιμη περίοδο κατά την άνθηση και εμφάνιση καρποφορίας. Ωστόσο, κατά το μήνα Νοέμβριο της σεζόν 2012-2013, τα αποτελέσματα έδειξαν εύλογες τιμές διαπνοή και διατηρήθηκε αυτή η κατάσταση από τον Ιανουάριο έως τον Φεβρουάριο. Ωστόσο, τον Δεκέμβριο παρατηρήθηκε μικρή μείωση. δείχνει επίσης το ακανόνιστο σχήμα διαχείρισης νερού που εφαρμόζεται τις καλλιέργειες και τον τρόπο επίτευξης των ελλειμμάτων. Από τα ληφθέντα αποτελέσματα, είναι δυνατόν να συναχθεί ότι η αρδευτική διαχείριση που σχετίζεται με τα κριτήρια που χρησιμοποιεί η εκμετάλλευση οδήγησε σε έλλειμμα στα επίπεδα εφαρμογής των υδάτων στην καλλιέργεια. Αυτή η κατάσταση αποκαλύπτει την ανάγκη για συστηματική παρακολούθηση της διαδικασίας άρδευσης. Είναι σημαντικό να επισημανθεί ότι τα αποτελέσματα που λαμβάνονται μέσω του AquaSat αντιπροσωπεύουν επαρκώς την εκτιμώμενη δυνητική ζήτηση νερού από τη σοδειά και χρησιμεύει ως όργανο ελέγχου για τη διαχείριση της άρδευσης. Λαμβάνοντας υπόψη τις προηγούμενες πληροφορίες, μπορεί να αποδειχθεί ότι η πρώτη σεζόν είχε μεγαλύτερο έλλειμμα σε νερό, λαμβάνοντας υπόψη ότι υπήρχε συνεισφορά νερού που αποθηκεύτηκε στο έδαφος από τη βροχή κατά τη δεύτερη σεζόν που έκανε σημαντική συμβολή στις ανάγκες σε νερό του οπωρώνα βατόμουρων, μειώνοντας την έλλειψη νερού που προκαλείται από ανεπαρκή άρδευση. Προηγούμενες μελέτες έδειξαν ότι η ζήτηση νερού από στάγδην οπωρώνες βατόμουρων κυμαίνεται μεταξύ 6000 και 7000 κυβικών μέτρων ανά εκτάριο.

[[category:Σχεδιασμός αδρευτικών συστημάτων]]

Μια δορυφορική εκ των υστέρων ανάλυση διαχείρισης νερού σε οπωρώνα βατόμουρων

2021-01-26T09:26:30Z

Somitsialis:

[[Εικόνα: xili31.png | thumb | right | Τοποθεσία μελέτης , Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310176?dgcid=rss_sd_all]]
[[Εικόνα: xili32.png | thumb | right | Eξατμισοδιαπνοή 2011-2012, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310176?dgcid=rss_sd_all]]
[[Εικόνα: xili33.png | thumb | right | Eξατμισοδιαπνοή 2012-2013, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310176?dgcid=rss_sd_all]]
Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310176?dgcid=rss_sd_all
Το άρθρο αφορά την διαχείριση άρδευσης σε καλλιέργειες στην Χιλή και έχει τίτλο: A satellite-based ex post analysis of water management in a blueberry orchard. Γράφτηκε από τους Eduardo Holzapfel, Mario Lillo-Saavedra, Diego Rivera, Viviana Gavilán, Angel García-Pedrero, Consuelo Gonzalo-Martín το 2020. Η τοποθεσία της μελέτης επικεντρώνεται στην κεντρική Χιλή, σε μία φάρμα βατόμουρων. Για την διαχείριση άρδευσης της καλλιέργειας, απαιτήθηκε η εφαρμογή πληροφοριακών συστημάτων που επιτρέπουν την αξιολόγηση της αποδοτικότητας και της αποτελεσματικότητας της άρδευσης από δεδομένα χρήσης νερού, εξατμισοδιαπνοής, εδάφους και ποιότητας νερού. Τα τρέχοντα ηλεκτρονικά συστήματα παρακολούθησης χρησιμοποιούν δορυφορικές εικόνες για την επεξεργασία δεδομένων και τη διαχείριση πληροφοριών, ώστε να καταστεί δυνατή η εκτίμηση της ζήτησης νερού για καλλιέργειες και οπωρώνες με χωρική και χρονική κατανομή. Τα συστήματα επικεντρώνονται κυρίως στην πρόβλεψη της ζήτησης καλλιεργούμενου νερού εκ των προτέρων με ενσωμάτωση GIS μέσω διαδικτύου και εφαρμογές για κινητά που προβλέπουν την πιθανότητα εξατμισοδιαπνοής των καλλιεργειών με χρονικό διάστημα έως 5 ημέρες, συνδέοντας τις ορατές και υπέρυθρες εικόνες καλλιέργειας με αριθμητικά αποτελέσματα πρόβλεψης καιρού καθημερινά σε πραγματικό χρόνο καλλιέργειας. Σε αυτήν την εργασία, παρουσιάζεται μια νέα μεθοδολογία που επιτρέπει τον έλεγχο εκ των υστέρων για τις στρατηγικές άρδευσης, χρησιμοποιώντας το σύστημα αρδευτικών αποφάσεων που ονομάζεται AquaSat. Αυτό το σύστημα συνδυάζει δορυφορικές πληροφορίες με δεδομένα πεδίου και παρέχει χωροχρονικά κατανεμημένη εξατμοδιαπνοή καλλιεργειών (ETc), που συγκρίνεται με τον όγκο του χρησιμοποιούμενου νερού και του δυναμικού ζήτηση (ποσότητα νερού για την επίτευξη μέγιστων αποδόσεων). Το αγρόκτημα αποτελείται από οπωρώνες με βατόμουρα που φυτεύτηκαν το 2006 (ποικιλίες Legacy και Brigitta ), με πλαίσιο φύτευσης 3m μεταξύ σειρών και 1m απόσταση πάνω στη σειρά, τα φυτά αθροίζοντας έως και 3333 ανά εκτάριο. Η περίοδος παρακολούθησης άρδευσης εκτείνεται από το 2011 έως το 2012 και από το 2012 έως το 2013. Το κλίμα είναι ζεστό και εύκρατο με περίοδο 4 μηνών (Δεκέμβριος έως Μάρτιος) χωρίς βροχή. Η μέση ετήσια βροχόπτωση είναι 1025 χιλιοστά. Το θερμικό καθεστώς αυτής της ζώνης είναι με μέση ετήσια θερμοκρασία 14 ° C με μέσο όρο μέγιστο τον θερμότερο μήνα (Ιανουάριος) 28,8 ° C και κατά μέσο όρο ελάχιστο τον πιο κρύο μήνα (Ιούλιος) 3,5 ° C. Η περίοδος χωρίς παγετό είναι 5 μήνες, από Νοέμβριο έως Μάρτιο. Η άρδευση ξεκινά συνήθως την πρώτη εβδομάδα του Οκτωβρίου και τελειώνει την τελευταία εβδομάδα του Απριλίου. Το AquaSat, στο οποίο βασίζεται η μελέτη, είναι ένα σύστημα υποστήριξης αποφάσεων που αναπτύχθηκε κατά τα τελευταία 5 χρόνια, η οποία επιτρέπει την εκτίμηση της εξατμισοδιαπνοή και τις ανάγκες των καλλιεργειών σε νερό, σύμφωνα με προγράμματα άρδευσης. Οι πληροφορίες που εισάγονται στο σύστημα αντιστοιχούν σε πολυφασματικές εικόνες που αντλούνται από τον δορυφόρο LandSat 7 ETM + με μετεωρολογικά δεδομένα από το Εθνικό Αγρομετεωρολογικό Δίκτυο της Χιλής. Οι δορυφορικές εικόνες που χρησιμοποιήθηκαν για τη δημιουργία των χαρτών ETc αντιστοιχούν σε αυτούς που πάρθηκαν από τον δορυφόρο Landsat 7 ETM + κατά τη διάρκεια της άρδευσης 2011-2012 και 2012-2013. Για την εκτιμήσεις ζήτησης νερού, το AquaSat χρησιμοποιεί ένα μοντέλο Surface Energy Balance (SEB) για να προσδιορίσει το ET c χρησιμοποιώντας δορυφορικές εικόνες. Το μοντέλο SEB χρησιμοποιείται για την εκτίμηση βιοφυσικών μεταβλητών όπως η καθαρή ηλιακή ακτινοβολία, δείκτες βλάστησης και θερμοκρασία επιφάνειας. Μόλις πραγματοποιηθεί η εκτίμηση του ETc για καθεμία από τις περιοχές υπό ανάλυση, αυτά τα δεδομένα θα αποθηκευτούν με δομημένο τρόπο στις βάσεις δεδομένων PostgreSQL και PostGIS. Το AquaSat δείχνει ένα χαμηλό επίπεδο εξατμισοδιαπνοής για τις καλλιέργειες των βατόμουρων κατά τη διάρκεια του Νοεμβρίου και του Δεκεμβρίου τη σεζόν 2011-2012, η οποία θα πρέπει να είναι περίπου 4 έως 5 χιλιοστά την ημέρα, που αποδεικνύει ένα έλλειμμα νερού για τις καλλιέργειες σε μια σχετικά κρίσιμη περίοδο κατά την άνθηση και εμφάνιση καρποφορίας. Ωστόσο, κατά το μήνα Νοέμβριο της σεζόν 2012-2013, τα αποτελέσματα έδειξαν εύλογες τιμές διαπνοή και διατηρήθηκε αυτή η κατάσταση από τον Ιανουάριο έως τον Φεβρουάριο. Ωστόσο, τον Δεκέμβριο παρατηρήθηκε μικρή μείωση. δείχνει επίσης το ακανόνιστο σχήμα διαχείρισης νερού που εφαρμόζεται τις καλλιέργειες και τον τρόπο επίτευξης των ελλειμμάτων. Από τα ληφθέντα αποτελέσματα, είναι δυνατόν να συναχθεί ότι η αρδευτική διαχείριση που σχετίζεται με τα κριτήρια που χρησιμοποιεί η εκμετάλλευση οδήγησε σε έλλειμμα στα επίπεδα εφαρμογής των υδάτων στην καλλιέργεια. Αυτή η κατάσταση αποκαλύπτει την ανάγκη για συστηματική παρακολούθηση της διαδικασίας άρδευσης. Είναι σημαντικό να επισημανθεί ότι τα αποτελέσματα που λαμβάνονται μέσω του AquaSat αντιπροσωπεύουν επαρκώς την εκτιμώμενη δυνητική ζήτηση νερού από τη σοδειά και χρησιμεύει ως όργανο ελέγχου για τη διαχείριση της άρδευσης. Λαμβάνοντας υπόψη τις προηγούμενες πληροφορίες, μπορεί να αποδειχθεί ότι η πρώτη σεζόν είχε μεγαλύτερο έλλειμμα σε νερό, λαμβάνοντας υπόψη ότι υπήρχε συνεισφορά νερού που αποθηκεύτηκε στο έδαφος από τη βροχή κατά τη δεύτερη σεζόν που έκανε σημαντική συμβολή στις ανάγκες σε νερό του οπωρώνα βατόμουρων, μειώνοντας την έλλειψη νερού που προκαλείται από ανεπαρκή άρδευση. Προηγούμενες μελέτες έδειξαν ότι η ζήτηση νερού από στάγδην οπωρώνες βατόμουρων κυμαίνεται μεταξύ 6000 και 7000 κυβικών μέτρων ανά εκτάριο.

[[category:Σχεδιασμός αδρευτικών συστημάτων]]

Ταχεία χαρτογράφηση πλημμυρών διαχωρίζοντας τους δείκτες νερού με εικόνες Landsat πριν και μετά την πλημμύρα

2021-01-26T09:23:31Z

Somitsialis:

[[Εικόνα: flood21.png | thumb | right | Πραγματική απεικόνιση πλημμύρας , Πηγή: https://ui.adsabs.harvard.edu/abs/2020FrES..tmp...32S/abstract]]
[[Εικόνα: flood22.png | thumb | right | Τηλεπισκοπική απεικόνιση πλημμύρας , Πηγή: https://ui.adsabs.harvard.edu/abs/2020FrES..tmp...32S/abstract]]
[[Εικόνα: flood23.png | thumb | right | Σύγκριση , Πηγή: https://ui.adsabs.harvard.edu/abs/2020FrES..tmp...32S/abstract]]
[[Εικόνα: flood24.png | thumb | right | Σύγκριση , Πηγή: https://ui.adsabs.harvard.edu/abs/2020FrES..tmp...32S/abstract]]

Πηγή: https://ui.adsabs.harvard.edu/abs/2020FrES..tmp...32S/abstract

Το άρθρο αφορά την δημιουργία πλημμυρικών χαρτών στις Ηνωμένες Πολιτείες Αμερικής και έχει τίτλο: Rapid flood inundation mapping by differencing water indices from pre- and post-flood Landsat images. Γράφτηκε από τους Sivanpillai Ramesh, Jacobs Kevin, Mattilio Chloe και Piskorski Ela V. στο Πανεπιστήμιο του Ουαϊόμινγκ το 2020. Η τοποθεσία της μελέτης επικεντρώνεται στις πολιτείες Αρκάνσας, Κολοράντο, Ιντιάνα, Κεντάκι και Λουϊζιάνα. Σε αυτό το άρθρο, περιγράφεται μια τεχνική που προσδιορίζει πρόσφατα πλημμυρισμένες περιοχές με βάση τις διαφορές στο NDWI και MNDWI πριν και μετά τις πλημμύρες. Όπου NDWI είναι Normalized Difference Water Index και υπολογίζεται σαν την κανονικοποιημένη διαφορά του πράσινου με του εγγύς υπέρυθρου καναλιού και Modified Normalized Difference Water Index (MNDWI) να είναι η κανονικοποιημένη διαφορά του πράσινου με το μέσο υπέρυθρο κανάλι. Αυτή η τεχνική απαιτεί από έναν αναλυτή να προσαρμόσει τις τιμές επαναληπτικά και να φτάσει σε μία τιμή κατωφλίου που θα καταγράφει επαρκώς τις νέες πλημμυρισμένες περιοχές με βάση τις αλλαγές σε αυτές τις δύο εικόνες. Μερικά από τα βήματα που απαιτούνται για τη δημιουργία του πλημμυρικού χάρτη μπορούν να αυτοματοποιηθούν μειώνοντας έτσι το συνολικό χρόνο επεξεργασίας έτσι οι χάρτες μπορούν να παραδοθούν γρήγορα σε καταστάσεις έκτακτης ανάγκης και υπηρεσίες ανταπόκρισης. Για να συμβεί αυτό χρησιμοποιούνται πολλά ζεύγη πολυφασματικών εικόνων πριν και μετά την πλημμύρα. Εικόνες που αντιπροσωπεύουν μια σειρά από γεγονότα πλημμύρας σε αστικές περιοχές, αγροτικές περιοχές, άγονες περιοχές, έλη και γεωργικές περιοχές περιλαμβάνονται σε αυτήν τη μελέτη. Οι πλημμύρες εντοπίστηκαν από το διαδικτυακό τόπο του Συστήματος Διανομής Δεδομένων Κινδύνων (HDDS). Το HDDS περιέχει λίστα εικόνων και δεδομένων που παρέχονται για πολλές καταστροφές που έχουν εμφανιστεί σε ολόκληρο τον κόσμο. Οι δορυφορικές εικόνες που χρησιμοποιούνται για την μελέτη λήφθηκαν από το Earth Explorer (USGS) και είναι εικόνες Landsat 5 Thematic mapper (TM5) και Landsat 8 Operational Land Imager (OLI8). Οι πλημμυρισμένες περιοχές στις επιλεγμένες εικόνες περιλάμβαναν τόσο καθαρό όσο και θολό νερό, από βροχοπτώσεις που συνέβησαν τόσο σε άγονες όσο και σε γεωργικές περιοχές. Χρησιμοποιώντας το πριν και το μετά της πλημμύρας στις τιμές NDWI, MNDWI των εικόνων, υπολογίστηκε η διαφορά τους ως το τοις εκατό αύξηση στις τιμές τους για μια δεδομένη τιμή κατωφλίου (TV).
ΔNDWI TV = [ NDWI(post - flood) - NDWI (pre – flood) ] TV,
ΔMNDWI TV = [ MNDWI (post – flood) - MNDWI (pre - flood) ] TV
Στην εικόνα μελέτης μετά την πλημμύρα με τιμές ΔNDWI ή ΔMNDW πάνω από την καθορισμένη τιμή κατωφλίου, ταξινομήθηκαν ως πλημμυρισμένες περιοχές, δηλαδή η τιμή υγρασίας αυξήθηκε μεταξύ της εικόνας πριν από την πλημμύρα και μετά την πλημμύρα. Η τιμή κατωφλίου ορίστηκε στο 50% ή μικρότερη της εικόνας σε νερό από την μη πλημμυρισμένη εικόνα. Η έκταση των πλημμυρισμένων περιοχών ήταν υψηλότερη στο ΔNDWI, αν η τιμή κατωφλίου ξεπερνιόταν μία νέα τιμή κατωφλίου έπαιρνε την θέση της (TVF) που θα ταιριάζει απόλυτα με την έκταση μετά την πλημμύρα. Η TVF ανατέθηκε σε πλημμυρισμένες περιοχές (κλάση 1) ενώ οι υπόλοιπες τιμές ανατέθηκαν σε μη πλημμυρισμένες περιοχές (κλάση 2). Αυτά τα βήματα επαναλήφθηκαν με τις εικόνες MNDWI πριν και μετά την πλημμύρα και δημιουργήθηκε ο δεύτερος χάρτης πλημμύρας χρησιμοποιώντας δείκτες και εργαλεία διαφοράς εικόνας στο ERDAS Imagine. Τα δεδομένα αναφοράς (σημεία) τοποθετήθηκαν τυχαία και μετά την φωτογραφία πλημμύρας ερμηνεύονται ως WATER ή LAND μετά προβάλλονται στις εικόνες Landsat πριν και μετά την πλημμύρα. Αυτές οι εικόνες εμφανίστηκαν σε υπέρυθρες ακτίνες χρώματος ή φυσικών συνδυασμών χρωμάτων . Εάν ένα σημείο δεδομένων αναφοράς ερμηνεύτηκε ως LAND στην εικόνα πριν από την πλημμύρα αλλά ως WATER μετά την πλημμύρα, χαρακτηρίστηκε ως πλημμυρισμένο (κλάση 1). Τα σημεία επισημάνθηκαν ως μη πλημμυρισμένα (κλάση 2) εάν ερμηνευόντουσαν ως WATER ή LAND και στις δύο περιπτώσεις, δηλαδή προ-πλημμύρας και μετά την πλημμύρα, ή ως WATER στην εικόνα προ-πλημμύρας και LAND στην εικόνα μετά την πλημμύρα. Οι εικόνες πλημμύρας που προέρχονται από το ΔMNDWI ερμήνευσαν τις πλημμυρισμένες περιοχές πιο σωστά από τις εικόνες που προήλθαν από το ΔNDWI. Οι εικόνες που προέρχονται από το NDWI εσφαλμένα ταξινόμησαν αρκετές μη πλημμυρισμένες περιοχές ως πλημμυρισμένες κάτι που μειώνει την ακρίβεια του χάρτη. Από την άλλη, οι εικόνες που προέρχονται από το ΔMNDWI είχαν λιγότερες εμφανίσεις των μη πλημμυρισμένων περιοχών που ταξινομήθηκαν εσφαλμένα ως πλημμύρες. Οι εικόνες που προέρχονται από το NDWI, ερμήνευσαν εσφαλμένα ορισμένες οικιστικές εκτάσεις ως υδάτινα σώματα, επίσης πολλές πρόσφατα συγκομισμένες γεωργικές περιοχές ερμηνεύθηκαν εσφαλμένα ως πρόσφατα πλημμυρισμένα πεδία, κάτι που οι εικόνες προερχόμενες από MNDWI δεν είχαν πρόβλημα στο να αναγνωρίσουν σωστά. Οι πλημμυρισμένες περιοχές που καλύπτονται από βλάστηση δεν μπορούν να χαρτογραφηθούν με ακρίβεια, δεδομένου ότι η προτεινόμενη τεχνική αναγνώρισης βασίζεται σε πολυφασματικά δεδομένα ενώ προτείνονται επιπρόσθετα δεδομένα από αισθητήρες RADAR για πιο ακριβή ερμηνεία.

[[category:Καταγραφή πλυμμηρών]]

Υγεία των Δασών στο Εθνικό Πάρκο Yasuní με χρήση πολυφασματικών εικόνων για την αξιολόγηση των επιπτώσεων της εξόρυξης πετρελαίου

2021-01-26T09:21:06Z

Somitsialis:

[[Εικόνα: escobar101.png | thumb | right | Τοποθεσία μελέτης, Πηγή: https://www.macalester.edu/geography/wp-content/uploads/sites/18/2020/09/Maggie-Jaenicke.pdf]]
[[Εικόνα: escobar102.png | thumb | right | Συγκριτικός Χάρτης, Πηγή: https://www.macalester.edu/geography/wp-content/uploads/sites/18/2020/09/Maggie-Jaenicke.pdf]]
[[Εικόνα: escobar103.png | thumb | right | Απεικονιστικός Χάρτης, Πηγή: https://www.macalester.edu/geography/wp-content/uploads/sites/18/2020/09/Maggie-Jaenicke.pdf]]
[[Εικόνα: escobar104.png | thumb | right | Απεικονιστικός Χάρτης, Πηγή: https://www.macalester.edu/geography/wp-content/uploads/sites/18/2020/09/Maggie-Jaenicke.pdf]]

Πηγή: https://www.macalester.edu/geography/wp-content/uploads/sites/18/2020/09/Maggie-Jaenicke.pdf

Το άρθρο αφορά την υποβάθμιση δασικών οικοσυστημάτων και έχει τίτλο: Forest Health in Yasuní National Park Using Multispectral Imagery to Assess the Effects of Petroleum Extraction. Γράφτηκε από την Maggie Jaenicke στο SIT Ecuador CEC το 2020. Η γεωγραφική τοποθεσία του πάρκου για το οποίο γράφτηκε το άρθρο βρίσκεται στο βορειοανατολικό Εκουαδόρ και στην ευρύτερη περιοχή των συνόρων με την Κολομβία και το Περού. Ο σκοπός της μελέτης είναι να διερευνηθεί αν οι εξαγωγή πετρελαιοειδών ουσιών από συγκεκριμένα τμήματα του εθνικού πάρκου, επηρεάζουν δυσχερώς την δασική χλωρίδα στο πέρασμα του χρόνου. Για τον σκοπό αυτό χρησιμοποιήθηκαν εικόνες Landsat 4,5 και 8 καθώς μερικά δεδομένα αντλήθηκαν από το 1989, έτος από το οποίο και ξεκίνησε η έρευνα πάνω στο συγκεκριμένο θέμα αφού εκ παλαιόθεν η προστασία του Αμαζονίου είχε μεγάλη απήχηση στους ερευνητές. Για τις ανάγκες της έρευνας χρησιμοποιήθηκε ο δείκτης Normalized Difference Vegetation Index (NDVI) και η τάση του διαχρονικά πάνω από τα σημεία της τοποθεσίας της έρευνας. Ο συγκεκριμένος δείκτης αποτυπώνει την πυκνότητα της βλάστησης και κατασκευάζετε από την κανονικοποιημένη διαφορά των καναλιών του κόκκινου και του εγγύς υπέρυθρου, ώστε να λαμβάνουν τιμές από -1 έως +1 με αρνητικές τιμές να παίρνουν οι περιοχές που δεν έχουν καθόλου βλάστηση και το νερό. Οι τιμές κάτω από το 0,1 αντιπροσωπεύουν βράχια, άμμο, ή χιόνι, από 0,1 έως 0,2 εκτεθειμένο έδαφος, από 0,2 έως 0,5 περιοχές με αραιή βλάστηση ή θάμνους και για τιμές πάνω από 0,6 απεικονίζεται η πολύ πυκνή βλάστηση και το τροπικό δάσος. Η έρευνα έγινε από απόσταση χωρίς δεδομένα εδάφους και θα πρέπει να συμψηφιστεί με επιτόπια έρευνα στην διαπίστωση μεταβολής της πυκνότητας της βλάστηση στα χωρία εκτέλεσης της μελέτης. Υπολογίστηκαν οι μέσοι όροι του NDVI για τέσσερις περιοχές στις οποίες αντλείται πετρέλαιο για τις χρονολογίες 1989, 1998, 2013 και 2018. Λόγο της φύσης της έρευνας η οποία επικεντρώνεται στην πυκνότητα της βλάστησης, δεν συμπεριλήφθηκαν στον μέσο όρο του NDVI τιμές κάτω από 0,2 καθώς δεν απεικονίζουν καμίας μορφής βλάστηση. Η περιοχή της έρευνας έχει χωριστεί σε χωρία με ονομασίες 14, 16, 31 και 43. Για το χωρίο 14 οι μέσοι όροι του NDVI για το 1989, το 1998, το 2013 και το 2018 ήταν 0,5338, 0,6158, 0,5557 και 0,5599 αντίστοιχα με τον συνολικό μέσο όρο τους να είναι 0,5663. Οι διαφορές των μέσων όρων των τεσσάρων χρονολογιών από τον συνολικό τους μέσο όρο να είναι -0,0325, 0,0495, -0,0106 και -0,0064 που οδηγεί στο συμπέρασμα ότι διαχρονικά η πυκνότητα της βλάστησης έχει μειωθεί. Για το χωρίο 16 οι μέσοι όροι του NDVI για το 1989, το 1998, το 2013 και το 2018 ήταν 0,5952, 0,5790, 0,5522 και 0,5532 αντίστοιχα με τον συνολικό μέσο όρο τους να είναι 0,5699. Οι διαφορές των μέσων όρων των τεσσάρων χρονολογιών από τον συνολικό τους μέσο όρο να είναι 0,0253, 0,0091, -0,0177 και -0,0167 που οδηγεί στο συμπέρασμα ότι διαχρονικά η πυκνότητα της βλάστησης έχει μειωθεί. Για το χωρίο 31 οι μέσοι όροι του NDVI για το 1989, το 1998, το 2013 και το 2018 ήταν 0,5227, 0,5422, 0,5403 και 0,5390 αντίστοιχα με τον συνολικό μέσο όρο τους να είναι 0,53605. Οι διαφορές των μέσων όρων των τεσσάρων χρονολογιών από τον συνολικό τους μέσο όρο να είναι -0,01335, 0,00615, 0,00425 και 0,00295 που οδηγεί στο συμπέρασμα ότι διαχρονικά η πυκνότητα της βλάστησης έχει εν μέρει αυξηθεί. Για το χωρίο 43 οι μέσοι όροι του NDVI για το 1989, το 1998, το 2013 και το 2018 ήταν 0,5617, 0,5481, 0,5481 και 0,5442 αντίστοιχα με τον συνολικό μέσο όρο τους να είναι 0,5506. Οι διαφορές των μέσων όρων των τεσσάρων χρονολογιών από τον συνολικό τους μέσο όρο να είναι 0,0111, -0,0022, -0,0025 και -0,0064 που οδηγεί στο συμπέρασμα ότι διαχρονικά η πυκνότητα της βλάστησης έχει μειωθεί. Γενικότερα λόγο των μικρών διαφορών και των αντικρουόμενων αποτελεσμάτων δεν είναι επιστημονικά δυνατόν να εκφραστεί ένα ισχυρό τελικό συμπέρασμα για τον επηρεασμό της πυκνότητας της βλάστησης από την άντληση πετρελαίου στην ευρύτερη περιοχή της μελέτης. Επίσης υπήρχαν και οι περιορισμοί των σύννεφων, του εδαφικού ανάγλυφου, της εποχής λήψης και τον αριθμό των εικόνων που επιβάλλουν την περεταίρω μελέτη στο θέμα της έρευνας και από άλλους επιστήμονες με πιο εξονυχιστικό τρόπο. Για τις ανάγκες της μελέτης χρησιμοποιήθηκε το λογισμικό επεξεργασίας εικόνων ENVI και η χρήση (ασαφών) λογικών κανόνων για την ανάδειξη της βλάστησης με βάση τον NDVI, επίσης χρησιμοποιήθηκαν και εικόνες πέραν των Landsat και από την NASA και από την Google με αρκετά ικανοποιητικά αποτελέσματα.

[[category:Εκτίμηση βιοπικοιλότητας]]

Υγεία των Δασών στο Εθνικό Πάρκο Yasuní με χρήση πολυφασματικών εικόνων για την αξιολόγηση των επιπτώσεων της εξόρυξης πετρελαίου

2021-01-26T09:20:38Z

Somitsialis: Νέα σελίδα με '[[Εικόνα: escobar101.png | thumb | right | Τοποθεσία μελέτης, Πηγή: https://www.macalester.edu/geography/wp-content/uploads/sites/18/2020/09/Magg...'

[[Εικόνα: escobar101.png | thumb | right | Τοποθεσία μελέτης, Πηγή: https://www.macalester.edu/geography/wp-content/uploads/sites/18/2020/09/Maggie-Jaenicke.pdf]]
[[Εικόνα: escobar102.png | thumb | right | Συγκριτικός Χάρτης, Πηγή: https://www.macalester.edu/geography/wp-content/uploads/sites/18/2020/09/Maggie-Jaenicke.pdf]]
[[Εικόνα: escobar103.png | thumb | right | Απεικονιστικός Χάρτης, Πηγή: https://www.macalester.edu/geography/wp-content/uploads/sites/18/2020/09/Maggie-Jaenicke.pdf]]
[[Εικόνα: escobar104.png | thumb | right | Απεικονιστικός Χάρτης, Πηγή: https://www.macalester.edu/geography/wp-content/uploads/sites/18/2020/09/Maggie-Jaenicke.pdf]]
Πηγή: https://www.macalester.edu/geography/wp-content/uploads/sites/18/2020/09/Maggie-Jaenicke.pdf
Το άρθρο αφορά την υποβάθμιση δασικών οικοσυστημάτων και έχει τίτλο: Forest Health in Yasuní National Park Using Multispectral Imagery to Assess the Effects of Petroleum Extraction. Γράφτηκε από την Maggie Jaenicke στο SIT Ecuador CEC το 2020. Η γεωγραφική τοποθεσία του πάρκου για το οποίο γράφτηκε το άρθρο βρίσκεται στο βορειοανατολικό Εκουαδόρ και στην ευρύτερη περιοχή των συνόρων με την Κολομβία και το Περού. Ο σκοπός της μελέτης είναι να διερευνηθεί αν οι εξαγωγή πετρελαιοειδών ουσιών από συγκεκριμένα τμήματα του εθνικού πάρκου, επηρεάζουν δυσχερώς την δασική χλωρίδα στο πέρασμα του χρόνου. Για τον σκοπό αυτό χρησιμοποιήθηκαν εικόνες Landsat 4,5 και 8 καθώς μερικά δεδομένα αντλήθηκαν από το 1989, έτος από το οποίο και ξεκίνησε η έρευνα πάνω στο συγκεκριμένο θέμα αφού εκ παλαιόθεν η προστασία του Αμαζονίου είχε μεγάλη απήχηση στους ερευνητές. Για τις ανάγκες της έρευνας χρησιμοποιήθηκε ο δείκτης Normalized Difference Vegetation Index (NDVI) και η τάση του διαχρονικά πάνω από τα σημεία της τοποθεσίας της έρευνας. Ο συγκεκριμένος δείκτης αποτυπώνει την πυκνότητα της βλάστησης και κατασκευάζετε από την κανονικοποιημένη διαφορά των καναλιών του κόκκινου και του εγγύς υπέρυθρου, ώστε να λαμβάνουν τιμές από -1 έως +1 με αρνητικές τιμές να παίρνουν οι περιοχές που δεν έχουν καθόλου βλάστηση και το νερό. Οι τιμές κάτω από το 0,1 αντιπροσωπεύουν βράχια, άμμο, ή χιόνι, από 0,1 έως 0,2 εκτεθειμένο έδαφος, από 0,2 έως 0,5 περιοχές με αραιή βλάστηση ή θάμνους και για τιμές πάνω από 0,6 απεικονίζεται η πολύ πυκνή βλάστηση και το τροπικό δάσος. Η έρευνα έγινε από απόσταση χωρίς δεδομένα εδάφους και θα πρέπει να συμψηφιστεί με επιτόπια έρευνα στην διαπίστωση μεταβολής της πυκνότητας της βλάστηση στα χωρία εκτέλεσης της μελέτης. Υπολογίστηκαν οι μέσοι όροι του NDVI για τέσσερις περιοχές στις οποίες αντλείται πετρέλαιο για τις χρονολογίες 1989, 1998, 2013 και 2018. Λόγο της φύσης της έρευνας η οποία επικεντρώνεται στην πυκνότητα της βλάστησης, δεν συμπεριλήφθηκαν στον μέσο όρο του NDVI τιμές κάτω από 0,2 καθώς δεν απεικονίζουν καμίας μορφής βλάστηση. Η περιοχή της έρευνας έχει χωριστεί σε χωρία με ονομασίες 14, 16, 31 και 43. Για το χωρίο 14 οι μέσοι όροι του NDVI για το 1989, το 1998, το 2013 και το 2018 ήταν 0,5338, 0,6158, 0,5557 και 0,5599 αντίστοιχα με τον συνολικό μέσο όρο τους να είναι 0,5663. Οι διαφορές των μέσων όρων των τεσσάρων χρονολογιών από τον συνολικό τους μέσο όρο να είναι -0,0325, 0,0495, -0,0106 και -0,0064 που οδηγεί στο συμπέρασμα ότι διαχρονικά η πυκνότητα της βλάστησης έχει μειωθεί. Για το χωρίο 16 οι μέσοι όροι του NDVI για το 1989, το 1998, το 2013 και το 2018 ήταν 0,5952, 0,5790, 0,5522 και 0,5532 αντίστοιχα με τον συνολικό μέσο όρο τους να είναι 0,5699. Οι διαφορές των μέσων όρων των τεσσάρων χρονολογιών από τον συνολικό τους μέσο όρο να είναι 0,0253, 0,0091, -0,0177 και -0,0167 που οδηγεί στο συμπέρασμα ότι διαχρονικά η πυκνότητα της βλάστησης έχει μειωθεί. Για το χωρίο 31 οι μέσοι όροι του NDVI για το 1989, το 1998, το 2013 και το 2018 ήταν 0,5227, 0,5422, 0,5403 και 0,5390 αντίστοιχα με τον συνολικό μέσο όρο τους να είναι 0,53605. Οι διαφορές των μέσων όρων των τεσσάρων χρονολογιών από τον συνολικό τους μέσο όρο να είναι -0,01335, 0,00615, 0,00425 και 0,00295 που οδηγεί στο συμπέρασμα ότι διαχρονικά η πυκνότητα της βλάστησης έχει εν μέρει αυξηθεί. Για το χωρίο 43 οι μέσοι όροι του NDVI για το 1989, το 1998, το 2013 και το 2018 ήταν 0,5617, 0,5481, 0,5481 και 0,5442 αντίστοιχα με τον συνολικό μέσο όρο τους να είναι 0,5506. Οι διαφορές των μέσων όρων των τεσσάρων χρονολογιών από τον συνολικό τους μέσο όρο να είναι 0,0111, -0,0022, -0,0025 και -0,0064 που οδηγεί στο συμπέρασμα ότι διαχρονικά η πυκνότητα της βλάστησης έχει μειωθεί. Γενικότερα λόγο των μικρών διαφορών και των αντικρουόμενων αποτελεσμάτων δεν είναι επιστημονικά δυνατόν να εκφραστεί ένα ισχυρό τελικό συμπέρασμα για τον επηρεασμό της πυκνότητας της βλάστησης από την άντληση πετρελαίου στην ευρύτερη περιοχή της μελέτης. Επίσης υπήρχαν και οι περιορισμοί των σύννεφων, του εδαφικού ανάγλυφου, της εποχής λήψης και τον αριθμό των εικόνων που επιβάλλουν την περεταίρω μελέτη στο θέμα της έρευνας και από άλλους επιστήμονες με πιο εξονυχιστικό τρόπο. Για τις ανάγκες της μελέτης χρησιμοποιήθηκε το λογισμικό επεξεργασίας εικόνων ENVI και η χρήση (ασαφών) λογικών κανόνων για την ανάδειξη της βλάστησης με βάση τον NDVI, επίσης χρησιμοποιήθηκαν και εικόνες πέραν των Landsat και από την NASA και από την Google με αρκετά ικανοποιητικά αποτελέσματα.

[[category:Εκτίμηση βιοπικοιλότητας]]

Αρχείο:Escobar104.png

2021-01-26T09:07:58Z

Somitsialis:

Αρχείο:Escobar103.png

2021-01-26T09:07:32Z

Somitsialis:

Αρχείο:Escobar102.png

2021-01-26T09:07:04Z

Somitsialis:

Αρχείο:Escobar101.png

2021-01-26T09:06:40Z

Somitsialis:

Προς τον χαρακτηρισμό εθνικής κλίμακας της έντασης χρήσης λιβαδιών από ενσωματωμένες σειρές Sentinel-2 και Landsat

2021-01-26T09:02:02Z

Somitsialis:

[[Εικόνα: ger91.png | thumb | right | Τοποθεσία μελέτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425719301087]]
[[Εικόνα: ger92.png | thumb | right | Συγκριτικός Χάρτης Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425719301087]]

Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425719301087

Το άρθρο αφορά στον έλεγχο χρήσης και τον χαρακτηρισμό χορτολιβαδικών εκτάσεων στη Γερμανία και έχει τίτλο: Towards national-scale characterization of grassland use intensity from integrated Sentinel-2 and Landsat time series. Γράφτηκε από τους Patrick Griffiths, Claas Nendel, Jürgen Pickert και Patrick Hostert στο Πανεπιστήμιο Χούμπολτ του Βερολίνου το 2020. Η τοποθεσία της μελέτης επεκτείνεται στο σύνολο της Γερμανίας με σκοπό την εξεύρεση τρόπων βέλτιστης διαχείρισης των χορτολιβαδικών εκτάσεων, καθώς αποτελούν το ένα τρίτο των συνολικών αγροτικών εκτάσεων και συμβάλουν καθοριστηκά στην κτηνοτροφική διαδικασία που διασφαλίζει σεβαστό εισόδημα σε μεγάλο μέρος του πληθυσμού, παρέχοντας συγχρόνως και αναγκαία για τη διαβίωση τρόφιμα. Επίσης η διαχείριση των εκτάσεων αποσκοπεί και στην βέλτιστη δυνατή απορρόφηση ευρωπαϊκών επιδοτήσεων από την Κοινή Αγροτική Πολιτική μαζί με τον έλεγχο εγκυρότητάς τους. Στην Γερμανία, οι πρακτικές κοπής των βοσκοτόπων αποτελούν βασικό πληρεξούσιο για τη χρήση της γης και συνεπώς έχουν άμεση πολιτική σημασία στο πλαίσιο της Κοινής Γεωργικής Πολιτικής. Ανάλογα με την περιβαλλοντική κατάσταση του λιβαδιού και την συνεισφορά που παρέχει στα τοπικά οικοσυστήματα, τη χλωρίδα και την πανίδα όπως η αναπαραγωγή πτηνών, υποστηρίζεται από επιδοτήσεις για γεωργοπεριβαλλοντικά και κλιματικά μέτρα της Κοινής Γεωργικής Πολιτικής. Στα μέτρα αυτά, η υποχρεωτική ημερομηνία της συγκομιδής παίζει σημαντικό ρόλο και διαφέρει κυρίως από τη γεωργικές απαιτήσεις της εκμετάλλευσης. Συνήθως, για την σταβλισμένη γαλακτοπαραγωγή υπάρχει η υποχρέωση να κόβονται τα λιβάδια 4 με 6 φορές το χρόνο έως και πολύ αργά το καλοκαίρι, π.χ. στα μέσα Ιουνίου ή ακόμη και τον Ιούλιο, ενώ τα λιβάδια που προορίζονται για την τροφή μη σταβλισμένων αγελάδων επιβάλλεται συνήθως να κόβονται 2 με 3 φορές το χρόνο έως και τον Μάιο. Ως εκ τούτου, ο χρόνος συγκομιδής, το κούρεμα, το διάστημα και ο αριθμός των κοπών ανά έτος ποικίλλουν από εκμετάλλευση σε εκμετάλλευση σύμφωνα με την κατεύθυνση του συστήματος παραγωγής τους. Για την δημιουργία χαρτών χρησιμοποιήθηκαν Harmonized Landsat and Sentinel-2, Military Grid Reference System, Universal Transverse Mercator και Bidirectional reflectance distribution function. Επίσης δημιουργήθηκε αλγόριθμος για την ανίχνευσης κοπής των χορτολιβαδικών εκτάσεων που παρομοιάζει με εκείνη που συνήθως βασίζεται στην ανίχνευση ανωμαλιών παραγωγής καλλιεργειών με κύρια χρήση του δείκτη βλάστησης NDVI και εφαρμόζεται σε κάθε εικονοστοιχείο των περιοχών που έχουν επιλεγεί με συχνότητα 10 ημερών. Η αλλαγή στο NDVI με την πάροδο του χρόνου (dNDVI) υπολογίζεται αφαιρώντας την τιμή NDVI της προηγούμενης παρατήρησης από την τρέχουσα τιμή dNDVI: NDVI (t 0 ) - NDVI (t −1 ). Ο αλγόριθμος στη συνέχεια προσδιορίζει ένα σύνολο κορυφαίων τιμών με τις οποίες κατασκευάζεται η ιδανική καμπύλη τροχιάς καλλιεργητικής περιόδου. Οι κορυφαίες τιμές περιλαμβάνουν την πρώτη και την τελευταία έγκυρη μέτρηση των χρονοσειρών. Επίσης, η παρατήρηση με τη μέγιστη τιμή NDVI περιλαμβάνεται πάντα ως άνω κορυφή. Για κάθε παρατήρηση υπολογίζονται οι υπολειμματικές τιμές ως απόκλιση των ήδη παρατηρούμενων τιμών από την εξιδανικευμένη τροχιά καλλιεργητικής περιόδου. Στη συνέχεια, σημεία με υπολειμματικές τιμές πάνω από ένα δεδομένο όριο τιμών, αναγνωρίζονται επαναληπτικά ως πιθανά γεγονότα κοπής. Συνοπτικά ο αλγόριθμος ξεκινάει με την παρατήρηση με την υψηλότερη υπολειμματική τιμή, εάν για ένα προσδιορισμένο σημείο τα προηγούμενα σημεία έχουν αρνητικό υπόλοιπο ή τιμές μεγαλύτερου μεγέθους από την κορυφή, τότε η τιμή επιλέγεται ως η μεγαλύτερη τιμή dNDVI. Τέλος, μια αρνητική τιμή dNDVI χαρακτηρίζεται ως ανίχνευση κοπής. Για κάθε αναγνωρισμένο συμβάν κοπής, που είναι χρονικά παρακείμενο, αποκρύπτεται από την επόμενη επανάληψη της διαδικασίας για να αποφευχθεί η μέτρηση ενός συμβάντος δύο φορές. Τα προφίλ NDVI των λιβαδιών έγιναν με το Geo Spatial Aid Application και το αποτέλεσμα του αλγορίθμου δείχνει περίπου το 40% των λιβαδιών να χρησιμοποιούνται για την παραγωγή σανού και ενσίρωση, το 56% θεωρείται βοσκότοπος, ενώ το 25% των λιβαδιών δεν κόπηκε καθόλου το 2016. Τα ελαττώματα του αλγόριθμου είναι ότι δεν μπορούν να ληφθούν υπόψη το μικροκλιμικό ανάγλυφο των εδαφών που δημιουργεί λιμνάζοντα νερά, η λίπανση και η ζιζανιοκτονία που ενδεχομένως να κάνουν οι γεωργοί ή άλλες συναφείς καλλιεργητικές πρακτικές που μπορούν να επηρεάσουν σημαντικά τον NDVI, τα σύννεφα, η ομίχλη ή το νέφος μπορούν να οδηγήσουν σε ψευδείς ανιχνεύσεις συμβάντων κοπής. Παρόλα αυτά ο αλγόριθμος είναι πολύ χρήσιμος στον έλεγχο και την διαχείριση της παραγωγικότητάς τους και των επιδοτήσεών τους.

[[category:Έλεγχος επιδοτήσεων]]

Προς τον χαρακτηρισμό εθνικής κλίμακας της έντασης χρήσης λιβαδιών από ενσωματωμένες σειρές Sentinel-2 και Landsat

2021-01-26T09:01:16Z

Somitsialis: Νέα σελίδα με ' Τοποθεσία μελέτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425719301087 [[Εικ...'

[[Εικόνα: ger91.png | thumb | right | Τοποθεσία μελέτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425719301087]]
[[Εικόνα: ger92.png | thumb | right | Συγκριτικός Χάρτης Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425719301087]]

Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425719301087
Το άρθρο αφορά στον έλεγχο χρήσης και τον χαρακτηρισμό χορτολιβαδικών εκτάσεων στη Γερμανία και έχει τίτλο: Towards national-scale characterization of grassland use intensity from integrated Sentinel-2 and Landsat time series. Γράφτηκε από τους Patrick Griffiths, Claas Nendel, Jürgen Pickert και Patrick Hostert στο Πανεπιστήμιο Χούμπολτ του Βερολίνου το 2020. Η τοποθεσία της μελέτης επεκτείνεται στο σύνολο της Γερμανίας με σκοπό την εξεύρεση τρόπων βέλτιστης διαχείρισης των χορτολιβαδικών εκτάσεων, καθώς αποτελούν το ένα τρίτο των συνολικών αγροτικών εκτάσεων και συμβάλουν καθοριστηκά στην κτηνοτροφική διαδικασία που διασφαλίζει σεβαστό εισόδημα σε μεγάλο μέρος του πληθυσμού, παρέχοντας συγχρόνως και αναγκαία για τη διαβίωση τρόφιμα. Επίσης η διαχείριση των εκτάσεων αποσκοπεί και στην βέλτιστη δυνατή απορρόφηση ευρωπαϊκών επιδοτήσεων από την Κοινή Αγροτική Πολιτική μαζί με τον έλεγχο εγκυρότητάς τους. Στην Γερμανία, οι πρακτικές κοπής των βοσκοτόπων αποτελούν βασικό πληρεξούσιο για τη χρήση της γης και συνεπώς έχουν άμεση πολιτική σημασία στο πλαίσιο της Κοινής Γεωργικής Πολιτικής. Ανάλογα με την περιβαλλοντική κατάσταση του λιβαδιού και την συνεισφορά που παρέχει στα τοπικά οικοσυστήματα, τη χλωρίδα και την πανίδα όπως η αναπαραγωγή πτηνών, υποστηρίζεται από επιδοτήσεις για γεωργοπεριβαλλοντικά και κλιματικά μέτρα της Κοινής Γεωργικής Πολιτικής. Στα μέτρα αυτά, η υποχρεωτική ημερομηνία της συγκομιδής παίζει σημαντικό ρόλο και διαφέρει κυρίως από τη γεωργικές απαιτήσεις της εκμετάλλευσης. Συνήθως, για την σταβλισμένη γαλακτοπαραγωγή υπάρχει η υποχρέωση να κόβονται τα λιβάδια 4 με 6 φορές το χρόνο έως και πολύ αργά το καλοκαίρι, π.χ. στα μέσα Ιουνίου ή ακόμη και τον Ιούλιο, ενώ τα λιβάδια που προορίζονται για την τροφή μη σταβλισμένων αγελάδων επιβάλλεται συνήθως να κόβονται 2 με 3 φορές το χρόνο έως και τον Μάιο. Ως εκ τούτου, ο χρόνος συγκομιδής, το κούρεμα, το διάστημα και ο αριθμός των κοπών ανά έτος ποικίλλουν από εκμετάλλευση σε εκμετάλλευση σύμφωνα με την κατεύθυνση του συστήματος παραγωγής τους. Για την δημιουργία χαρτών χρησιμοποιήθηκαν Harmonized Landsat and Sentinel-2, Military Grid Reference System, Universal Transverse Mercator και Bidirectional reflectance distribution function. Επίσης δημιουργήθηκε αλγόριθμος για την ανίχνευσης κοπής των χορτολιβαδικών εκτάσεων που παρομοιάζει με εκείνη που συνήθως βασίζεται στην ανίχνευση ανωμαλιών παραγωγής καλλιεργειών με κύρια χρήση του δείκτη βλάστησης NDVI και εφαρμόζεται σε κάθε εικονοστοιχείο των περιοχών που έχουν επιλεγεί με συχνότητα 10 ημερών. Η αλλαγή στο NDVI με την πάροδο του χρόνου (dNDVI) υπολογίζεται αφαιρώντας την τιμή NDVI της προηγούμενης παρατήρησης από την τρέχουσα τιμή dNDVI: NDVI (t 0 ) - NDVI (t −1 ). Ο αλγόριθμος στη συνέχεια προσδιορίζει ένα σύνολο κορυφαίων τιμών με τις οποίες κατασκευάζεται η ιδανική καμπύλη τροχιάς καλλιεργητικής περιόδου. Οι κορυφαίες τιμές περιλαμβάνουν την πρώτη και την τελευταία έγκυρη μέτρηση των χρονοσειρών. Επίσης, η παρατήρηση με τη μέγιστη τιμή NDVI περιλαμβάνεται πάντα ως άνω κορυφή. Για κάθε παρατήρηση υπολογίζονται οι υπολειμματικές τιμές ως απόκλιση των ήδη παρατηρούμενων τιμών από την εξιδανικευμένη τροχιά καλλιεργητικής περιόδου. Στη συνέχεια, σημεία με υπολειμματικές τιμές πάνω από ένα δεδομένο όριο τιμών, αναγνωρίζονται επαναληπτικά ως πιθανά γεγονότα κοπής. Συνοπτικά ο αλγόριθμος ξεκινάει με την παρατήρηση με την υψηλότερη υπολειμματική τιμή, εάν για ένα προσδιορισμένο σημείο τα προηγούμενα σημεία έχουν αρνητικό υπόλοιπο ή τιμές μεγαλύτερου μεγέθους από την κορυφή, τότε η τιμή επιλέγεται ως η μεγαλύτερη τιμή dNDVI. Τέλος, μια αρνητική τιμή dNDVI χαρακτηρίζεται ως ανίχνευση κοπής. Για κάθε αναγνωρισμένο συμβάν κοπής, που είναι χρονικά παρακείμενο, αποκρύπτεται από την επόμενη επανάληψη της διαδικασίας για να αποφευχθεί η μέτρηση ενός συμβάντος δύο φορές. Τα προφίλ NDVI των λιβαδιών έγιναν με το Geo Spatial Aid Application και το αποτέλεσμα του αλγορίθμου δείχνει περίπου το 40% των λιβαδιών να χρησιμοποιούνται για την παραγωγή σανού και ενσίρωση, το 56% θεωρείται βοσκότοπος, ενώ το 25% των λιβαδιών δεν κόπηκε καθόλου το 2016. Τα ελαττώματα του αλγόριθμου είναι ότι δεν μπορούν να ληφθούν υπόψη το μικροκλιμικό ανάγλυφο των εδαφών που δημιουργεί λιμνάζοντα νερά, η λίπανση και η ζιζανιοκτονία που ενδεχομένως να κάνουν οι γεωργοί ή άλλες συναφείς καλλιεργητικές πρακτικές που μπορούν να επηρεάσουν σημαντικά τον NDVI, τα σύννεφα, η ομίχλη ή το νέφος μπορούν να οδηγήσουν σε ψευδείς ανιχνεύσεις συμβάντων κοπής. Παρόλα αυτά ο αλγόριθμος είναι πολύ χρήσιμος στον έλεγχο και την διαχείριση της παραγωγικότητάς τους και των επιδοτήσεών τους.

[[category:Έλεγχος επιδοτήσεων]]

Αρχείο:Ger92.png

2021-01-26T08:56:32Z

Somitsialis:

Αρχείο:Ger91.png

2021-01-26T08:56:02Z

Somitsialis:

Πλαίσιο που βασίζεται στην τηλεπισκόπηση για την πρόβλεψη αποδόσεων αραβοσίτου στο Πακιστάν χρησιμοποιώντας εικόνες Landsat

2021-01-26T08:55:02Z

Somitsialis:

[[Εικόνα: 82.png | thumb | right | Τοποθεσία μελέτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310450]]
[[Εικόνα: paki81.png | thumb | right | Ερμηνεία, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310450]]
Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310450
Το άρθρο αφορά την πρόβλεψη των αποδόσεων της καλλιέργειας του αραβοσίτου στο Πακιστάν και έχει τίτλο: Remote sensing-based framework to predict and assess the interannual variability of maize yields in Pakistan using Landsat imagery. Γράφτηκε από τους Ishfaq Ahmad, Aditya Singh, Muhammad Fahad, Muhammad Mohsin Waqas στο πανεπιστήμιο του Ισλαμαμπάντ του Πακιστάν το 2020. Η τοποθεσία της μελέτης επικεντρώνεται στην ανατολική περιφέρεια του Φαϊζαλαμπάντ, περιοχή που στην οποία υπάρχουν πολλές καλλιέργειες αραβοσίτου. Χρησιμοποιήθηκαν μία σειρά δεδομένων Landsat 8 και Landsat 7 εικόνων από το 2006 έως το 2017, ο δείκτης NDVI, δεδομένα Land Surface Temperature (LST), Landsat Thematic Mapper και επεξεργασία τους με least absolute shrinkage and selection operator (LASSO), καθώς επιμέρους στόχοι της μελέτης εκτός της ανάπτυξη ενός στατιστικού-εμπειρικού μοντέλου για την πρόβλεψη των αποδόσεων αραβοσίτου και της δημιουργίας μίας τηλεπισκοπικής βάσης μέτρησης της έκτασης καλλιέργειας του αραβοσίτου σε μια τυπική περιοχή καλλιέργειας αραβοσίτου στο Πακιστάν ήταν και η εκτίμηση της επίδρασης της θερμοκρασίας στη διετή μεταβλητότητα των αποδόσεων αραβοσίτου σε μια δεκαετία. Ο τελευταίος στόχος της εργασίας ίσως είναι και ο σημαντικότερος σε ερευνητικό επίπεδο, καθώς η κλιματική αλλαγή προκαλεί απρόβλεπτες αγρομετεωρολογικές συνθήκες και ακραία καιρικά φαινόμενα ενδέχεται να δημιουργήσουν δυσμενείς κινδύνους για μεγάλο ποσοστό της καλλιέργειας αραβοσίτου, επίσης Γεωπονικές μελέτες έχουν δείξει μείωση των αποδόσεων των σιτηρών λόγω των υψηλών θερμοκρασιών, που συνεχώς παρατηρούνται στην περιοχή μελέτης και της μη βιωσιμότητα της γύρης παράλληλα με μειωμένη γονιμοποίηση συγχρόνως με ελάττωση σχηματισμού κόκκων στον αραβόσιτο. Για τους σκοπούς της μελέτης επίσης χρησιμοποιήθηκε η principal components analyses (PCA) μεταξύ των NDVI και LST δεδομένων για την εξεύρεση της συσχέτισης, αποκτήθηκαν Landsat 8 OLI / TIRS δεδομένα με ίχνη P150-R038, P150-R039, P149-R038 και P149-R039 από την πύλη USGS Earth Explorer για την αιχμή της καλλιεργητικής περιόδου (μέσα Μαΐου) και για τα δύο έτη μελέτης. Για τη διερεύνηση της μεταβλητότητας στη ζωτικότητα των καλλιεργειών και για την ανάπτυξη της απόδοσης μοντέλων πρόβλεψης, ελήφθησαν δεδομένα για όλες τις διαθέσιμες ημερομηνίες από Ιανουάριο έως Ιούνιο και των δύο ετών. Χρησιμοποιήθηκαν βασικά στοιχεία αναλύσεις (PCA) για την αξιολόγηση των ημερομηνιών κατά τις οποίες οι NDVI και LST ήταν οι περισσότερο συσχετιζόμενες με τις αποδόσεις στους τόπους μελέτης, προσαρτήθηκαν το διάνυσμα της ετήσιας απόδοσης των εκμεταλλεύσεων στον πίνακα των NDVI και των LST που λαμβάνονται για κάθε διαθέσιμη ημερομηνία και η μήτρα προετοιμάστηκε για υπολογισμό. Έπειτα χρησιμοποιήθηκαν οκτώ ευρέως χρησιμοποιούμενοι αλγόριθμοι μηχανικής μάθησης οι οποίοι ήταν: Support Vector Machine (SVM)-Radial, Quadratic Discriminant Analysis (QDA), Random Forests, Trees, Support Vector Machine (SVM)-Linear, K-nearest neighbors (KNN) που επιδιώκει να συγκεντρώσει μοτίβα από σύγκριση των ευκλείδειων αποστάσεων μεταξύ των παρατηρήσεων, Linear Discriminant Analysis (LDA) και Boosting. Συνολικά και οι οκτώ μέθοδοι μηχανικής μάθησης αποδόθηκαν ακριβείς γύρω στο 90%. Η μηχανική μάθηση Boosting αποδείχθηκε σχετικά κακή με ακρίβεια 74% το 2015 και 75% το 2016, ενώ η μέθοδος Vector Machine (SVM) Radial η καλύτερη με ακρίβεια επικύρωσης 97% και στα δύο χρόνια και για αυτό χρησιμοποιήθηκε σε όλες τις επόμενες αναλύσεις και χρησιμοποιήθηκε για τον προσδιορισμό της χωρικής κατανομής των χωραφιών αραβοσίτου και για τις δύο καλλιεργητικές περιόδους. Η περιοχή που εκτιμάται σε αυτή τη μελέτη έδειξε διαφορά 14% από αυτήν που αναφέρθηκε από την Crop Reporting Service (CRS) του Pakistan και για τα δύο έτη (2015, 2016). H πρόβλεψη των αποδόσεων αραβοσίτου για τα 10 χρόνια (2007-2016) ταιριάζει με την κυβέρνηση αρκετά με μέσο σφάλμα στο 1,25%. Παρατηρήθηκε ότι οι αυξήσεις της θερμοκρασίας επηρεάζουν αρνητικά τις αποδόσεις σιτηρών σε όλα τα σημεία ελέγχου, αυτά τα φαινόμενα πιθανόν οφείλονται στις επιπτώσεις υψηλότερων θερμοκρασιών στους ρυθμούς ανάπτυξης, που μειώνουν αποτελεσματικά την περίοδο καλλιέργειας. Η θερμοκρασία που απαιτείται για τη βλάστηση του αραβοσίτου είναι 21 ° C και για την ανάπτυξη 30 ° C, υψηλότερη θερμοκρασία πάνω από αυτό το επίπεδο μειώνει και τη βλάστηση και τον ρυθμό ανάπτυξης. Επιπλέον, οι υψηλές θερμοκρασίες κατά τη διάρκεια του σταδίου αναπαραγωγής μειώνει τη διάρκεια πλήρωσης του κόκκου και οδηγεί στην καταβύθιση της απόδοσης του αραβοσίτου.

[[category:Πρόβλεψη φυτικής απόδοσης]]

Πλαίσιο που βασίζεται στην τηλεπισκόπηση για την πρόβλεψη αποδόσεων αραβοσίτου στο Πακιστάν χρησιμοποιώντας εικόνες Landsat

2021-01-26T08:53:58Z

Somitsialis: Νέα σελίδα με ' Τοποθεσία μελέτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310450 [[Εικό...'

[[Εικόνα: 82.png | thumb | right | Τοποθεσία μελέτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310450]]
[[Εικόνα: paki81.png | thumb | right | Ερμηνεία, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310450]]
Το άρθρο αφορά την πρόβλεψη των αποδόσεων της καλλιέργειας του αραβοσίτου στο Πακιστάν και έχει τίτλο: Remote sensing-based framework to predict and assess the interannual variability of maize yields in Pakistan using Landsat imagery. Γράφτηκε από τους Ishfaq Ahmad, Aditya Singh, Muhammad Fahad, Muhammad Mohsin Waqas στο πανεπιστήμιο του Ισλαμαμπάντ του Πακιστάν το 2020. Η τοποθεσία της μελέτης επικεντρώνεται στην ανατολική περιφέρεια του Φαϊζαλαμπάντ, περιοχή που στην οποία υπάρχουν πολλές καλλιέργειες αραβοσίτου. Χρησιμοποιήθηκαν μία σειρά δεδομένων Landsat 8 και Landsat 7 εικόνων από το 2006 έως το 2017, ο δείκτης NDVI, δεδομένα Land Surface Temperature (LST), Landsat Thematic Mapper και επεξεργασία τους με least absolute shrinkage and selection operator (LASSO), καθώς επιμέρους στόχοι της μελέτης εκτός της ανάπτυξη ενός στατιστικού-εμπειρικού μοντέλου για την πρόβλεψη των αποδόσεων αραβοσίτου και της δημιουργίας μίας τηλεπισκοπικής βάσης μέτρησης της έκτασης καλλιέργειας του αραβοσίτου σε μια τυπική περιοχή καλλιέργειας αραβοσίτου στο Πακιστάν ήταν και η εκτίμηση της επίδρασης της θερμοκρασίας στη διετή μεταβλητότητα των αποδόσεων αραβοσίτου σε μια δεκαετία. Ο τελευταίος στόχος της εργασίας ίσως είναι και ο σημαντικότερος σε ερευνητικό επίπεδο, καθώς η κλιματική αλλαγή προκαλεί απρόβλεπτες αγρομετεωρολογικές συνθήκες και ακραία καιρικά φαινόμενα ενδέχεται να δημιουργήσουν δυσμενείς κινδύνους για μεγάλο ποσοστό της καλλιέργειας αραβοσίτου, επίσης Γεωπονικές μελέτες έχουν δείξει μείωση των αποδόσεων των σιτηρών λόγω των υψηλών θερμοκρασιών, που συνεχώς παρατηρούνται στην περιοχή μελέτης και της μη βιωσιμότητα της γύρης παράλληλα με μειωμένη γονιμοποίηση συγχρόνως με ελάττωση σχηματισμού κόκκων στον αραβόσιτο. Για τους σκοπούς της μελέτης επίσης χρησιμοποιήθηκε η principal components analyses (PCA) μεταξύ των NDVI και LST δεδομένων για την εξεύρεση της συσχέτισης, αποκτήθηκαν Landsat 8 OLI / TIRS δεδομένα με ίχνη P150-R038, P150-R039, P149-R038 και P149-R039 από την πύλη USGS Earth Explorer για την αιχμή της καλλιεργητικής περιόδου (μέσα Μαΐου) και για τα δύο έτη μελέτης. Για τη διερεύνηση της μεταβλητότητας στη ζωτικότητα των καλλιεργειών και για την ανάπτυξη της απόδοσης μοντέλων πρόβλεψης, ελήφθησαν δεδομένα για όλες τις διαθέσιμες ημερομηνίες από Ιανουάριο έως Ιούνιο και των δύο ετών. Χρησιμοποιήθηκαν βασικά στοιχεία αναλύσεις (PCA) για την αξιολόγηση των ημερομηνιών κατά τις οποίες οι NDVI και LST ήταν οι περισσότερο συσχετιζόμενες με τις αποδόσεις στους τόπους μελέτης, προσαρτήθηκαν το διάνυσμα της ετήσιας απόδοσης των εκμεταλλεύσεων στον πίνακα των NDVI και των LST που λαμβάνονται για κάθε διαθέσιμη ημερομηνία και η μήτρα προετοιμάστηκε για υπολογισμό. Έπειτα χρησιμοποιήθηκαν οκτώ ευρέως χρησιμοποιούμενοι αλγόριθμοι μηχανικής μάθησης οι οποίοι ήταν: Support Vector Machine (SVM)-Radial, Quadratic Discriminant Analysis (QDA), Random Forests, Trees, Support Vector Machine (SVM)-Linear, K-nearest neighbors (KNN) που επιδιώκει να συγκεντρώσει μοτίβα από σύγκριση των ευκλείδειων αποστάσεων μεταξύ των παρατηρήσεων, Linear Discriminant Analysis (LDA) και Boosting. Συνολικά και οι οκτώ μέθοδοι μηχανικής μάθησης αποδόθηκαν ακριβείς γύρω στο 90%. Η μηχανική μάθηση Boosting αποδείχθηκε σχετικά κακή με ακρίβεια 74% το 2015 και 75% το 2016, ενώ η μέθοδος Vector Machine (SVM) Radial η καλύτερη με ακρίβεια επικύρωσης 97% και στα δύο χρόνια και για αυτό χρησιμοποιήθηκε σε όλες τις επόμενες αναλύσεις και χρησιμοποιήθηκε για τον προσδιορισμό της χωρικής κατανομής των χωραφιών αραβοσίτου και για τις δύο καλλιεργητικές περιόδους. Η περιοχή που εκτιμάται σε αυτή τη μελέτη έδειξε διαφορά 14% από αυτήν που αναφέρθηκε από την Crop Reporting Service (CRS) του Pakistan και για τα δύο έτη (2015, 2016). H πρόβλεψη των αποδόσεων αραβοσίτου για τα 10 χρόνια (2007-2016) ταιριάζει με την κυβέρνηση αρκετά με μέσο σφάλμα στο 1,25%. Παρατηρήθηκε ότι οι αυξήσεις της θερμοκρασίας επηρεάζουν αρνητικά τις αποδόσεις σιτηρών σε όλα τα σημεία ελέγχου, αυτά τα φαινόμενα πιθανόν οφείλονται στις επιπτώσεις υψηλότερων θερμοκρασιών στους ρυθμούς ανάπτυξης, που μειώνουν αποτελεσματικά την περίοδο καλλιέργειας. Η θερμοκρασία που απαιτείται για τη βλάστηση του αραβοσίτου είναι 21 ° C και για την ανάπτυξη 30 ° C, υψηλότερη θερμοκρασία πάνω από αυτό το επίπεδο μειώνει και τη βλάστηση και τον ρυθμό ανάπτυξης. Επιπλέον, οι υψηλές θερμοκρασίες κατά τη διάρκεια του σταδίου αναπαραγωγής μειώνει τη διάρκεια πλήρωσης του κόκκου και οδηγεί στην καταβύθιση της απόδοσης του αραβοσίτου.

[[category:Πρόβλεψη φυτικής απόδοσης]]

Αρχείο:82.png

2021-01-26T08:47:07Z

Somitsialis:

Αρχείο:Paki81.png

2021-01-26T08:46:48Z

Somitsialis:

Παρακολούθηση της ανάπτυξης των καλλιεργειών μέσω δεδομένων Sentinel και Landsat βασισμένες στις χρονοσειρές NDVI

2021-01-26T08:44:53Z

Somitsialis: Νέα σελίδα με '[[Εικόνα: rasia71.png | thumb | right | Τοποθεσία μελέτης, Πηγή: https://www.researchgate.net/publication/343388589_Crop_growth_monitoring_throug...'

[[Εικόνα: rasia71.png | thumb | right | Τοποθεσία μελέτης, Πηγή: https://www.researchgate.net/publication/343388589_Crop_growth_monitoring_through_Sentinel_and_Landsat_data_based_NDVI_time-series]]
[[Εικόνα: rasia72.png | thumb | right | Ερμηνεία, Πηγή: https://www.researchgate.net/publication/343388589_Crop_growth_monitoring_through_Sentinel_and_Landsat_data_based_NDVI_time-series]]
[[Εικόνα: rasia73.png | thumb | right | Συγκριτικοί Χάρτες, Πηγή: https://www.researchgate.net/publication/343388589_Crop_growth_monitoring_through_Sentinel_and_Landsat_data_based_NDVI_time-series]]
[[Εικόνα: rasia74.png | thumb | right | Συγκριτικοί Χάρτες, Πηγή: https://www.researchgate.net/publication/343388589_Crop_growth_monitoring_through_Sentinel_and_Landsat_data_based_NDVI_time-series]]
Το άρθρο αφορά την παρακολούθηση της ανάπτυξης των καλλιεργειών στην Σαμάρα της Ρωσίας και έχει τίτλο: Crop growth monitoring through Sentinel and Landsat data based NDVI time-series. Γράφτηκε από τους M.S. Boori, K. Choudhary και A.V. Kupriyanov στο Εθνικό Πανεπιστήμιο Ερευνών της Σαμάρα στη Ρωσία το 2020. Η τοποθεσία της μελέτης επικεντρώνεται σε γεωργικές περιοχές στην ευρύτερη περιοχή του αεροδρομίου της Σαμάρα. Χρησιμοποιήθηκαν δεδομένα Sentinel-2B και Landsat 8 (OLI) και χρονοσειρές του δείκτη NDVI. Όταν οι τιμές του NDVI αλλάζουν από αρνητικές σε θετικές, ερμηνεύεται ως αρχική ανάπτυξη των καλλιεργειών και το στάδιο της πρώιμης φάσης του πράσινου φύλλου, όταν οι τιμές του NDVI αναπτύσσονται αργά έως καθόλου, έχει επιτευχθεί το υψηλότερο στάδιο ανάπτυξης των καλλιεργειών και όταν ο NDVI μετατοπίζεται από θετικές τιμές σε αρνητικές, έχει επιτευχθεί το πλήρες ώριμο στάδιο συγκομιδής ή έναρξη της συγκομιδής των καλλιεργειών. Για τη μηνιαία παρακολούθηση της ανάπτυξης των καλλιεργειών, απαιτήθηκαν 12 εικόνες Sentinel 2B και Landsat 8 OLI από τον Ιανουάριο έως τον Δεκέμβριο του 2018 για την περιοχή μελέτης από τον ιστότοπο γεωλογικής έρευνας των Ηνωμένων Πολιτειών (USGS). Χρησιμοποιήθηκαν συνδυασμοί ζωνών 8, 4, 3 και 5, 4, 3 για RGB από ζώνες Sentinel 2B σε ανάλυση 10 m και Landsat 8 OLI σε ανάλυση 30 m αντίστοιχα. Η ψηφιακή επεξεργασία των εικόνων έγινε από το Λογισμικό Arc- GIS και επιλέχθηκαν 25 σημεία ως GCPs (Ground Control Point) στην περιοχή μελέτης με την βοήθεια του GPS (Global Positioning System). Οι υψηλές τιμές NDVI αντιπροσωπεύουν υγιέστερη βλάστηση (πράσινα φυτά) και οι χαμηλές τιμές NDVI αντιπροσωπεύουν περιοχές με αστικοποίηση, σύννεφα, χιόνι ή υδάτινο σώμα. Χαμηλές τιμές NDVI παρατηρήθηκαν από τον Ιανουάριο έως τον Μάρτιο αλλά τον Απρίλιο αυξάνονται. Τον Μάιο-Ιούνιο όλες οι καλλιέργειες εμφανίζουν πολύ υψηλές τιμές NDVI με υψηλότερη τιμή τον Ιούλιο. Από τον Αύγουστο το μέγιστο NDVI της περιοχής μελέτης αρχίζει να μειώνονται με χαμηλή τιμή το μήνα Σεπτέμβριο – Οκτώβριο και χαμηλότερη τον μήνα Νοέμβριο – Δεκέμβριο. Η συγκομιδή γίνεται τον Σεπτέμβριο. Ο υψηλότερος μέσος όρος NDVI βρέθηκε τον Ιούλιο (0,45) και χαμηλότερος από τον Ιανουάριο έως τον Μάρτιο (0,01). Στην περιοχή μελέτης, οι μέγιστες τιμές NDVI φτάνουν σε 0,84 κατά τη θερινή περίοδο (Μάιος έως Σεπτέμβριος), η οποία αντιπροσωπεύει πολύ υγιή γεωργία λόγω του πολύ εύφορου εδάφους (μαύρο) και καλή καιρική κατάσταση. Τα στάδια της καλλιέργειας έχουν εντοπιστεί στο 1) παρουσία γυμνού έδαφος, αυτό το στάδιο παρουσιάζεται στην αρχή του φυτού, γενικά μέχρι αρχές Απριλίου στην περιοχή μελέτης, 2) επέκταση μίσχου ή στάδιο ανάπτυξης των φυτών, αυτό το στάδιο δείχνει την ανάπτυξη των φυτών (στέλεχος, φύλλο, ανθοφορία) και το χώμα σταματά να είναι ορατό από Μάιο έως Αύγουστο, 3) αυτό είναι το στάδιο ανάπτυξης της πλήρους ωρίμανσης και το χώμα επίσης δεν είναι ορατό. Σεπτέμβριο-Οκτώβριο είναι η ώρα της συγκομιδής. Τα αποτελέσματα δείχνουν επίσης την ημερομηνία έναρξης / λήξης της σεζόν (Απρίλιος / Οκτώβριος) με άροση και συγκομιδή διότι η Ρωσία είναι χώρα με πολύ υψηλή πτώση χιονιού που ξεκινούν στο τέλος του Οκτωβρίου και τελειώνουν στις αρχές Απριλίου, ώστε οι άνθρωποι να ξεκινήσουν καλλιέργεια στις αρχές Απριλίου και συγκομιδή έως τον Οκτώβριο. Τα σημεία ελέγχου εδάφους (GCP) συλλέχθηκαν κατά τη διάρκεια της επιτόπιας μελέτης για αξιολόγηση ακρίβειας και γεωαναφορά των δεδομένων. Χρησιμοποιήθηκε το google Earth για αξιολόγηση ακρίβειας καθώς διαθέτει εικόνες υψηλής ανάλυσης. Η συνολική ακρίβεια για τη χαρτογράφηση φαινολογίας καλλιέργειας και η παρακολούθηση υπολογίστηκε στο 92%. Συγκρίθηκαν τα αποτελέσματα δεδομένων Sentinel και Landsat για την ανάπτυξη των καλλιεργειών από την αρχή έως το τέλος της καλλιέργειάς τους ώστε να παρατηρηθούν διαφορές. Τα δεδομένα Sentinel 2B έχουν λίγο υψηλότερη ακρίβεια ως προς ένα κλάσμα της διακύμανσης σε φαινολογικό χρόνο / ημερομηνίες από τα δεδομένα Landsat. Στην κοπή της καλλιέργειας ή στο ορατό στάδιο εδάφους, τα δεδομένα Sentinel δείχνουν συνεχείς αυξήσεις στις τιμές NDVI αλλά τα αποτελέσματα δεδομένων Landsat δείχνουν χαμηλότερο NDVI για τον Απρίλιο σε σύγκριση με τον Φεβρουάριο-Μάρτιο. ‘Όταν συγκρίθηκαν όλες οι κατηγορίες NDVI από όχι και πολύ έντονες αγροτικές περιοχές, τα δεδομένα του Sentinel εμφανίζουν όλες τις τάξεις από το Μάιο έως και το Νοέμβριος, αλλά το Landsat εμφανίζει όλα τα στάδια μόνο από τον Ιούλιο έως τον Σεπτέμβριο που αντιπροσωπεύει ότι ο Sentinel 2B δημιουργεί δεδομένα με τιμές NDVI που είναι πιο ακριβείς και ποιοτικές από ότι ο Landsat. Αυτά τα αποτελέσματα επιβεβαιώθηκαν κατά τη διάρκεια της επιτόπια επίσκεψης για όλα τα στάδια ανάπτυξης των καλλιεργειών.

[[category:Ενέργειες φυτικής διαχείρισης]]

Αρχείο:Rasia74.png

2021-01-26T08:35:24Z

Somitsialis:

Αρχείο:Rasia73.png

2021-01-26T08:34:59Z

Somitsialis:

Αρχείο:Rasia72.png

2021-01-26T08:34:31Z

Somitsialis:

Αρχείο:Rasia71.png

2021-01-26T08:33:59Z

Somitsialis:

Καταλληλότητα ασφάλισης δείκτη: νέες πληροφορίες από δορυφορικά δεδομένα

2021-01-26T08:29:20Z

Somitsialis: Νέα σελίδα με ' Συγκριτικός Χάρτης, Πηγή: https://ideas.repec.org/p/ags/aaea20/304663.html [[Εικόνα: dei62.png | t...'

[[Εικόνα: dei61.png | thumb | right | Συγκριτικός Χάρτης, Πηγή: https://ideas.repec.org/p/ags/aaea20/304663.html]]
[[Εικόνα: dei62.png | thumb | right | Συγκριτικός Χάρτης, Πηγή: https://ideas.repec.org/p/ags/aaea20/304663.html]]
[[Εικόνα: dei63.png | thumb | right | Συγκριτικός Χάρτης, Πηγή: https://ideas.repec.org/p/ags/aaea20/304663.html]]

Το άρθρο αφορά την παρακολούθηση αποδόσεων των καλλιεργειών και τον βέλτιστο τρόπο ασφάλισης τους στις Ηνωμένες Πολιτείες Αμερικής και έχει τίτλο: Suitability of index insurance: new insights from satellite data. Γράφτηκε από τους Matthieu Stigler και David Lobell στο Κέντρο Επισιτιστικής Ασφάλειας και Περιβάλλοντος του Πανεπιστημίου του Στάνφορντ το 2020. Η τοποθεσία της μελέτης επικεντρώνεται σε 9 πολιτείες οι οποίες είναι οι Iowa, Indiana, Illinois, Ohio, Michigan, Minnesota, Missouri, South Dakota and Wisconsin και παρατηρούνται αποδόσεις για καλαμπόκι και σόγια, για μια αρκετά μεγάλη περίοδο 20 ετών (2000-2019), σε 600 κομητείες και 1,8 εκατομμύρια εκμεταλλεύσεις, ώστε να βρεθεί ο καλύτερος τρόπος ασφάλισης των καλλιεργειών. Εκτελέστηκε πρώτα μια ανάλυση σε ατομικό επίπεδο, συγκρίνοντας για κάθε εκμετάλλευση την προβλεπόμενη χρησιμότητα και το αν λειτουργούσαν χωρίς ασφάλιση, με βασική ασφάλιση ή με ασφάλεια δείκτη. Σε ένα δεύτερο βήμα, συγκεντρώνονται και υπολογίζονται μετρήσεις σε επίπεδο νομού μίας τιμής βασικού κινδύνου. Συγκρίνονται αυτές οι διάφορες μετρήσεις σε επίπεδο καταλληλότητας ασφαλιστικών δεικτών στα νομαρχιακά χαρακτηριστικά όπως η χρονική και χωρική διακύμανση, επιδιώκοντας να χαρακτηριστούν ποιες κομητείες είναι οι πιο κατάλληλες για ασφάλιση με δείκτη. Τα συμβατικά ασφαλιστικά μέσα επικεντρώνονται σε αποζημιώσεις όπου οι πληρωμές ενεργοποιούνται όταν οι αποδόσεις σε ένα συγκεκριμένο πεδίο πέφτουν κάτω από ένα ορισμένο ποσοστό της αναμενόμενης απόδοσης του πεδίου. Κάτι τέτοιο επιφέρει υψηλό κόστος παρακολούθησης λόγω της απαίτησης αξιολόγησης των ζημιών και των δεδομένων που απαιτούνται για την τιμολόγηση μεμονωμένων ασφαλίστρων. Ως απάντηση σε αυτά τα ζητήματα, η ασφάλιση με δείκτη προσφέρει μια ενδιαφέρουσα εναλλακτική λύση. Ο δείκτης ασφάλισης συνδέει την ασφάλιση πληρωμής σε χαμηλές πραγματοποιήσεις ενός εξωτερικού δείκτη, ο οποίος συχνά ορίζεται με βάση τις μέσες αποδόσεις σε μια δεδομένη περιοχή και τις καιρικές μεταβλητές όπως η βροχόπτωση, η θερμοκρασία κ.λπ. με τα πλεονεκτήματα του δείκτη ασφάλισης να είναι το μειωμένο κόστος καθώς η παρακολούθηση μεμονωμένων τομέων δεν είναι πλέον απαραίτητη. Η αποζημίωση που δίνεται αν χρειαστεί είναι η διαφορά μεταξύ των αποδόσεων κομητείας-στόχου και των πραγματικών αποδόσεων κομητείας. Οι πραγματικές αποδόσεις των καλλιεργειών προσδιορίζονται από τον Green Chlorophyll Vegetation index (GCVI) ο οποίος είναι παρόμοιος με τον NDVI. Ο GCVI υπολογίζεται με την διαίρεση του εγγύς υπέρυθρου καναλιού με το κανάλι πράσινου χρώματος και έπειτα αφαίρεση με την μονάδα. Χρησιμοποιήθηκαν δεδομένα από Landsat 5, 7 και 8 μαζί με Cropland Data Layer (CDL) και τα μοντέλα APSIM-καλαμποκιού και APSIM-σόγιας για να ταξινομηθούν τα pixels και να διατηρούν μόνο πεδία που έχουν κατά μέσο όρο 85% συμφωνία υπογραφής. Με άλλα λόγια, το απαιτούμενο δεδομένο πεδίο στο CDL προβλέπει σταθερά είτε καλαμπόκι είτε σόγια για το 85% των pixels σε όλα τα χρόνια της μελέτης. Ο αριθμός εικονοστοιχείων πραγματοποιείται λαμβάνοντας υπόψη μόνο τα εικονοστοιχεία εντός των εκμεταλλεύσεων, αποφεύγοντας τη παραπληροφόρηση από μικτά pixel που βρίσκονται στα όρια του πεδίου. Ο μέσος όρος των αποδόσεων εφαρμόζεται με satellite-based crop yield mapper εντός του ορίου του καθορισμένου πεδίου, χρησιμοποιώντας το ίδιο υποσύνολο εσωτερικών εικονοστοιχείων. Μετά το πέρας της διαδικασίας βρέθηκε ότι ο δείκτης ασφάλισης παρέχει μεγαλύτερη μείωση κινδύνου στις καλλιέργειες καλαμποκιού σε σύγκριση με της σόγιας, η μέση μείωση κινδύνου για το καλαμπόκι είναι 43%, ενώ για τη σόγια είναι περίπου 30%. Υπάρχει δηλαδή ένας μεγάλος αριθμός τομέων για τους οποίους ενδείκνυται η ασφάλιση δείκτη και για το καλαμπόκι είναι 95% ενώ για τη σόγια 92%. Είναι ενδιαφέρον ότι το όφελος της ασφάλισης δεικτών είναι υψηλό στην περιφέρεια, σε περιοχές που έχουν υψηλή μεταβλητότητα. Είναι ιδιαίτερα υψηλό στο Μιζούρι και το νότιο Ιλλινόις , που είναι περιοχές με υψηλή χρονική και χωρική μεταβλητότητα. Αντίθετα, η ασφάλιση δεικτών φαίνεται να είναι πιο περιορισμένη στις ασφαλείς περιοχές όπως η βόρεια Αϊόβα και η νότια Μινεσότα. Παρά την θετική έκβαση της διερεύνησης στην καταλληλότητα του δείκτη ασφάλισης σε κάθε κομητεία, το επόμενο ερώτημα που πρέπει να τεθεί είναι αν απαιτείται ο επανασχεδιασμός αυτών των δεικτών για τις κομητείες. Ο δείκτης ασφάλισης από το Risk Management Agency (RMA) χρησιμοποιεί τα όρια των πολιτειών, ενώ θα έπρεπε να εξαρτάται από τα όρια και τις ανάγκες της κομητείας.
[[category:Γεωργικές στατιστικές]]

Αρχείο:Dei63.png

2021-01-26T08:22:17Z

Somitsialis:

Αρχείο:Dei62.png

2021-01-26T08:21:54Z

Somitsialis:

Αρχείο:Dei61.png

2021-01-26T08:21:26Z

Somitsialis:

Αλλαγή κάλυψης γης στα βουνά του Καυκάσου από το 1987 με βάση την τοπογραφική διόρθωση πολλών χρονικών σύνθετων Landsat

2021-01-26T08:18:43Z

Somitsialis: Νέα σελίδα με ' Τοποθεσία μελέτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425720303370 [[Ει...'

[[Εικόνα: kavka51.png | thumb | right | Τοποθεσία μελέτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425720303370]]
[[Εικόνα: kavka52.png | thumb | right | Απεικονιστικός Χάρτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425720303370]][[Εικόνα: kavka53.png | thumb | right | Απεικονιστικός Χάρτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425720303370]][[Εικόνα: kavka54.png | thumb | right | Απεικονιστικός Χάρτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425720303370]]
[[Εικόνα: kavka55.png | thumb | right | Απεικονιστικός Χάρτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425720303370]]
[[Εικόνα: kavka56.png | thumb | right | Απεικονιστικός Χάρτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425720303370]]
[[Εικόνα: kavka57.png | thumb | right | Απεικονιστικός Χάρτης, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425720303370]]

Το άρθρο αφορά την αλλαγή χρήσης γης στις ορεινές περιοχές του Καυκάσου και έχει τίτλο: Land-cover change in the Caucasus Mountains since 1987 based on the topographic correction of multi-temporal Landsat composites. Γράφτηκε από τους Johanna Buchner, He Yin, David Frantz, Tobias Kuemmerle, Elshad Askerov, Tamar Bakuradze, Benjamin Bleyhl, Nodar Elizbarashvili, Anna Komarova, Katarzyna E. Lewińska, Afag Rizayeva, Hovik Sayadyan, Bin Tan, Garegin Tepanosyan, Nugzar Zazanashvili, Volker C. Radelof το 2020. Η τοποθεσία της μελέτης επικεντρώνεται στη Γεωργία, την Αρμενία και το Αζερμπαϊτζάν, στο το νότο (Νότιος Καύκασος) και τμήματα της Ρωσικής Ομοσπονδίας στο βορά (Βόρειος Καύκασος), με συνολική έκταση 455.000 τετραγωνικά χιλιόμετρα. Επεξεργάστηκαν 12.651 εικόνες L1T Landsat TM / ETM + / OLI από το αρχείο United States Geological Survey (USGS) που αποκτήθηκε μεταξύ 1985 και 2016, όλες οι διαθέσιμες εικόνες έχουν κάλυψη νέφους μικρότερη του 70%. Οι εικόνες επεξεργάστηκαν με το λογισμικό παρακολούθησης Framework for Operational Radiometric Correction for Environmental (FORCE). Το FORCE βασίζεται στη θεωρία μεταφοράς ακτινοβολίας και περιλαμβάνει τόσο την ατμοσφαιρική όσο και την τοπογραφική διόρθωση και ανακλαστικότητα. Όλες οι εικόνες προβάλλονταν σε Lambert Azimuthal Equal Area. Το FORCE χρησιμοποιήθηκε για τον υπολογισμό σύνθετων με βάση pixel για έξι έτη στόχους (1987, 1995, 2000, 2005, 2010, 2015, συμπεριλαμβανομένου του +/− 1 έτους για το 1995, επειδή αναμένονταν οι περισσότερες αλλαγές κατά αυτή την μεταβατική περίοδο, και +/− 2 χρόνια για τους άλλους). Επίσης αναλύθηκε η πολυετή χρονική τάση σε ορισμένες χρονολογίες, επειδή η διαθεσιμότητα εικόνων χωρίς σύννεφα από το 1987 έως το 1995 ήταν πολύ περιορισμένη για ετήσιες αναλύσεις. Ενσωματώθηκαν στην μελέτη και η φαινολογία της επιφάνειας του εδάφους στη διαδικασία σύνθεσης λαμβάνουν υπόψη τις φαινολογικές διαφορές που σχετίζονται τόσο με την κλιματική μεταβλητότητα όσο και με την τοπογραφική πολυπλοκότητα. Χρησιμοποιήθηκε ο αλγόριθμος ανάλυσης Spline of Time Series (SpliTS) για τον υπολογισμό της φαινολογίας της επιφάνειας του εδάφους. Το SpliTS προέρχεται από φαινολογικές και φυσικές παραμέτρους (π.χ. αρχή και τέλος της καλλιεργητικής περιόδου και μια χρονική σειρά ενισχυμένου δείκτη βλάστησης (EVI). Για Landsat 8 ο EVI = 2.5 * ((Band 5 – Band 4) / (Band 5 + 6 * Band 4 – 7.5 * Band 2 + 1)). Επιλέχθηκαν τα στάδια βλάστησης τα οποία είναι η έναρξη της σεζόν (SOS), η οποία είναι η χρονική στιγμή του έτος που ξεκινά η ανάπτυξη της βλάστησης, η αιχμή της σεζόν (POS), που είναι συγχρονισμός της μέγιστης αύξησης της βλάστησης και του τέλους της σεζόν (EOS), η οποία είναι ο χρόνος που συμβαίνει η γήρανση της βλάστησης. Οι καλύψεις γης ταξινομήθηκαν σε 10 κατηγορίες κάλυψης γης δηλαδή κωνοφόρα δάση, μικτά δάση, φυλλοβόλα δάση, άγονα εδάφη, καλλιεργήσιμες εκτάσεις, κατοικημένες περιοχές, υγρότοποι, νερό και χιόνι και πάγος. Για να ληφθούν εκπαιδευτικά δείγματα για όλες τις τάξεις, ψηφιοποιήθηκαν πολύγωνα σε περιοχές που ήταν ομοιογενείς και σταθερές με την πάροδο του χρόνου σύμφωνα με εικόνες ανάλυσης στο Google Earth, επιτόπιες επισκέψεις και το Climate Engine. Τα κωνοφόρα και φυλλοβόλα δάση καλύπτουν μεγάλο μέρος της περιοχής μελέτης. Χρησιμοποιήθηκαν το πακέτο R ′ C5.0 ′ για όλες τις ταξινομήσεις. Το ′ C5.0 ′ είναι ένας ταξινομητής δέντρων αποφάσεων που αποτελείται από μια συλλογή ταξινομημένων δέντρων που μπορεί να λείπουν και να διατηρήθηκαν pixel με τιμές που λείπουν στα εποχιακά σύνθετα χρησιμοποιώντας τιμές από τις υπάρχουσες φασματικές-χρονικές μετρήσεις. Για την εκτίμηση αλλαγής καλλιεργήσιμης γης, διατηρήθηκαν δύο κατηγορίες, «καλλιεργήσιμες εκτάσεις» και «μη καλλιεργήσιμο έδαφος». Για την αξιολόγηση των δασικών αλλαγών, συγκεντρώθηκαν τα δάση κωνοφόρων, μικτών και φυλλοβόλων σε «δάσος» και οι υπόλοιπες τάξεις σε «μη δάσος». Εφαρμόστηκε μια σύγκριση μετά την ταξινόμηση με βάση τους χάρτες ταξινόμησης για τις 5 βασικές χρονικές περιόδους (1987, 1995, 2000, 2005και 2010) Δεν πραγματοποιήθηκαν ταξινομήσεις αλλαγών απευθείας, επειδή οι αλλαγές ήταν γενικά σπάνιες, καθιστώντας ανέφικτο να συλλεχθούν επαρκή δείγματα εκπαίδευσης για καθένα από αυτά. Σαν αποτέλεσμα της μελέτης η συνολική έκταση των καλλιεργήσιμων εκτάσεων μειώθηκε και στις τέσσερις χώρες με βάση το 1987 Ο Βόρειος Καύκασος είχε το λιγότερο ποσό της απώλειας καλλιεργήσιμων εκτάσεων (-6%). Η Γεωργία είχε τη μεγαλύτερη απώλεια καλλιεργήσιμων εκτάσεων (−31%). Η Αρμενία είχε υψηλή απώλεια καλλιεργήσιμων εκτάσεων το 2000 (−17%), ακολουθούμενη από μια άμεση αύξηση το 2005. Η Αρμενία ήταν η μόνη χώρα όπου αυξήθηκε η καλλιεργήσιμη έκτασή της κατά 2% το 2010 σε σύγκριση με το 1987. Το Αζερμπαϊτζάν είχε απώλεια καλλιεργήσιμων εκτάσεων από το 1987 έως το 2005 (−30%), με αύξηση το 2010 και πάλι μειώθηκε το 2015. Η απώλεια οφείλεται κυρίως στη μετατροπή των καλλιεργήσιμων εκτάσεων σε βοσκοτόπους και περιστασιακά λόγω της μετατροπής σε δάσος. Η αύξηση των καλλιεργήσιμων εκτάσεων οφειλόταν κυρίως στη μετατροπή των λιβαδιών σε καλλιεργήσιμες εκτάσεις. Ο Βόρειος Καύκασος είχε τη μεγαλύτερη έκταση σταθερών καλλιεργήσιμων εκτάσεων το 39% της συνολικής καλλιεργήσιμης έκτασης καλλιεργήθηκε συνεχώς από το 1987 έως το 2015. Αντίθετα, στη Γεωργία, την Αρμενία και το Αζερμπαϊτζάν, μόνο το 7%, το 9% και το 10% αντίστοιχα της συνολικής έκτασης καλλιεργήθηκε αδιάλειπτα έως το 2015. Βρέθηκαν πολύ λιγότερες αλλαγές δασών από τις αλλαγές των καλλιεργήσιμων εκτάσεων. Συνολικά, τα δάση αυξήθηκαν κατά την περίοδο μελέτης. Η μεγαλύτερη δασική αύξηση σημειώθηκε κατά μήκος των δασικών άκρων και των εγκαταλελειμμένων καλλιεργήσιμων εκτάσεων και ήταν λόγω της μετατροπής των άγονων, βοσκοτόπων και καλλιεργήσιμων εκτάσεων σε δάσος. Η δασική έκταση αυξήθηκε στον Βόρειο Καύκασο (6%), την Αρμενία (8%), και τη Γεωργία (6%) από το 1987 έως το 2015 και μόνο το Αζερμπαϊτζάν γνώρισε μείωση σε σύγκριση με το 1987 (−4%). Το υψηλότερο ποσοστό απώλειας δασών (-6%) σημειώθηκαν στο Αζερμπαϊτζάν από το 2000 έως το 2005.

[[category:Παρακολούθηση και εκτίμηση διαχρονικών αλλαγών και εξελίξεων]]

Αρχείο:Kavka57.png

2021-01-26T07:55:10Z

Somitsialis:

Αρχείο:Kavka56.png

2021-01-26T07:54:43Z

Somitsialis:

Αρχείο:Kavka55.png

2021-01-26T07:54:16Z

Somitsialis:

Αρχείο:Kavka54.png

2021-01-26T07:53:48Z

Somitsialis:

Αρχείο:Kavka53.png

2021-01-26T07:53:17Z

Somitsialis:

Αρχείο:Kavka52.png

2021-01-26T07:52:45Z

Somitsialis:

Αρχείο:Kavka51.png

2021-01-26T07:51:49Z

Somitsialis:

Ποσοτικοποίηση της επέκτασης και απομάκρυνση της Spartina alterniflora στο Chongming νησί, στην Κίνα, χρησιμοποιώντας εικόνες χρονοσειρών Landsat

2021-01-26T07:49:38Z

Somitsialis: Νέα σελίδα με ' Τοποθεσία μελέτης, Πηγή:https://www.sciencedirect.com/science/article/abs/pii/S0034425720302868 [[Εικ...'

[[Εικόνα: kina41.png | thumb | right | Τοποθεσία μελέτης, Πηγή:https://www.sciencedirect.com/science/article/abs/pii/S0034425720302868]]
[[Εικόνα: kina42.png | thumb | right | Απεικονιστικός Χάρτης, Πηγή:https://www.sciencedirect.com/science/article/abs/pii/S0034425720302868]]

Το άρθρο αφορά τον έλεγχο ζιζανίων σε παράκτιες περιοχές και υγροτόπους στην Κίνα και έχει τίτλο: Quantifying expansion and removal of Spartina alterniflora on Chongming island, China, using time series Landsat images during 1995–2018. Γράφτηκε από τους Xi Zhang, Xiangming Xiao, Xinxin Wang, Xiao Xu, Bangqian Chen, Jie Wang, Jun Ma, Bin Zhao και Bo Li το 2020. Η τοποθεσία της μελέτης επικεντρώνεται στο νησί Τσονγκμίνγκ που είναι μέρος της μεγαλούπολης της Σαγκάης στην Κίνα και βρίσκεται στις εκβολές του Yangtze Ποταμού. Είναι το μεγαλύτερο αλλουβιακό νησί στον κόσμο και καλύπτει μία έκταση περίπου 1267 τετραγωνικών χιλιομέτρων, έχει ένα τυπικό υποτροπικό κλίμα μουσώνων με ετήσια μέση θερμοκρασία περίπου 15,3 ° C και ετήσια μέση βροχόπτωση περίπου 1022 χιλιοστά. Το 1995 το φυτό Spartina, το οποίο ευδοκιμεί σε παράκτια έλη αλατιού, εντοπίστηκε για πρώτη φορά στα βόρεια του νησιού. Το 2001 στο νησί είχε καλύψει 337 εκτάρια και το 2003 542 εκτάρια. Προκειμένου να αποφευχθούν οι αρνητικές επιπτώσεις της καταπάτησης της χλωρίδας από το συγκεκριμένο ποώδες φυτό, η κυβέρνηση της Σαγκάης είχε επενδύσει περίπου 1,3 δισεκατομμύρια Γιουάν (186 εκατομμύρια δολάρια ΗΠΑ) για την εκτέλεση ενός έργου οικολογικής αποκατάστασης της γηγενείς κοινότητας φυτών και ανακατασκευή ενδιαιτημάτων πουλιών. Το έργο ξεκίνησε τον Δεκέμβριο του 2010 και διάφορες τεχνικές μέθοδοι δοκιμάστηκαν και αξιολογήθηκαν κατά τη διάρκεια 2011–2012. Σε αυτήν τη μελέτη χρησιμοποιήθηκε ένας αλγόριθμος που βασίζεται σε pixels και φαινολογία από δεδομένα Landsat και του Google Earth. Η περιοχή μελέτης καλύπτεται από 2 σειρές (P118R38 και P119R38) του Συστήματος Αναφοράς Landsat Worldwide (WRS-2). Χρησιμοποιήθηκαν δεδομένα Landsat 5/7/8 επιφανειακή ανάκλαση (SR) από την 1η Ιανουαρίου 1995 έως την 1η Ιανουαρίου 2019, τα οποία έχουν αρχειοθετηθεί στο Google Earth Engine (GEE). Τα σύνολα δεδομένων έχουν διορθωθεί ατμοσφαιρικά μέσω του Landsat Ecosystem Disturbance Adaptive Processing System (LEDAPS) αλγορίθμου και του αλγορίθμου Landsat Surface Reflectance Code (LaSRC). Ο εντοπισμός κακής ποιότητας εικόνων συμπεριλαμβανομένων των νεφών και των σκιών σύννεφων έγινε από τον αλγόριθμος CFMask. Τα δεδομένα σειρών Landsat SR με καλής ποιότητας παρατηρήσεις χρησιμοποιήθηκαν για τον υπολογισμό τριών δεικτών βλάστησης: 1) Κανονικοποιημένος Δείκτης διαφοράς βλάστησης (NDVI), Enhanced Vegetation Index (EVI) και δείκτης επιφανειακών υδάτων Land Surface Water Index (LSWI). Ο NDVI σχετίζεται στενά με την φυλλική επιφάνια και ο EVI ανταποκρίνεται περισσότερο στην περιεκτικότητα σε χλωροφύλλη. Τόσο ο NDVI όσο και ο EVI χρησιμοποιούνται ευρέως στις μελέτες της επιφάνειας του εδάφους. Ο LSWI είναι ένας φασματικός δείκτης για την υγρασία του εδάφους. Η τιμή LSWI χρησιμοποιείται για να αντιπροσωπεύει μια κατάσταση αλλαγής από παραγωγικό φύλλο σε γερασμένο φύλλο και υπολογίζεται από την κανονικοποιημένη διαφορά του εγγύς υπερθύρου με το μέσο υπέρυθρο. Τα επιβλέποντα φυτά αρχίζουν να πρασινίζουν στα τέλη Απριλίου, μεγαλώνουν γρήγορα από τον Ιούνιο έως τις αρχές Σεπτεμβρίου, και γηράσκουν έως τα τέλη Δεκεμβρίου. Ο αλγόριθμος που δημιουργήθηκε για την αναγνώριση του Spartina βασίζεται σε pixels και φαινολογία και αναπτύχθηκε με βάση τα δεδομένα Landsat. Τα δύο βασικά χαρακτηριστικά της φαινολογίας του Spartina είναι (1) το αργότερο πρασίνισμα την άνοιξη και (2) αργότερη γήρανση το χειμώνα. Τον Απρίλιο – Μάιο είχε χαμηλές τιμές NDVI, EVI και LSWI, ενώ τα άλλα φυτά άρχισαν να πρασινίζουν με υψηλότερες τιμές LSWI (> 0). Υπολογίστηκε η μέση τιμή του LSWI κατά τη διάρκεια Απριλίου έως Μάιο (μέσος όρος LSWI (Απρίλιος-Μάιος) ) για μεμονωμένα pixel και έδειξε ότι ο μέσος όρος LSWI (Απρίλιος-Μάιος) αν είναι μικρότερος από 0 θα μπορούσε να ξεχωρίσει το Spartina από τους άλλους τύπους βλάστησης. Σε Δεκέμβριο – Ιανουάριο, ο NDVI και ο EVI έδειξαν μεγάλες διαφορές μεταξύ Spartina και άλλων φυτών. Το σχετικά υψηλό NDVI (> 0,2), EVI (> 0,1) και LSWI (> 0) στα pixels του Spartina ήταν και ένας άλλος κρίσιμος δείκτης για να μπορέσει να ταυτοποιηθεί και ο αλγόριθμος ήταν: LSWImean(Apr-May) ≤ 0 and (Dec-Jan) > 0, με VF (vegetation frequency) να είναι η συχνότητα πράσινης βλάστησης τον Δεκέμβριο – Ιανουάριο, υπολογίζεται ως η αναλογία του αριθμού των παρατηρήσεων που προσδιορίζονται ως πράσινη βλάστηση στον αριθμό παρατηρήσεων καλής ποιότητας. Την άνοιξη, NDVI, EVI και οι τιμές LSWI στην τοποθεσία που δεν υπήρχε Spartina αυξήθηκαν σημαντικά κατά τα τέλη του Απριλίου με αρχές Μαΐου. Συγκριτικά, οι τιμές NDVI, EVI και LSWI στις τοποθεσίες Spartina παρέμειναν πολύ χαμηλές στα τέλη Απριλίου-αρχές Μαΐου και άρχισαν να πρασινίζουν στα τέλη Μαΐου. Οι υπόλοιπες περιοχές φθάνουν τις υψηλότερες τιμές NDVI, EVI και LSWI στις αρχές του καλοκαιριού, αλλά οι NDVI, EVI και LSWI σε θέσεις Spartina αργά το καλοκαίρι. Τιμές NDVI και EVI στις τοποθεσίες που δεν περιείχαν Spartina μειώθηκαν σημαντικά από Νοέμβριο έως Δεκέμβριο, φθάνοντας στο NDVI <0,2 και EVI <0,1, που οδήγησαν στη γήρανση των φύλλων. Σε σύγκριση με τις τοποθεσίες Spartina που παρέμειναν ακόμη πράσινοι τον Νοέμβριο-Δεκέμβριο, έχοντας σχετικά υψηλότερες τιμές NDVI (> 0,2) και EVI (> 0,1). Σε εποχές φθινοπώρου και χειμώνα η γήρανση των φύλλων Spartina δεν εισήλθε στη γήρανση μέχρι τον Ιανουάριο του επόμενου έτους, ενώ τα άλλα φυτά εισήλθαν τον Νοέμβριο με τέλη Δεκεμβρίου. Αυτά τα φαινολογικά χαρακτηριστικά όπως παρατηρήθηκαν από τρεις δείκτες βλάστησης πρότειναν ότι Απρίλιος-Μάιος και Δεκεμβρίου – Ιανουάριος είναι δύο χρονικές περίοδοι που μπορούν να χρησιμοποιηθούν εικόνες Landsat για να διαχωριστούν φυτά Spartina από άλλα φυτά στις αλυκές στο νησί Chongming.

[[category:Χαρτογράφηση βλάστησης λεκάνων απορροής / μοντελοποίηση παραγωγής νερού]]

Αρχείο:Kina42.png

2021-01-26T07:39:32Z

Somitsialis:

Αρχείο:Kina41.png

2021-01-26T07:38:52Z

Somitsialis:

Μια δορυφορική εκ των υστέρων ανάλυση διαχείρισης νερού σε οπωρώνα βατόμουρων

2021-01-26T07:37:18Z

Somitsialis: Νέα σελίδα με '[[Εικόνα: xili31.png | thumb | right | Τοποθεσία μελέτης , Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310176?dgcid=rs...'

[[Εικόνα: xili31.png | thumb | right | Τοποθεσία μελέτης , Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310176?dgcid=rss_sd_all]]
[[Εικόνα: xili32.png | thumb | right | Eξατμισοδιαπνοή 2011-2012, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310176?dgcid=rss_sd_all]]
[[Εικόνα: xili33.png | thumb | right | Eξατμισοδιαπνοή 2012-2013, Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0168169920310176?dgcid=rss_sd_all]]
Το άρθρο αφορά την διαχείριση άρδευσης σε καλλιέργειες στην Χιλή και έχει τίτλο: A satellite-based ex post analysis of water management in a blueberry orchard. Γράφτηκε από τους Eduardo Holzapfel, Mario Lillo-Saavedra, Diego Rivera, Viviana Gavilán, Angel García-Pedrero, Consuelo Gonzalo-Martín το 2020. Η τοποθεσία της μελέτης επικεντρώνεται στην κεντρική Χιλή, σε μία φάρμα βατόμουρων. Για την διαχείριση άρδευσης της καλλιέργειας, απαιτήθηκε η εφαρμογή πληροφοριακών συστημάτων που επιτρέπουν την αξιολόγηση της αποδοτικότητας και της αποτελεσματικότητας της άρδευσης από δεδομένα χρήσης νερού, εξατμισοδιαπνοής, εδάφους και ποιότητας νερού. Τα τρέχοντα ηλεκτρονικά συστήματα παρακολούθησης χρησιμοποιούν δορυφορικές εικόνες για την επεξεργασία δεδομένων και τη διαχείριση πληροφοριών, ώστε να καταστεί δυνατή η εκτίμηση της ζήτησης νερού για καλλιέργειες και οπωρώνες με χωρική και χρονική κατανομή. Τα συστήματα επικεντρώνονται κυρίως στην πρόβλεψη της ζήτησης καλλιεργούμενου νερού εκ των προτέρων με ενσωμάτωση GIS μέσω διαδικτύου και εφαρμογές για κινητά που προβλέπουν την πιθανότητα εξατμισοδιαπνοής των καλλιεργειών με χρονικό διάστημα έως 5 ημέρες, συνδέοντας τις ορατές και υπέρυθρες εικόνες καλλιέργειας με αριθμητικά αποτελέσματα πρόβλεψης καιρού καθημερινά σε πραγματικό χρόνο καλλιέργειας. Σε αυτήν την εργασία, παρουσιάζεται μια νέα μεθοδολογία που επιτρέπει τον έλεγχο εκ των υστέρων για τις στρατηγικές άρδευσης, χρησιμοποιώντας το σύστημα αρδευτικών αποφάσεων που ονομάζεται AquaSat. Αυτό το σύστημα συνδυάζει δορυφορικές πληροφορίες με δεδομένα πεδίου και παρέχει χωροχρονικά κατανεμημένη εξατμοδιαπνοή καλλιεργειών (ETc), που συγκρίνεται με τον όγκο του χρησιμοποιούμενου νερού και του δυναμικού ζήτηση (ποσότητα νερού για την επίτευξη μέγιστων αποδόσεων). Το αγρόκτημα αποτελείται από οπωρώνες με βατόμουρα που φυτεύτηκαν το 2006 (ποικιλίες Legacy και Brigitta ), με πλαίσιο φύτευσης 3m μεταξύ σειρών και 1m απόσταση πάνω στη σειρά, τα φυτά αθροίζοντας έως και 3333 ανά εκτάριο. Η περίοδος παρακολούθησης άρδευσης εκτείνεται από το 2011 έως το 2012 και από το 2012 έως το 2013. Το κλίμα είναι ζεστό και εύκρατο με περίοδο 4 μηνών (Δεκέμβριος έως Μάρτιος) χωρίς βροχή. Η μέση ετήσια βροχόπτωση είναι 1025 χιλιοστά. Το θερμικό καθεστώς αυτής της ζώνης είναι με μέση ετήσια θερμοκρασία 14 ° C με μέσο όρο μέγιστο τον θερμότερο μήνα (Ιανουάριος) 28,8 ° C και κατά μέσο όρο ελάχιστο τον πιο κρύο μήνα (Ιούλιος) 3,5 ° C. Η περίοδος χωρίς παγετό είναι 5 μήνες, από Νοέμβριο έως Μάρτιο. Η άρδευση ξεκινά συνήθως την πρώτη εβδομάδα του Οκτωβρίου και τελειώνει την τελευταία εβδομάδα του Απριλίου. Το AquaSat, στο οποίο βασίζεται η μελέτη, είναι ένα σύστημα υποστήριξης αποφάσεων που αναπτύχθηκε κατά τα τελευταία 5 χρόνια, η οποία επιτρέπει την εκτίμηση της εξατμισοδιαπνοή και τις ανάγκες των καλλιεργειών σε νερό, σύμφωνα με προγράμματα άρδευσης. Οι πληροφορίες που εισάγονται στο σύστημα αντιστοιχούν σε πολυφασματικές εικόνες που αντλούνται από τον δορυφόρο LandSat 7 ETM + με μετεωρολογικά δεδομένα από το Εθνικό Αγρομετεωρολογικό Δίκτυο της Χιλής. Οι δορυφορικές εικόνες που χρησιμοποιήθηκαν για τη δημιουργία των χαρτών ETc αντιστοιχούν σε αυτούς που πάρθηκαν από τον δορυφόρο Landsat 7 ETM + κατά τη διάρκεια της άρδευσης 2011-2012 και 2012-2013. Για την εκτιμήσεις ζήτησης νερού, το AquaSat χρησιμοποιεί ένα μοντέλο Surface Energy Balance (SEB) για να προσδιορίσει το ET c χρησιμοποιώντας δορυφορικές εικόνες. Το μοντέλο SEB χρησιμοποιείται για την εκτίμηση βιοφυσικών μεταβλητών όπως η καθαρή ηλιακή ακτινοβολία, δείκτες βλάστησης και θερμοκρασία επιφάνειας. Μόλις πραγματοποιηθεί η εκτίμηση του ETc για καθεμία από τις περιοχές υπό ανάλυση, αυτά τα δεδομένα θα αποθηκευτούν με δομημένο τρόπο στις βάσεις δεδομένων PostgreSQL και PostGIS. Το AquaSat δείχνει ένα χαμηλό επίπεδο εξατμισοδιαπνοής για τις καλλιέργειες των βατόμουρων κατά τη διάρκεια του Νοεμβρίου και του Δεκεμβρίου τη σεζόν 2011-2012, η οποία θα πρέπει να είναι περίπου 4 έως 5 χιλιοστά την ημέρα, που αποδεικνύει ένα έλλειμμα νερού για τις καλλιέργειες σε μια σχετικά κρίσιμη περίοδο κατά την άνθηση και εμφάνιση καρποφορίας. Ωστόσο, κατά το μήνα Νοέμβριο της σεζόν 2012-2013, τα αποτελέσματα έδειξαν εύλογες τιμές διαπνοή και διατηρήθηκε αυτή η κατάσταση από τον Ιανουάριο έως τον Φεβρουάριο. Ωστόσο, τον Δεκέμβριο παρατηρήθηκε μικρή μείωση. δείχνει επίσης το ακανόνιστο σχήμα διαχείρισης νερού που εφαρμόζεται τις καλλιέργειες και τον τρόπο επίτευξης των ελλειμμάτων. Από τα ληφθέντα αποτελέσματα, είναι δυνατόν να συναχθεί ότι η αρδευτική διαχείριση που σχετίζεται με τα κριτήρια που χρησιμοποιεί η εκμετάλλευση οδήγησε σε έλλειμμα στα επίπεδα εφαρμογής των υδάτων στην καλλιέργεια. Αυτή η κατάσταση αποκαλύπτει την ανάγκη για συστηματική παρακολούθηση της διαδικασίας άρδευσης. Είναι σημαντικό να επισημανθεί ότι τα αποτελέσματα που λαμβάνονται μέσω του AquaSat αντιπροσωπεύουν επαρκώς την εκτιμώμενη δυνητική ζήτηση νερού από τη σοδειά και χρησιμεύει ως όργανο ελέγχου για τη διαχείριση της άρδευσης. Λαμβάνοντας υπόψη τις προηγούμενες πληροφορίες, μπορεί να αποδειχθεί ότι η πρώτη σεζόν είχε μεγαλύτερο έλλειμμα σε νερό, λαμβάνοντας υπόψη ότι υπήρχε συνεισφορά νερού που αποθηκεύτηκε στο έδαφος από τη βροχή κατά τη δεύτερη σεζόν που έκανε σημαντική συμβολή στις ανάγκες σε νερό του οπωρώνα βατόμουρων, μειώνοντας την έλλειψη νερού που προκαλείται από ανεπαρκή άρδευση. Προηγούμενες μελέτες έδειξαν ότι η ζήτηση νερού από στάγδην οπωρώνες βατόμουρων κυμαίνεται μεταξύ 6000 και 7000 κυβικών μέτρων ανά εκτάριο.

[[category:Σχεδιασμός αδρευτικών συστημάτων]]

Αρχείο:Xili33.png

2021-01-26T07:32:06Z

Somitsialis:

Αρχείο:Xili32.png

2021-01-26T07:31:35Z

Somitsialis: