RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Ζαρκάδη Παρασκευή

2019-03-14T16:12:18Z

ViviZarkadi:

[[Θερμική λήψη εικόνων ως βιώσιμο εργαλείο για την παρακολούθηση της πίεσης των φυτών]]

[[Η μηχανή GOOGLE EARTH ως πλατφόρμα τηλεπισκόπησης των υδάτινων πόρων για την παρακολούθηση των εσωτερικών υδάτων]]

[[Ανίχνευση πρώιμων σταδίων αποδάσωσης στους Τροπικούς με L-band SAR]]

[[Εφαρμογή πρότυπων βιοτόπων και πληθυσμιακής πυκνότητας σε χρονολογικές σειρές κάλυψης εδάφους για ενημέρωση του Κόκκινου Καταλόγου IUCN]]

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

Εφαρμογή πρότυπων βιοτόπων και πληθυσμιακής πυκνότητας σε χρονολογικές σειρές κάλυψης εδάφους για ενημέρωση του Κόκκινου Καταλόγου IUCN

2019-03-14T16:11:44Z

ViviZarkadi: Νέα σελίδα με ''''Συγγραφείς : Luca Santini, Stuart H.M. Butchart, Carlo Rondinini, Ana Benítez-López, Jelle P. Hilbers ,Aafke Schipper, Mirza Cengic, Joseph A. Tobias, Mark ...'

'''Συγγραφείς : Luca Santini, Stuart H.M. Butchart, Carlo Rondinini, Ana Benítez-López, Jelle P. Hilbers ,Aafke Schipper, Mirza Cengic, Joseph A. Tobias, Mark A.J. Huijbregts'''

[[Πηγή: https://onlinelibrary.wiley.com/doi/abs/10.1111/cobi.13279]]

'''Εισαγωγή'''

Οι κατηγορίες και τα κριτήρια της κόκκινης λίστας της IUCN είναι το πιο ευρέως χρησιμοποιούμενο πλαίσιο για την αξιολόγηση του σχετικού κινδύνου εξαφάνισης ειδών. Τα κριτήρια βασίζονται σε ποσοτικά όρια σχετικά με το μέγεθος, τις τάσεις και τη δομή των κατανομών και των πληθυσμών των ειδών. Ωστόσο, τα δεδομένα σχετικά με αυτές τις παραμέτρους είναι αραιά και αβέβαια για πολλά είδη και μη διαθέσιμα για άλλους, ενδεχομένως να οδηγήσει σε εσφαλμένη ταξινόμηση ή ταξινόμηση ως Ανεπαρκής Δεδομένα. Εδώ προτείνουμε μια προσέγγιση που θα συνδυάζει στοιχεία για την αλλαγή της κάλυψης του εδάφους και τις ειδικές προτιμήσεις των ειδών σε βιοτόπους, την πληθυσμιακή αφθονία και την απόσταση διασποράς για την εκτίμηση των βασικών παραμέτρων (έκταση του περιστατικού, μέγιστη κατεχόμενη έκταση, το μέγεθος και την τάση του πληθυσμού και ο βαθμός κατακερματισμού) και επομένως, τις κατηγορίες της κόκκινης λίστας της IUCN. Επιπλέον, μπορεί εύκολα να παράσχει ένα σύστημα έγκαιρης προειδοποίησης για τον εντοπισμό ειδών γεγονός που δικαιολογεί ενδεχομένως αλλαγές στην κατηγορία κινδύνου εξαφάνισης βάσει περιοδικών ενημερώσεων και πληροφοριών κάλυψης γης.

Οι κύριοι παράγοντες της απώλειας της βιοποικιλότητας σήμερα είναι η υπερεκμετάλλευση και η απώλεια των βιοτόπων (Hoffmann et al. 2010; Joppa et αϊ. 2016). Η αλλαγή της κάλυψης της γης επηρεάζει τη διαθεσιμότητα σε κατάλληλους βιοτόπους και, κατά συνέπεια, το πιθανό μέγεθος του πληθυσμού των ειδών. Εντός της Πρωτοβουλίας για την Κλιματική Αλλαγή (CCI) της Ευρωπαϊκής Υπηρεσίας Διαστήματος (ESA), η CCI συνεργασία Κάλυψης Γης δημοσίευσε πρόσφατα μια ετήσια παγκόσμια χρονολογική σειρά κάλυψης εδάφους που καλύπτει 24 χρόνια από το 1992 έως το 2015 σε μια ανάλυση 10 arc-δευτερόλεπτα (~ 300 μέτρα) (ESA 2017). Επιπλέον, χάρτες κάλυψης γης από το 2016 έως το 2019 αναπτύσσονται αυτή τη στιγμή στο πλαίσιο της υπηρεσίας του Copernicus για την αλλαγή του κλίματος (C3S 312b-παρτίδα5. C. Lamarche προσωπική επικοινωνία).
Τα δεδομένα αλλαγής κάλυψης γης και οι πληροφορίες σχετικά με τις προτιμήσεις των βιοτόπων μπορούν να συνδυαστούν για να εκτιμηθεί το πώς η αλλαγή της κάλυψης γης αλλοιώνει την έκταση του κατάλληλου ενδιαιτήματος των ειδών και επηρεάζει τον κίνδυνο της εξαφάνισής τους σύμφωνα με τα κριτήρια του Κόκκινου Καταλόγου (Buchanan et al., 2008, Rondinini et al., 2011, Bird et al. Tracewski et αϊ. 2016; Visconti et αϊ. 2016). Για παράδειγμα, πρόσφατες τηλεπισκοπικά τραβηγμένες εικόνες του δάσους έχουν χρησιμοποιηθεί για την εκτίμηση του κινδύνου εξάλειψης και των πρόσφατων αλλαγών για είδη που εξαρτώνται από τα δάση (Buchanan et al., 2008, Tracewski κ.ά., 2016). Τέτοιες μελέτες έχουν επικεντρωθεί συνήθως στα κριτήρια Α (μείωση του μεγέθους του πληθυσμού) και Β (μικρό και κατακερματισμένο / μειούμενο εύρος) (π.χ. Tracewski et al. 2016), ενώ λίγοι έχουν εξετάσει το κριτήριο C1 (μικρός και μειούμενος πληθυσμός, π.χ. Buchanan et al. 2008) ή D1 (πολύ μικρός πληθυσμός π.χ. Visconti et al., 2016).

Εδώ αποδεικνύουμε για όλα τα μη πελαγικά πτηνά (10.378 είδη) και τα χερσαία (δηλαδή μη- θαλάσσια) θηλαστικά (4.835 είδη) παγκοσμίως, πώς μπορούν τα κριτήρια του Κόκκινου Καταλόγου να αξιολογηθούν με τη σύζευξη χρονολογικών σειρών κάλυψης γης, τις προτιμήσεις ενδιαιτημάτων των ειδών, τις στατιστικές προβλέψεις της πυκνότητας του πληθυσμού τους και την απόσταση διασποράς. Χρησιμοποιούμε χάρτες της κατανομής των ειδών και πληροφορίες σχετικά με τις προτιμήσεις των βιοτόπων των ειδών από τον Κόκκινο Κατάλογο της IUCN και το χρονικές σειρές κάλυψης της γης από την ESA για την εκτίμηση των δυνατοτήτων κατανομής των ειδών και την μεταβολή τους στο χρόνο. Εκτιμούμε το πιθανό μέγεθος του πληθυσμού σε κατάλληλο βιότοπο και το επίπεδο του κατακερματισμού του πληθυσμού σύμφωνα με τις οδηγίες του Κόκκινου Καταλόγου της IUCN. Στη συνέχεια αξιολογούμε τον κίνδυνο εξαφάνισης για τα είδη με βάση τα έξι κριτήρια του Κόκκινου Καταλόγου της IUCN (A2, B1, B2, C1, D1 και D2).

'''Μέθοδοι'''

'''Κριτήρια κόκκινου καταλόγου'''

Στην κόκκινη λίστα της IUCN, τα είδη αξιολογούνται με βάση όλα τα κριτήρια για τα οποία διατίθενται κατάλληλα δεδομένα, και απαριθμούνται στην υψηλότερη κατηγορία βάσει της οποίας κατατάσσονται (IUCN 2017b). Συνεπώς, εδώ εμείς αξιολογήσαμε όλα τα είδη με βάση τα έξι κριτήρια που μπορούν να ενημερωθούν από την κάλυψη της γης και μεταβολή της έκτασης της γης και τα ταξινομήσαμε στην πιο απειλούμενη κατηγορία στην οποία κατατάχθηκαν. Αυτά περιλαμβάνουν τα κριτήρια Α2 (μείωση πληθυσμού τα τελευταία 10 χρόνια ή τρείς γενιές, ανάλογα με το ποια είναι μεγαλύτερη), Β1 (μικρή έκταση περιοχής παρουσίας, EOO) και B2 (Περιοχή Κατοίκησης, AOO), και σε συνδυασμό με το υποκριτήριο "a" (σοβαρός κατακερματισμός) και "biii" (συνεχιζόμενη μείωση της έκτασης, της έκτασης ή / και της ποιότητας του βιοτόπου), C1 (Μικρό μέγεθος πληθυσμού και πτώση), D1 (Πολύ μικρό μέγεθος πληθυσμού) και D2 (πολύ μικρές AOO και αληθοφανείς απειλές). Συνολικά, τα κριτήρια αυτά χρησιμοποιούνται επί του παρόντος για την κατάταξη του 68% των απειλούμενων πτηνών και το 84% των απειλούμενων θηλαστικών. Τα κριτήρια αυτά επιτρέπουν την ταξινόμηση των ειδών σε τρεις απειλούμενες κατηγορίες: Εύτρωτα (VU), Κινδυνεύοντα (EN) και Κρισίμως Κινδυνεύοντα (CR). Εάν το είδος δεν πληροί καμία από τις κατηγορίες αυτές, το είδος χαρακτηρίζεται ως Ελάχιστα Ανησυχητικό (LC) ή Εγγύς Απειλούμενο (NT).

'''Εισαγωγή δεδομένων'''

Θεωρήσαμε όλα τα μη πελαγικά πτηνά και τα χερσαία θηλαστικά με δεδομένα σχετικά με τις προτιμήσεις βιοτόπων, για ένα σύνολο 10.378 πουλιών και 4.835 είδη θηλαστικών. Χρησιμοποιήσαμε την περιοχή ενός ελάχιστου κυρτού πολυγώνου που περιλαμβάνει τους χάρτες κατανομής από την Κόκκινη Λίστα IUCN (IUCN 2017a, BirdLife International and Handbook of Birds of the World 2017) για την εκτίμηση του EOO (Joppa et al., 2016; IUCN 2017b). Για τα μεταναστευτικά πτηνά όπου τα πολύγωνα ταξινομούνται σε "κάτοικο", "εύρος αναπαραγωγής" και "μη αναπαραγωγική περιοχή", η ΕΟΟ ήταν ίση με το μικρότερο μεταξύ των δύο ελάχιστων κυρτών πολυγώνων που περιλαμβάνουν τον "κάτοικο" και το "εύρος αναπαραγωγής" ή τον "κάτοικο" και "μη αναπαραγωγική περιοχή" (IUCN 2017b). Στη συνέχεια, κόψαμε τους χάρτες EOO με βάση τον κατάλληλο βιότοπο για κάθε είδος που βασίζεται στις προτιμήσεις βιοτόπων των ειδών που κωδικοποιούνται από το σύστημα ταξινόμησης ενδιαιτημάτων της IUCN (IUCN 2018). Χρησιμοποιήσαμε τα ενδιαιτήματα προγράμματος τα οποία κωδικοποιήθηκαν ως "κατάλληλα" για κάθε είδος και εξαιρέσαμε τις περιοχές σε ακατάλληλα υψόμετρα εντός του εύρους των ειδών, χρησιμοποιώντας στοιχεία για τις υψομετρικές προτιμήσεις από την Κόκκινη Λίστα IUCN και το μοντέλο ψηφιακής ανύψωσης EarthEnv-DEM90 (Robinson et al., 2014). Για την επαναταξινόμηση των κατάλληλων βιοτόπων και τον υπολογισμό της "έκτασης του κατάλληλου ενδιαιτήματος" χρησιμοποιήσαμε τα δεδομένα κάλυψης γης τα οποία κατεβάσαμε από https://www.esa-landcover-cci.org/ (ESA 2017) και τα συνδυάσαμε με το σχέδιο ταξινόμησης ενδιαιτημάτων της IUCN. Υπήρχαν 536 είδη πτηνών και 74 θηλαστικών για τα οποία έγιναν οι προτιμήσεις για το υψόμετρο ή το περιβάλλον δεν οδήγησε σε κάποιο κατάλληλο περιβάλλον εντός του εύρους, υποδεικνύοντας πιθανά σφάλματα είτε στις τάξεις προτιμήσεων των βιοτόπων, στις ανοχές ύψους ή στην αντιστοιχία μεταξύ των κατηγοριών IUCN και ESA CCI.

Κάθε είδος της ESH χρησιμοποιήθηκε με δύο τρόπους σχετικούς με την εφαρμογή των κριτηρίων της Κόκκινης Λίστας: Πρώτον, έγινε μια ανώτερη εκτίμηση της δυνητικής Περιοχής Κατοίκησης (AOO) από την επαναδειγματοληψία του ESH με ανάλυση από 300 m έως 2 km έτσι ώστε οποιαδήποτε 2 km κυψέλη τέμνει τουλάχιστον ένα κύτταρο των 300 m να συνεισφέρει στην AOO. Δεύτερον, εκτιμήσαμε το πιθανό μέγεθος του πληθυσμού εντός του ESH χρησιμοποιώντας πληθυσμό (σωματική μάζα και διατροφή), τοπικές περιβαλλοντικές συνθήκες (πρωτογενής παραγωγικότητα και κλιματολογικές συνθήκες) και ταξινομικές πληροφορίες στο επίπεδο των τυχαίων επιδράσεων των μοντέλων. Παρόλο που ο ΑΟΟ και ο κατάλληλος βιότοπος , για την εκτίμηση χρησιμοποιούσαν την αφθονία που προέρχεται από τους ίδιους χάρτες καταλληλότητας των ενδιαιτημάτων (ESH), είναι πιθανό ότι η τάση τους είναι ασυνεπής, για παράδειγμα όταν το AOO δεν είναι ευαίσθητο σε μεταβολές στην ποσότητα των βιοτόπων σε κάθε κυψέλη πλέγματος 2x2 km.

[[Αρχείο:Redlistcriteria.png|thumb|left|Σχήμα 1 - Σχηματικό πλαίσιο για την πρόβλεψη των ειδών με βάση την κατηγοριοποίηση του Κόκκινου Καταλόγου της IUCN]]

'''Αξιολόγηση κόκκινου καταλόγου'''

Σύμφωνα με το κριτήριο Α2, οι μεταβολές του πληθυσμού θα πρέπει να υπολογίζονται σε περίοδο τριών γενεών ή δέκα έτη, δηλαδή όποια είναι μεγαλύτερη. Επί του παρόντος, οι χάρτες εδάφους της ESA διατίθενται για την περίοδο 1992-2015. Πήραμε το 2015 ως παρόν και προσδιορίσαμε το σημείο εκκίνησης για την εκτίμηση των τάσεων ως τρεις γενιές ή δέκα χρόνια πριν από το 2015, όποιο από τα δύο ήταν νωρίτερα. Τα δεδομένα για το μήκος των γενεών για όλα τα είδη πτηνών και θηλαστικών αποκτήθηκαν από την εταιρεία BirdLife International (2017) και Pacifici et αϊ. (2013), αντίστοιχα.

Τα κριτήρια Β1 και Β2 εφαρμόστηκαν συγκρίνοντας τις εκτιμήσεις EOO και ESH με το EOO και ΑΟΟ αντίστοιχα (Σχήμα 1). Ωστόσο, η εφαρμογή αυτών των δύο κριτηρίων απαιτούνται τουλάχιστον δύο επιμέρους κριτήρια. Εδώ θεωρήσαμε το υποκριτήριο "a" (σοβαρός κατακερματισμός) και "biii" (συνεχιζόμενη μείωση της έκτασης, της έκτασης ή / και της ποιότητας του βιοτόπου). Ο σοβαρής κατακερματισμός ορίζεται από τον Κόκκινο Κατάλογο της IUCN όταν "οι αυξημένοι κίνδυνοι εξαφάνισης του είδους προκύπτουν από το γεγονός ότι τα περισσότερα από τα άτομα του πληθυσμού βρίσκονται στο μικρούς και σχετικά απομονωμένους υποπληθυσμούς" (IUCN 2017b). Συνεπώς, θεωρήσαμε πως ο βιότοπος ενός είδους είναι κατακερματισμένος εάν > 50% του ESH εμφανίστηκαν σε μικρά και απομονωμένα μέρη (IUCN 2017b). Οι εκτιμήσεις της βιωσιμότητας του πληθυσμού είναι μόνο διαθέσιμες για θηλαστικά (από Hilbers et al., 2016), οπότε συνολικά εξετάσαμε πέντε ορισμούς για πτηνά και 10 για θηλαστικά. Ορίζουμε "απομονωμένο" με βάση την προσέγγιση που περιγράφεται στο Santini et αϊ. (2014). Εν συντομία, η προσέγγιση έγκειται στο σχηματισμό συνεχόμενων ομάδων ενδιαιτημάτων στην περιοχή και στη συνέχεια συσσώρευση αυτών των τεμαχίων μέσα σε μια διάμεση διασπορά.

[[Αρχείο:Predicted.png|thumb|left|Σχήμα 2 - Συνοχή μεταξύ των προβλεπόμενων και δημοσιευμένων κατηγοριών του Κόκκινου Καταλόγου IUCN για πτηνά και θηλαστικά (Εύτρωτα (VU), Κινδυνεύοντα (EN) και Κρισίμως Κινδυνεύοντα (CR)). Οι προβλέψεις δεν κάνουν διάκριση μεταξύ NT (Εγγύς Απειλούμενο ) και LC (Ελάχιστα Ανησυχητικό) επειδή δεν υπάρχει κανένα ποσοτικό ρητό όριο κριτηρίου για NT.]]

Συγκρίναμε τις προβλεπόμενες κατηγορίες κόκκινων λιστών με τις δημοσιευμένες κατηγορίες δοκιμάζοντας τη συσχέτιση μεταξύ των κανονικών αξιών με τις στατιστικές Gamma του Goodman και του Kruskal. Συγκρίναμε επίσης την ικανότητα ανίχνευσης απειλούμενων και μη απειλούμενων ειδών με χρήση ευαισθησίας, εξειδίκευσης και TSS. Πραγματοποιήσαμε όλες τις αναλύσεις GIS χρησιμοποιώντας μια προβολή ίσων περιοχών Mollweide στο GRASS GRIS v. 7.4 (GRASS Development Team 2017), καθώς και όλες οι περαιτέρω στατιστικές αναλύσεις και επεξεργασία δεδομένων στην R v. 3.5.1 (R Core Team 2018). Οι κώδικες GRASS και R διατίθενται από τον αντίστοιχο συντάκτη κατόπιν αιτήσεως.

'''Αποτελέσματα'''

'''Προβλέψεις κατηγοριών του Κόκκινου Καταλόγου'''

Προβλέψαμε 745 πτηνά (VU = 399, EN = 254, CR = 92) και 501 θηλαστικά (VU = 266, EN = 206, CR = 29) υπό εξαφάνιση (Εικόνα 2). Αυτά τα είδη χαρακτηρίζονται ως κυρίως απειλούμενα σύμφωνα με το κριτήριο Β1 (53,3%, 393 πουλιά και 348 θηλαστικά), Β2 (23,4%, 165 πτηνά και 161 θηλαστικά), D / D1 (15%, 208 πτηνά και 70 θηλαστικά), C1 (5,6%, 59 πτηνά και 19 θηλαστικά) και Α2 (2,7%, 25 πουλιά και 12 θηλαστικά). Μεταξύ των ειδών με ανεπαρκή δεδομένα, προβλέψαμε 10 είδη πτηνών (18,9% των ειδών που παρουσιάζουν έλλειψη δεδομένων πουλιών) και 114 είδη θηλαστικών (22,3%). (πτηνά: VU = 5, EN = 3, CR = 2, θηλαστικά: VU = 52, EN = 52, CR = 10) (σχήμα 3). Οι προβλέψεις για την Ανεπαρκή Δεδομένα ήταν σύμφωνες με αυτές που παρήγαγαν οι προηγούμενοι συντάκτες χρησιμοποιώντας εναλλακτικές μεθόδους για το 76,2% των πτηνών και το 56,6% των θηλαστικών. Oι προβλέψεις για όλα τα είδη παρουσιάζονται στο Σχήμα 2.

[[Αρχείο:Published.png|thumb|right|Σχήμα 3 - Προβλεπόμενες κατηγορίες Κόκκινου Καταλόγου IUCN για είδη με ανεπαρκή δεδομένα (LC, Ελάχιστα Ανησυχητικό ; NT, Εγγύς Απειλούμενο ; VU, Εύτρωτα; EN, Κινδυνεύοντα; CR, Κρισίμως Κινδυνεύοντα)]]

Η ευαισθησία στην πρόβλεψη απειλούμενων κατηγοριών ήταν χαμηλή τόσο σε πτηνά όσο και σε θηλαστικά (0,29 και 0,27) και η ακρίβεια ήταν υψηλή (0,95 και 0,96), με αποτέλεσμα το TSS 0,24 για τα πτηνά και 0,23 για τα θηλαστικά. Αυτές οι τιμές υποδηλώνουν υψηλό σφάλμα τύπου ΙΙ και χαμηλό Σφάλμα τύπου Ι, δηλαδή υψηλή πιθανότητα ταξινόμησης ενός απειλούμενου είδους ως μη απειλούμενου, αλλά χαμηλού πιθανότητα να ταξινομηθεί ένα μη απειλούμενο είδος ως απειλούμενο. Πουλιά τα οποία είχαν προβλεφθεί ότι είναι απειλούμενα ταξινομήθηκαν στις κατηγορία απειλούμενων με βάση το κριτήριο Β1 (η = 276), D (η = 125), Β2 (η = 99), C1 (η = 46) και Α2 (η = 17). Τα θηλαστικά είχαν προβλεφθεί να είναι σε υψηλότερης κατηγορίες χαρακτηρίστηκαν ως απειλούμενα από τις κατηγορίες B1 (n = 86), B2 (n = 52), D (η = 17), C1 (η = 7) και Α2 (η = 2). Είδη πτηνών που εν συνεχεία προβλεπόντουσαν οτί είναι ελάχιστα απειλούμενα, χαρακτηρίστηκαν ως είδη εδάφους (π.χ. Eurypygiformes, Mesitornithiformes, Galliformes) (π.χ. Bucerotiformes, Ciconiformes, Otidiformes) και αρπακτικά πτηνά (π.χ. Accipitriformes), τα οποία απειλούνται από το κυνήγι, τη δηλητηρίαση και τη σύγκρουση με τις γραμμές ηλεκτρικής ενέργειας και ανεμογεννητριών. Τα θηλαστικά είδη που σταθερά προβλέπονταν ως ελάχιστα απειλούμενα στον Κόκκινο Κατάλογο είναι ως επί το πλείστον είδη μεγάλου μεγέθους που απειλούνται από το κυνήγι και το παράνομο εμπόριο (π.χ. Proboscidea, Perissodactyla, Cetartyodactyla, Pholidota, Primates) (Σχήμα 3).

Μεταξύ των γεωγραφικών περιοχών, τα μοντέλα μας προέβλεπαν χαμηλότερο κίνδυνο εξαφάνισης κατά μέσο όρο στην περιοχή Σαχάρο-Αραβική και Αυστραλιανή περιοχή για τα πουλιά, στις περιοχές της Μαδαγασκάρης και της Ωκεανίας για τα θηλαστικά και στην περιοχή της Ανατολής τόσο για τα πτηνά όσο και για τα θηλαστικά. Στα θηλαστικά, το βόρειο τμήμα της Αλάσκας και της Γροιλανδίας παρουσιάζουν επίσης υψηλές τιμές, αλλά αυτές οι περιοχές καταλαμβάνονται μόνο από ένα μικρό αριθμό ειδών. Η διαφορά μεταξύ των εκτιμήσεων του Κόκκινου Καταλόγου και των προβλεπόμενων κατηγοριών συσχετίστηκε θετικά με τη "σωματική μάζα" του είδους σε πτηνά και θηλαστικά ,υποδεικνύοντας ότι η προσέγγισή μας είναι πιο πιθανό να υποτιμούν τις κατηγορίες μεγαλύτερων ειδών του Κόκκινου Καταλόγου σε σύγκριση με εκείνες των μικρότερων ειδών.

[[Αρχείο:Habitat.png|thumb|right|Σχήμα 4 - Μέση διαφορά μεταξύ δημοσιευμένων και προβλεπόμενων κατηγοριών του Κόκκινου Καταλόγου IUCN για πτηνά και θηλαστικά ανά κυψέλη δικτύου σε ανάλυση 0,5 ° (λιγότερο ανησυχητική και σχεδόν απειλούμενη = 0 · ευάλωτη = 1 · απειλούμενη με εξαφάνιση = 2 · κρίσιμη απειλούνται = 3; θετικές τιμές, οι προβλεπόμενες κατηγορίες είναι κατά μέσο όρο χαμηλότερες από τις δημοσιευμένες κατηγορίες. γκρι, κελιά χωρίς διαφορά κατά μέσο όρο, δηλ., τιμές 0).]]

'''Συζήτηση'''

Τα αποτελέσματά δείχνουν πώς τα δεδομένα σχετικά με την αλλαγή της κάλυψης γης σε συνδυασμό με πληροφορίες για τις προτιμήσεις των ειδών σε βιοτόπους και την μοντελοποιημένη αφθονία των να ενημερώσουν τις αξιολογήσεις των ειδών στο πλαίσιο του Κόκκινου Καταλόγου της IUCN. Η διαδικασία αυτή είναι ιδιαίτερα χρήσιμη για την ανίχνευση ειδών των οποίων ο ρυθμός και ο βαθμός απώλειας των βιοτόπων τους μπορεί να έχει υποτιμηθεί. Περαιτέρω, εντοπίζει τα περισσότερα από τα είδη που παρουσιάζουν ανεπαρκή δεδομένα και που ενδέχεται να απειληθούν, στοχεύοντας έτσι σε έρευνα με σκοπό την συγκέντρωση επαρκών πληροφοριών και την εφαρμογή των κριτηρίων του Κόκκινου Καταλόγου. Η ίδια διαδικασία μπορεί να εφαρμοστεί σε άλλες ταξινομικές ομάδες για τις οποίες οι κατανομές έχουν χαρτογραφηθεί, οι προτιμήσεις σε βιοτόπους έχουν τεκμηριωθεί και ι προβλέψεις αφθονίας έχουν γίνει (π.χ. Αμφίβια, Ficetola et al., 2015, Santini et αϊ., 2018). Οι προβλέψεις μας είναι αρκετά συνεπείς με τις δημοσιευμένες αξιολογήσεις του Κόκκινου Καταλόγου, γεγονός που υποδηλώνει ότι είναι αξιόπιστη για προκαταρκτικές αξιολογήσεις των ειδών. Ορισμένα είδη παρουσιάζουν συσσωρευμένες κατανομές εντός κατάλληλου βιοτόπου λόγω της αποσπασματικής κατανομής βασικών πόρων (Mayor et al., 2009), ή αλλιώς μετατοπίζονται νομαδικά γύρω από το γεωγραφικό εύρος τους και επομένως καταλαμβάνουν μόνο ένα περιορισμένο μέρος της σε κάθε δεδομένη στιγμή (Runge et al., 2015). Ομοίως, ορισμένα είδη απουσιάζουν ή είναι πιο σπάνια σε περιοχές που υπόκεινται σε ιδιαίτερες απειλές, όπως υπερεκμετάλλευση, διεισδυτικά ξένα είδη, ή ρύπανση (Benítez-López et al., 2010, 2017, Hoffmann et al., 2010, Ripple κ.ά., 2016). Είναι ενδιαφέρον ότι οι προβλέψεις μας για τα μικρά είδη είναι πιο συνεπείς με την δημοσιευμένη κόκκινη λίστα απ 'ότι αυτά για τα μεγάλα είδη, πιθανώς επειδή τα τελευταία απειλούνται συχνότερα από την άμεση εκμετάλλευση, ενώ τα μικρότερα είδη απειλούνται συχνότερα από την απώλεια και την υποβάθμιση των βιοτόπων (Ripple et al. 2017). Η ανάλυσή αποκάλυψε μια συνεπή μεροληψία στην υποτίμηση του κινδύνου στις προβλέψεις, ή υπερεκτίμηση των εκτιμήσεων των περιφερειών της Μαδαγασκάρης, της Ανατολής και του Ωκεανού στο Μαρόκο θηλαστικά, και στις περιοχές της Ανατολής, της Σαχάρο-Αραβίας και της Αυστραλίας σε πτηνά. Αυτές οι αναντιστοιχίες μπορούν να εξηγηθούν από ένα συνδυασμό παραγόντων που περιλαμβάνουν υψηλό κυνήγι.

[[category:Οικολογία]]
[[category:Εκτίμηση βιοπικοιλότητας]]
[[category:Εφαρμογές άγριας πανίδας]]

Αρχείο:Habitat.png

2019-03-14T16:07:55Z

ViviZarkadi: Σχήμα 4 - Μέση διαφορά μεταξύ δημοσιευμένων και προβλεπόμενων κατηγοριών του Κόκκινου Καταλόγου IUCN για πτηνά και θηλαστικά ανά κυψέλη δικτ�

Σχήμα 4 - Μέση διαφορά μεταξύ δημοσιευμένων και προβλεπόμενων κατηγοριών του Κόκκινου Καταλόγου IUCN για πτηνά και θηλαστικά ανά κυψέλη δικτύου σε ανάλυση 0,5 ° (λιγότερο ανησυχητική και σχεδόν απειλούμενη = 0 · ευάλωτη = 1 · απειλούμενη με εξαφάνιση = 2 · κρίσιμη
απειλούνται = 3; θετικές τιμές, οι προβλεπόμενες κατηγορίες είναι κατά μέσο όρο χαμηλότερες από τις δημοσιευμένες κατηγορίες. γκρι, κελιά
χωρίς διαφορά κατά μέσο όρο, δηλ., τιμές 0).

Αρχείο:Published.png

2019-03-14T16:05:42Z

ViviZarkadi: Σχήμα 3 - Προβλεπόμενες κατηγορίες Κόκκινου Καταλόγου IUCN για είδη με ανεπαρκή δεδομένα (LC, Ελάχιστα Ανησυχητικό ; NT, Εγγύς Απειλούμενο ; VU, Εύ�

Σχήμα 3 - Προβλεπόμενες κατηγορίες Κόκκινου Καταλόγου IUCN για είδη με ανεπαρκή δεδομένα (LC, Ελάχιστα Ανησυχητικό ; NT, Εγγύς Απειλούμενο ; VU, Εύτρωτα; EN, Κινδυνεύοντα; CR, Κρισίμως Κινδυνεύοντα)

Αρχείο:Predicted.png

2019-03-14T16:00:48Z

ViviZarkadi: Σχήμα 2 - Συνοχή μεταξύ των προβλεπόμενων και δημοσιευμένων κατηγοριών του Κόκκινου Καταλόγου IUCN για πτηνά και θηλαστικά (Εύτρωτα (VU), Κινδυ�

Σχήμα 2 - Συνοχή μεταξύ των προβλεπόμενων και δημοσιευμένων κατηγοριών του Κόκκινου Καταλόγου IUCN για πτηνά και θηλαστικά (Εύτρωτα (VU), Κινδυνεύοντα (EN) και Κρισίμως Κινδυνεύοντα (CR)). Οι προβλέψεις δεν κάνουν
διάκριση μεταξύ NT (Εγγύς Απειλούμενο ) και LC (Ελάχιστα Ανησυχητικό) επειδή δεν υπάρχει κανένα ποσοτικό ρητό όριο κριτηρίου για NT.

Αρχείο:Redlistcriteria.png

2019-03-14T15:57:54Z

ViviZarkadi: Σχήμα 1 - Σχηματικό πλαίσιο για την πρόβλεψη των ειδών με βάση την κατηγοριοποίηση του Κόκκινου Καταλόγου της IUCN

Σχήμα 1 - Σχηματικό πλαίσιο για την πρόβλεψη των ειδών με βάση την κατηγοριοποίηση του Κόκκινου Καταλόγου της IUCN

Ζαρκάδη Παρασκευή

2019-03-14T15:20:36Z

ViviZarkadi:

Ανίχνευση πρώιμων σταδίων αποδάσωσης στους Τροπικούς με L-band SAR

2019-03-14T15:19:14Z

ViviZarkadi:

''' Συγγραφείς: Manabu Watanabe , Senior Member, IEEE, Christian N. Koyama , Member, IEEE, Masato Hayashi, Izumi Nagatani , and Masanobu Shimada, Fellow, IEEE '''

[Πηγή : https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8327829]

'''ΕΙΣΑΓΩΓΗ'''

Στην μελέτη αυτή εξετάστηκαν πολωσιμετρικά χαρακτηριστικά με L- band ραντάρ συνθετικής διάτρησης (SAR) σε περιοχές αποδάσωσης σε πρώιμο στάδιο, για την ανάπτυξη ενός συστήματος έγκαιρης προειδοποίησης για τα δάση. Για να εξετασθούν οι διαφορές στο χρόνο ανίχνευσης της αποψίλωσης των δασών στις πιο ενεργά αποδασωμένες περιοχές, στο Περού και τη Βραζιλία, χρησιμοποιήθηκαν χρονολογικές σειρές και δεδομένα PALSAR-2 / ScanSAR και δεδομένα Landsat.Η παρακολούθηση που εκτελείται σχεδόν σε πραγματικό χρόνο με δεδομένα Landsat που λαμβάνονται κάθε 7 ημέρες και η χωρική τους ανάλυση είναι 30 μέτρα, επιτυγχάνοντας έτσι την ανίχνευση των δασών από 0,09 εκτάρια. Ωστόσο, η κάλυψη σύννεφων συχνά διαταράσσει την ανίχνευση της πρόωρης αποδάσωσης, ειδικά κατά την περίοδο των βροχών. Οι παρατηρήσεις με το ραντάρ συνθετικής διάτρησης (SAR) είναι διαθέσιμες σε όλες τις καιρικές συνθήκες, ημέρα και νύχτα, και μπορεί να δημιουργήσει ένα αποτελεσματικό σύστημα έγκαιρης προειδοποίησης για την αποδάσωση. Ως αποτέλεσμα, η JICA και η JAXA ξεκίνησαν ένα νέο σύστημα, το σύστημα JICA-JAXΑ Έγκαιρης Δασικής Προειδοποίησης στους Τροπικούς τον Νοέμβριο του 2016.

'''ΔΕΔΟΜΕΝΑ ΚΑΙ ΑΝΑΛΥΣΗ'''

'''A. Δεδομένα PALSAR-2 / ScanSAR και Πολύγωνο αποψίλωσης Από Δεδομένα Landsat'''

Ως στόχοι τέθηκαν δύο περιοχές γύρω από την Pucallpa στο Περού και το Rio Branco στη Βραζιλία, μερικά από τα πιο ενεργά σημεία αποδάσωσης σε κάθε χώρα. Μεταξύ Ιούνη και Οκτώβρη του 2016 λήφθηκαν τέσσερα σύνολα δεδομένων PALSAR-2 / ScanSAR (δορυφορικοί κύκλοι παρατήρησης 51, 53, 56 και 59) και χρησιμοποιήθηκαν στην ανάλυση του Περού : και μεταξύ Μάιο και Οκτώβρη 2016 λήφθηκαν τέσσερα σύνολα δεδομένων PALSAR-2 / ScanSAR (κύκλοι 48, 51, 53 και 59) για την ανάλυση της Βραζιλίας.
Τα δεδομένα SAR υποβλήθηκαν σε επεξεργασία από την SIGMA-SAR για την απόκτηση ορθοδιορθωμένων και με βάση την κλίση διορθωμένων εικόνων γ0. Το γ0 είναι ο συντελεστής οπισθοσκέδασης ανά περιοχή, κανονική σε γωνία πρόσπτωσης, και λαμβάνεται από την ακόλουθη φόρμουλα: γ0 = σ0 / cosθ , όπου σ0 είναι ο συντελεστής οπισθοσκέδασης ανά περιοχή γης και το θ είναι γωνία πρόσπτωσης. Oι εικόνες PALSAR-2 / ScanSAR που λαμβάνονται στο Περού και τη Βραζιλία που παρουσιάζονται στο Σχήμα 1. Τα πολύγωνα αποδάσωσης σχεδιάστηκαν στο χάρτη με μοβ χρώμα.

[[Αρχείο:Palsar1111111.png|thumb|right|Σχήμα 1 - Τα πολύγωνα αποδάσωσης σχεδιάστηκαν στο χάρτη με μοβ χρώμα.]]

'''Β. Δεδομένα PALSAR-2 / πολωσιμετρίας'''

Σε αυτή την ανάλυση χρησιμοποιήθηκαν δύο σύνολα δεδομένων PALSAR-2 / πολωσιμετρίας από τον Περουβιανό Αμαζόνιο. Οι περιοχές περιλαμβάνονται στις παρατηρήσεις ScanSAR (βλέπε σχήμα 1). Το πρώτο σύνολο δεδομένων ελήφθη στην αρχή της ξηρής περιόδου (Μάιος 2016), ενώ το δεύτερο σύνολο δεδομένων λήφθηκε στο τέλος της ξηρής περιόδου (Νοέμβριος και Δεκέμβριος 2016). Κατά τη διάρκεια της ξηρής περιόδου του 2016, σημειώθηκαν σημαντικές ενέργειες αποδάσωσης στην περιοχή. Αυτά τα σύνολα δεδομένων χρησιμοποιήθηκαν για τη σύγκριση των πολωσιμετρικών χαρακτηριστικών πριν και μετά την αποδάσωση.

Στα δεδομένα PALSAR-2 περιλαμβάνονται οι παράμετροι όχι μόνο σ0, αλλά και δύο αντιπροσωπευτικές πολωσιμετρικές παράμετροι, η αποσύνθεση ιδιοτιμών και η αποσύνθεση των τεσσάρων συστατικών. Και οι δύο παράμετροι λήφθηκαν χρησιμοποιώντας PolSARPro.
Οι παράμετροι αποσύνθεσης ιδιοτιμής αποτελούνται από την εντροπία, την α, και την ανισοτροπία. Η εντροπία αντιπροσωπεύει την τυχαιότητα ενός διασκορπιστή, το α αντιπροσωπεύει το μηχανισμό σκέδασης (0 ° για την επιφάνεια διάσπασης, 45 ° για διασπορά διπόλου ή απλή σκέδαση από a σύννεφο ανισότροπων σωματιδίων και 90 ° για διπλής αναπήδηση σκέδαση) και η ανισοτροπία αντιπροσωπεύει τη σχετική σημασία της δεύτερης και τρίτης ιδιοτιμής.
Η αποσύνθεση τεσσάρων συστατικών αποτελείται από την επιφάνεια, τον όγκο, την διπλή αναπήδηση και τα συστατικά της έλικας σκέδασης στην επιφάνεια της Γης.

[[Αρχείο:Palsar22222.png|thumb|right|Εικόνα 2. Η εικόνα αποσύνθεσης τεσσάρων συστατικών για την περιοχή αποδάσωσης (αριστερά) και φωτογραφίες που τραβήξατε από το αεροπλάνο (δεξιά) στο Περού. (α) Αποψίλωση περιοχής σε πρώιμο στάδιο, όπου πολλά δένδρα είχαν απομείνει στο έδαφος. (β) Τοποθεσία όπου τα δένδρα έχουν αφαιρεθεί και οι επιφάνειες είναι πεπλατυσμένες.]]

'''ΕΠΙ ΤΟΠΟΥ ΠΕΙΡΑΜΑΤΑ'''

Τα πειράματα πεδίου έγιναν από τις 30 Νοεμβρίου έως τις 3 Δεκεμβρίου 2016 στο Περού. Αυτό είναι το τέλος της ξηρής εποχής που είναι παρόμοια με την δεύτερη περίοδο των πολωσιμετρικών παρατηρήσεων. Από τις 30 Νοεμβρίου έως τις 2 Δεκεμβρίου 2016 διεξήχθησαν πειράματα εδάφους στο νότιο τμήμα της πειραματικής περιοχής.
Δεδομένου ότι η πρόσβαση ήταν περιορισμένη στο βόρειο τμήμα της περιοχής, ένα αεροπλάνο ναυλώθηκε στις 3 Δεκεμβρίου 2016 για τον εντοπισμό περιοχών πρώιμης αποψίλωσης δάσους. Αναγνωρίστηκαν δύο περιοχές αποδάσωσης, όπου τα κομμένα δένδρα απομακρύνθηκαν και οι επιφάνειες ήταν πεπλατυσμένες, [βλ. Σχήμα 3]. Αυτές οι τοποθεσίες ήταν δάσος τον Μάιο του 2016, όταν ολοκληρώθηκαν οι πρώτες πλήρως πολωσιμετρικές παρατηρήσεις.

[[Αρχείο:Palsar333333.png|thumb|right|Σχήμα 3 - Η χρονική μεταβολή των μέσων όρων γ0 για τις περιοχές αποψίλωσης στο Περού και τη Βραζιλία.]]

'''ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

'''A. Χρόνος ανίχνευσης'''

Χρονικές σειρές Sentinel-2 [ανάλυση 10 m, ψευδές χρώμα (urban)] και τα δεδομένα PALSAR-2 για μια τοποθεσία αποδάσωσης παρουσιάζονται στο Σχήμα 4. Η εικόνα του Sentinel-2 δείχνει πως οι αλλαγές χρώματος της περιοχής από πυκνό πράσινο (15 Ιουλίου) σε ανοιχτό πράσινο (4 Αυγούστου), υποδεικνύουν ότι τα δέντρα είχαν κοπεί κατά τη διάρκεια αυτής της περιόδου.

Η εικόνα PALSAR-2 / HH γίνεται φωτεινή σε αυτό το χρονικό πλαίσιο,
υποδεικνύοντας μία αύξηση της γ0HH . Η εικόνα HV ,ωστόσο δεν παρουσιάζει σημαντικές αλλαγές. Η εικόνα HV γίνεται σκοτεινή, υποδεικνύοντας μία μείωση της τάξης του γ0HV στις 10 Σεπτεμβρίου. Η εναέρια φωτογραφία στις 3 Δεκεμβρίου επιβεβαιώνει πως πολλά κατακείμενα δένδρα έχουν απομακρυνθεί. Η χρονική μεταβολή των μέσων όρων γ0 για τις περιοχές αποψίλωσης στο Περού και τη Βραζιλία παρουσιάζεται στο Σχήμα 5. Η αποδάσωση εντοπίστηκε από τον Landsat μεταξύ των κύκλων 51-53 για το Περού και των 48-51 για τη Βραζιλία. Πολλοί κομμένοι κορμοί δέντρων αναμενόταν να παραμείνουν στο έδαφος εκείνη την εποχή. Οι τιμές του γ0ΗΗ αυξήθηκαν έως 0,8 dB κατά μέσο όρο, τόσο στις περιπτώσεις του Περού όσο και της Βραζιλίας.

[[Αρχείο:Palsar444444.png|thumb|right|]]

Αυτά τα δεδομένα υποστηρίζουν τα αποτελέσματα που ελήφθησαν από τους Almeida-Filho et αϊ. χρησιμοποιώντας JERS-1 HH δεδομένα πόλωσης από τον Αμαζόνιο της Βραζιλίας. Κατά μέσο όρο, οι τιμές των γ0HV δεν αλλάζουν κατά τη διάρκεια αυτής της περιόδου. Στο επόμενο παράθυρο παρατήρησης, η Δγ0HH μειώθηκε κατά 0,4 και 0,5 dB, και η Δγ0HV μειώθηκε κατά 1,1 και 0,5 dB για το Περού και τη Βραζιλία, αντίστοιχα. Στο επόμενο παράθυρο παρατήρησης, Δγ0HH αυξήθηκε πάλι κατά 0,5 και 0,8 dB, ενώ η Δγ0HV συνέχισε να πέφτει, μειώνοντας κατά 0,5 και 1,0 dB για το Περού και τη Βραζιλία, αντίστοιχα. Η γ0HV μειώθηκε κατά 1,6 και 1,5 dB συνολικά 4-5 μήνες μετά την αποδάσωση. Είναι πιθανό ότι τα κλαδιά που είχαν παραμείνει το έδαφος, καθώς και η τραχιά επιφάνεια, μπορεί να έχουν σχέση με την αύξηση της γ0ΗΗ , παρά οποιαδήποτε απομάκρυνση των κατακείμενων δέντρων για το επόμενο στάδιο της αποψίλωσης. Η συνεχής μείωση της γ0HV μπορεί να εξηγηθεί από τη χαμηλότερη ευαισθησία της πολικότητας-HV στα υπόλοιπα κλαδιά και την τραχιά επιφάνεια, και στην υψηλότερή της ευαισθησία στη δασική βιομάζα. Σε περίπτωση που μόνο τα διπλά πολωσιμετρικά τα δεδομένα (πόλωση HH και HV) είναι διαθέσιμα , η γ0ΗΗ είναι μία καλή παράμετρος για την ανίχνευση σημείων αποψίλωσης σε πρώιμο στάδιο, αλλά δεν είναι κατάλληλη παράμετρος για την ανίχνευση της αποψίλωσης σε μεταγενέστερο στάδιο. Αντιστρόφως, η παράμετρος γ0HV είναι μια χρήσιμη παράμετρος για την ανίχνευση μεταγενέστερων τοποθεσιών αποψίλωσης, αλλά όχι για την ανίχνευση της πρώιμης φάσης αποψίλωση των δασών.

'''Β. Πολωσιμετρικά χαρακτηριστικά των περιοχών αποδάσωσης'''

Η σ0HH αυξήθηκε κατά 1,1-2,5 dB για περιοχές πρώιμης αποψίλωσης, η οποία είναι συνεπής με τα δεδομένα ScanSAR. Από την άλλη πλευρά, η σ0HV μειώθηκε κατά 0,7-1,0 dB για το πρώιμο στάδιο αποψίλωσης και 5.2-5.3 dB για την επίπεδη επιφάνεια αποδάσωσης. Αυτό το εύρημα υποστηρίζει επίσης τα αποτελέσματα του ScanSAR, τα οποία δείχνουν συνεχή μείωση της γ0HV μετά την αποδάσωση.
Οι χώροι αποψίλωσης σε πρώιμο στάδιο παρουσιάζουν μεγαλύτερη αύξηση του σ0επιφάνεια , από 2,9-4,0 dB. Αυτό μπορεί να εξηγηθεί από την αύξηση της άμεσης (απλή αναπήδηση) σκέδασης από τα πεσμένα δέντρα. Η 5.2-5.3 dB και 5.3- 5,5 dB μείωση της σ0HV και σ0όγκου για τις περιοχές της αποψίλωσης των δασών με επίπεδες επιφάνειες μπορεί να εξηγηθεί με μικρότερο όγκο και λιγότερο άμεση σκέδαση από την επιφάνεια.

'''ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Οι χρονοσειρές των δεδομένων PALSAR-2 / ScanSAR που ελήφθησαν περίπου κάθε 1,5 μήνες και τα δεδομένα Landsat περίπου κάθε 16 ημέρες, χρησιμοποιήθηκαν για να εξετάσουν τις διαφορές στο χρονοδιάγραμμα ανίχνευσης της αποψίλωσης με διαφορετικές παραμέτρους.
Για τη χρονική περίοδο κατά την οποία εντοπίστηκε η αποδάσωση από την Landsat (αποψίλωση πρώιμων σταδίων, όπου πολλά δένδρα έχουν κοπεί και έμειναν στο έδαφος), η τιμή του γ0HH αυξήθηκε, ενώ η τιμή του γ0HV δεν άλλαξε. Τα πολωσιμετρικά δεδομένα δείχνουν ότι αυτό μπορεί να εξηγηθεί από την ισχυρή άμεση σκέδαση(μονή αναπήδηση) από τα κομμένα δέντρα που έμειναν στο έδαφος, και από την ασθενέστερη σκέδαση του όγκου από την κόμη του δάσους. Η γ0HV αρχίζει να μειώνεται 1 - 1,5 μήνες μετά την αποδάσωση όπως φαίνεται από την εικόνα του Landsat. Τα πλήρως πολωσιμετρικά δεδομένα δείχνουν πως αυτό μπορεί να εξηγηθεί από τη χαμηλότερη ευαισθησία της πόλωσης-HV σε κλαδιά που απομένουν στο έδαφος και στην τραχύτητα της επιφάνειας και από την μεγαλύτερη ευαισθησία της στη δασική βιομάζα. Η εντροπία και οι παράμετροι α υποστηρίζουν επίσης αυτό το σενάριο. Αυτά τα αποτελέσματα υποδηλώνουν ότι η τιμή γ0ΗΗ μπορεί να είναι μια καλή παράμετρος για ανίχνευση περιοχών πρώιμης φάσης αποδάσωσης. Αντιστρόφως, η παράμετρος γ0HV μπορεί να είναι χρήσιμη για την ανίχνευση τοποθεσιών αποψίλωσης σε μεταγενέστερα στάδια.

[[category:Δασοπονία, Δασική διαχείριση]]
[[category:Παρακολούθηση υλοτομίας και αναδάσωσης]]

Ανίχνευση πρώιμων σταδίων αποδάσωσης στους Τροπικούς με L-band SAR

2019-03-14T15:18:26Z

ViviZarkadi: Νέα σελίδα με '''' Συγγραφείς: Manabu Watanabe , Senior Member, IEEE, Christian N. Koyama , Member, IEEE, Masato Hayashi, Izumi Nagatani , and Masanobu Shimada, Fellow, IEEE ''...'

''' Συγγραφείς: Manabu Watanabe , Senior Member, IEEE, Christian N. Koyama , Member, IEEE, Masato Hayashi, Izumi Nagatani , and Masanobu Shimada, Fellow, IEEE '''

[Πηγή : https://ieeexplore.ieee.org/document/8327829
https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8327829]

'''ΕΙΣΑΓΩΓΗ'''

Στην μελέτη αυτή εξετάστηκαν πολωσιμετρικά χαρακτηριστικά με L- band ραντάρ συνθετικής διάτρησης (SAR) σε περιοχές αποδάσωσης σε πρώιμο στάδιο, για την ανάπτυξη ενός συστήματος έγκαιρης προειδοποίησης για τα δάση. Για να εξετασθούν οι διαφορές στο χρόνο ανίχνευσης της αποψίλωσης των δασών στις πιο ενεργά αποδασωμένες περιοχές, στο Περού και τη Βραζιλία, χρησιμοποιήθηκαν χρονολογικές σειρές και δεδομένα PALSAR-2 / ScanSAR και δεδομένα Landsat.Η παρακολούθηση που εκτελείται σχεδόν σε πραγματικό χρόνο με δεδομένα Landsat που λαμβάνονται κάθε 7 ημέρες και η χωρική τους ανάλυση είναι 30 μέτρα, επιτυγχάνοντας έτσι την ανίχνευση των δασών από 0,09 εκτάρια. Ωστόσο, η κάλυψη σύννεφων συχνά διαταράσσει την ανίχνευση της πρόωρης αποδάσωσης, ειδικά κατά την περίοδο των βροχών. Οι παρατηρήσεις με το ραντάρ συνθετικής διάτρησης (SAR) είναι διαθέσιμες σε όλες τις καιρικές συνθήκες, ημέρα και νύχτα, και μπορεί να δημιουργήσει ένα αποτελεσματικό σύστημα έγκαιρης προειδοποίησης για την αποδάσωση. Ως αποτέλεσμα, η JICA και η JAXA ξεκίνησαν ένα νέο σύστημα, το σύστημα JICA-JAXΑ Έγκαιρης Δασικής Προειδοποίησης στους Τροπικούς τον Νοέμβριο του 2016.

'''ΔΕΔΟΜΕΝΑ ΚΑΙ ΑΝΑΛΥΣΗ'''

'''A. Δεδομένα PALSAR-2 / ScanSAR και Πολύγωνο αποψίλωσης Από Δεδομένα Landsat'''

Ως στόχοι τέθηκαν δύο περιοχές γύρω από την Pucallpa στο Περού και το Rio Branco στη Βραζιλία, μερικά από τα πιο ενεργά σημεία αποδάσωσης σε κάθε χώρα. Μεταξύ Ιούνη και Οκτώβρη του 2016 λήφθηκαν τέσσερα σύνολα δεδομένων PALSAR-2 / ScanSAR (δορυφορικοί κύκλοι παρατήρησης 51, 53, 56 και 59) και χρησιμοποιήθηκαν στην ανάλυση του Περού : και μεταξύ Μάιο και Οκτώβρη 2016 λήφθηκαν τέσσερα σύνολα δεδομένων PALSAR-2 / ScanSAR (κύκλοι 48, 51, 53 και 59) για την ανάλυση της Βραζιλίας.
Τα δεδομένα SAR υποβλήθηκαν σε επεξεργασία από την SIGMA-SAR για την απόκτηση ορθοδιορθωμένων και με βάση την κλίση διορθωμένων εικόνων γ0. Το γ0 είναι ο συντελεστής οπισθοσκέδασης ανά περιοχή, κανονική σε γωνία πρόσπτωσης, και λαμβάνεται από την ακόλουθη φόρμουλα: γ0 = σ0 / cosθ , όπου σ0 είναι ο συντελεστής οπισθοσκέδασης ανά περιοχή γης και το θ είναι γωνία πρόσπτωσης. Oι εικόνες PALSAR-2 / ScanSAR που λαμβάνονται στο Περού και τη Βραζιλία που παρουσιάζονται στο Σχήμα 1. Τα πολύγωνα αποδάσωσης σχεδιάστηκαν στο χάρτη με μοβ χρώμα.

[[Αρχείο:Palsar1111111.png|thumb|right|Σχήμα 1 - Τα πολύγωνα αποδάσωσης σχεδιάστηκαν στο χάρτη με μοβ χρώμα.]]

'''Β. Δεδομένα PALSAR-2 / πολωσιμετρίας'''

Σε αυτή την ανάλυση χρησιμοποιήθηκαν δύο σύνολα δεδομένων PALSAR-2 / πολωσιμετρίας από τον Περουβιανό Αμαζόνιο. Οι περιοχές περιλαμβάνονται στις παρατηρήσεις ScanSAR (βλέπε σχήμα 1). Το πρώτο σύνολο δεδομένων ελήφθη στην αρχή της ξηρής περιόδου (Μάιος 2016), ενώ το δεύτερο σύνολο δεδομένων λήφθηκε στο τέλος της ξηρής περιόδου (Νοέμβριος και Δεκέμβριος 2016). Κατά τη διάρκεια της ξηρής περιόδου του 2016, σημειώθηκαν σημαντικές ενέργειες αποδάσωσης στην περιοχή. Αυτά τα σύνολα δεδομένων χρησιμοποιήθηκαν για τη σύγκριση των πολωσιμετρικών χαρακτηριστικών πριν και μετά την αποδάσωση.

Στα δεδομένα PALSAR-2 περιλαμβάνονται οι παράμετροι όχι μόνο σ0, αλλά και δύο αντιπροσωπευτικές πολωσιμετρικές παράμετροι, η αποσύνθεση ιδιοτιμών και η αποσύνθεση των τεσσάρων συστατικών. Και οι δύο παράμετροι λήφθηκαν χρησιμοποιώντας PolSARPro.
Οι παράμετροι αποσύνθεσης ιδιοτιμής αποτελούνται από την εντροπία, την α, και την ανισοτροπία. Η εντροπία αντιπροσωπεύει την τυχαιότητα ενός διασκορπιστή, το α αντιπροσωπεύει το μηχανισμό σκέδασης (0 ° για την επιφάνεια διάσπασης, 45 ° για διασπορά διπόλου ή απλή σκέδαση από a σύννεφο ανισότροπων σωματιδίων και 90 ° για διπλής αναπήδηση σκέδαση) και η ανισοτροπία αντιπροσωπεύει τη σχετική σημασία της δεύτερης και τρίτης ιδιοτιμής.
Η αποσύνθεση τεσσάρων συστατικών αποτελείται από την επιφάνεια, τον όγκο, την διπλή αναπήδηση και τα συστατικά της έλικας σκέδασης στην επιφάνεια της Γης.

[[Αρχείο:Palsar22222.png|thumb|right|Εικόνα 2. Η εικόνα αποσύνθεσης τεσσάρων συστατικών για την περιοχή αποδάσωσης (αριστερά) και φωτογραφίες που τραβήξατε από το αεροπλάνο (δεξιά) στο Περού. (α) Αποψίλωση περιοχής σε πρώιμο στάδιο, όπου πολλά δένδρα είχαν απομείνει στο έδαφος. (β) Τοποθεσία όπου τα δένδρα έχουν αφαιρεθεί και οι επιφάνειες είναι πεπλατυσμένες.]]

'''ΕΠΙ ΤΟΠΟΥ ΠΕΙΡΑΜΑΤΑ'''

Τα πειράματα πεδίου έγιναν από τις 30 Νοεμβρίου έως τις 3 Δεκεμβρίου 2016 στο Περού. Αυτό είναι το τέλος της ξηρής εποχής που είναι παρόμοια με την δεύτερη περίοδο των πολωσιμετρικών παρατηρήσεων. Από τις 30 Νοεμβρίου έως τις 2 Δεκεμβρίου 2016 διεξήχθησαν πειράματα εδάφους στο νότιο τμήμα της πειραματικής περιοχής.
Δεδομένου ότι η πρόσβαση ήταν περιορισμένη στο βόρειο τμήμα της περιοχής, ένα αεροπλάνο ναυλώθηκε στις 3 Δεκεμβρίου 2016 για τον εντοπισμό περιοχών πρώιμης αποψίλωσης δάσους. Αναγνωρίστηκαν δύο περιοχές αποδάσωσης, όπου τα κομμένα δένδρα απομακρύνθηκαν και οι επιφάνειες ήταν πεπλατυσμένες, [βλ. Σχήμα 3]. Αυτές οι τοποθεσίες ήταν δάσος τον Μάιο του 2016, όταν ολοκληρώθηκαν οι πρώτες πλήρως πολωσιμετρικές παρατηρήσεις.

[[Αρχείο:Palsar333333.png|thumb|right|Σχήμα 3 - Η χρονική μεταβολή των μέσων όρων γ0 για τις περιοχές αποψίλωσης στο Περού και τη Βραζιλία.]]

'''ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

'''A. Χρόνος ανίχνευσης'''

Χρονικές σειρές Sentinel-2 [ανάλυση 10 m, ψευδές χρώμα (urban)] και τα δεδομένα PALSAR-2 για μια τοποθεσία αποδάσωσης παρουσιάζονται στο Σχήμα 4. Η εικόνα του Sentinel-2 δείχνει πως οι αλλαγές χρώματος της περιοχής από πυκνό πράσινο (15 Ιουλίου) σε ανοιχτό πράσινο (4 Αυγούστου), υποδεικνύουν ότι τα δέντρα είχαν κοπεί κατά τη διάρκεια αυτής της περιόδου.

Η εικόνα PALSAR-2 / HH γίνεται φωτεινή σε αυτό το χρονικό πλαίσιο,
υποδεικνύοντας μία αύξηση της γ0HH . Η εικόνα HV ,ωστόσο δεν παρουσιάζει σημαντικές αλλαγές. Η εικόνα HV γίνεται σκοτεινή, υποδεικνύοντας μία μείωση της τάξης του γ0HV στις 10 Σεπτεμβρίου. Η εναέρια φωτογραφία στις 3 Δεκεμβρίου επιβεβαιώνει πως πολλά κατακείμενα δένδρα έχουν απομακρυνθεί. Η χρονική μεταβολή των μέσων όρων γ0 για τις περιοχές αποψίλωσης στο Περού και τη Βραζιλία παρουσιάζεται στο Σχήμα 5. Η αποδάσωση εντοπίστηκε από τον Landsat μεταξύ των κύκλων 51-53 για το Περού και των 48-51 για τη Βραζιλία. Πολλοί κομμένοι κορμοί δέντρων αναμενόταν να παραμείνουν στο έδαφος εκείνη την εποχή. Οι τιμές του γ0ΗΗ αυξήθηκαν έως 0,8 dB κατά μέσο όρο, τόσο στις περιπτώσεις του Περού όσο και της Βραζιλίας.

[[Αρχείο:Palsar444444.png|thumb|right|]]

Αυτά τα δεδομένα υποστηρίζουν τα αποτελέσματα που ελήφθησαν από τους Almeida-Filho et αϊ. χρησιμοποιώντας JERS-1 HH δεδομένα πόλωσης από τον Αμαζόνιο της Βραζιλίας. Κατά μέσο όρο, οι τιμές των γ0HV δεν αλλάζουν κατά τη διάρκεια αυτής της περιόδου. Στο επόμενο παράθυρο παρατήρησης, η Δγ0HH μειώθηκε κατά 0,4 και 0,5 dB, και η Δγ0HV μειώθηκε κατά 1,1 και 0,5 dB για το Περού και τη Βραζιλία, αντίστοιχα. Στο επόμενο παράθυρο παρατήρησης, Δγ0HH αυξήθηκε πάλι κατά 0,5 και 0,8 dB, ενώ η Δγ0HV συνέχισε να πέφτει, μειώνοντας κατά 0,5 και 1,0 dB για το Περού και τη Βραζιλία, αντίστοιχα. Η γ0HV μειώθηκε κατά 1,6 και 1,5 dB συνολικά 4-5 μήνες μετά την αποδάσωση. Είναι πιθανό ότι τα κλαδιά που είχαν παραμείνει το έδαφος, καθώς και η τραχιά επιφάνεια, μπορεί να έχουν σχέση με την αύξηση της γ0ΗΗ , παρά οποιαδήποτε απομάκρυνση των κατακείμενων δέντρων για το επόμενο στάδιο της αποψίλωσης. Η συνεχής μείωση της γ0HV μπορεί να εξηγηθεί από τη χαμηλότερη ευαισθησία της πολικότητας-HV στα υπόλοιπα κλαδιά και την τραχιά επιφάνεια, και στην υψηλότερή της ευαισθησία στη δασική βιομάζα. Σε περίπτωση που μόνο τα διπλά πολωσιμετρικά τα δεδομένα (πόλωση HH και HV) είναι διαθέσιμα , η γ0ΗΗ είναι μία καλή παράμετρος για την ανίχνευση σημείων αποψίλωσης σε πρώιμο στάδιο, αλλά δεν είναι κατάλληλη παράμετρος για την ανίχνευση της αποψίλωσης σε μεταγενέστερο στάδιο. Αντιστρόφως, η παράμετρος γ0HV είναι μια χρήσιμη παράμετρος για την ανίχνευση μεταγενέστερων τοποθεσιών αποψίλωσης, αλλά όχι για την ανίχνευση της πρώιμης φάσης αποψίλωση των δασών.

'''Β. Πολωσιμετρικά χαρακτηριστικά των περιοχών αποδάσωσης'''

Η σ0HH αυξήθηκε κατά 1,1-2,5 dB για περιοχές πρώιμης αποψίλωσης, η οποία είναι συνεπής με τα δεδομένα ScanSAR. Από την άλλη πλευρά, η σ0HV μειώθηκε κατά 0,7-1,0 dB για το πρώιμο στάδιο αποψίλωσης και 5.2-5.3 dB για την επίπεδη επιφάνεια αποδάσωσης. Αυτό το εύρημα υποστηρίζει επίσης τα αποτελέσματα του ScanSAR, τα οποία δείχνουν συνεχή μείωση της γ0HV μετά την αποδάσωση.
Οι χώροι αποψίλωσης σε πρώιμο στάδιο παρουσιάζουν μεγαλύτερη αύξηση του σ0επιφάνεια , από 2,9-4,0 dB. Αυτό μπορεί να εξηγηθεί από την αύξηση της άμεσης (απλή αναπήδηση) σκέδασης από τα πεσμένα δέντρα. Η 5.2-5.3 dB και 5.3- 5,5 dB μείωση της σ0HV και σ0όγκου για τις περιοχές της αποψίλωσης των δασών με επίπεδες επιφάνειες μπορεί να εξηγηθεί με μικρότερο όγκο και λιγότερο άμεση σκέδαση από την επιφάνεια.

'''ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Οι χρονοσειρές των δεδομένων PALSAR-2 / ScanSAR που ελήφθησαν περίπου κάθε 1,5 μήνες και τα δεδομένα Landsat περίπου κάθε 16 ημέρες, χρησιμοποιήθηκαν για να εξετάσουν τις διαφορές στο χρονοδιάγραμμα ανίχνευσης της αποψίλωσης με διαφορετικές παραμέτρους.
Για τη χρονική περίοδο κατά την οποία εντοπίστηκε η αποδάσωση από την Landsat (αποψίλωση πρώιμων σταδίων, όπου πολλά δένδρα έχουν κοπεί και έμειναν στο έδαφος), η τιμή του γ0HH αυξήθηκε, ενώ η τιμή του γ0HV δεν άλλαξε. Τα πολωσιμετρικά δεδομένα δείχνουν ότι αυτό μπορεί να εξηγηθεί από την ισχυρή άμεση σκέδαση(μονή αναπήδηση) από τα κομμένα δέντρα που έμειναν στο έδαφος, και από την ασθενέστερη σκέδαση του όγκου από την κόμη του δάσους. Η γ0HV αρχίζει να μειώνεται 1 - 1,5 μήνες μετά την αποδάσωση όπως φαίνεται από την εικόνα του Landsat. Τα πλήρως πολωσιμετρικά δεδομένα δείχνουν πως αυτό μπορεί να εξηγηθεί από τη χαμηλότερη ευαισθησία της πόλωσης-HV σε κλαδιά που απομένουν στο έδαφος και στην τραχύτητα της επιφάνειας και από την μεγαλύτερη ευαισθησία της στη δασική βιομάζα. Η εντροπία και οι παράμετροι α υποστηρίζουν επίσης αυτό το σενάριο. Αυτά τα αποτελέσματα υποδηλώνουν ότι η τιμή γ0ΗΗ μπορεί να είναι μια καλή παράμετρος για ανίχνευση περιοχών πρώιμης φάσης αποδάσωσης. Αντιστρόφως, η παράμετρος γ0HV μπορεί να είναι χρήσιμη για την ανίχνευση τοποθεσιών αποψίλωσης σε μεταγενέστερα στάδια.

[[category:Δασοπονία, Δασική διαχείριση]]
[[category:Παρακολούθηση υλοτομίας και αναδάσωσης]]

Αρχείο:Palsar1111111.png

2019-03-14T15:17:25Z

ViviZarkadi: ανέβασμα νέας έκδοσης του "Αρχείο:Palsar1111111.png"

Σχήμα 1 - Τα πολύγωνα αποδάσωσης σχεδιάστηκαν στο χάρτη με μοβ χρώμα.

Αρχείο:Palsar444444.png

2019-03-13T21:16:37Z

ViviZarkadi:

Αρχείο:Palsar333333.png

2019-03-13T21:15:30Z

ViviZarkadi: Σχήμα 3 - Η χρονική μεταβολή των μέσων όρων γ0 για τις περιοχές αποψίλωσης στο Περού και τη Βραζιλία.

Σχήμα 3 - Η χρονική μεταβολή των μέσων όρων γ0 για τις περιοχές αποψίλωσης στο Περού και τη Βραζιλία.

Αρχείο:Palsar22222.png

2019-03-13T21:14:36Z

ViviZarkadi: Εικόνα 2. Η εικόνα αποσύνθεσης τεσσάρων συστατικών για την περιοχή αποδάσωσης (αριστερά) και φωτογραφίες που τραβήξατε από το αεροπλάνο (δε

Εικόνα 2. Η εικόνα αποσύνθεσης τεσσάρων συστατικών για την περιοχή αποδάσωσης (αριστερά) και φωτογραφίες που τραβήξατε από το αεροπλάνο (δεξιά) στο Περού. (α) Αποψίλωση περιοχής σε πρώιμο στάδιο, όπου πολλά δένδρα είχαν απομείνει στο έδαφος. (β) Τοποθεσία όπου τα δένδρα έχουν αφαιρεθεί και οι επιφάνειες είναι πεπλατυσμένες.

Αρχείο:Palsar1111111.png

2019-03-13T21:13:59Z

ViviZarkadi: Σχήμα 1 - Τα πολύγωνα αποδάσωσης σχεδιάστηκαν στο χάρτη με μοβ χρώμα.

Σχήμα 1 - Τα πολύγωνα αποδάσωσης σχεδιάστηκαν στο χάρτη με μοβ χρώμα.

Ζαρκάδη Παρασκευή

2019-03-13T20:33:03Z

ViviZarkadi:

Η μηχανή GOOGLE EARTH ως πλατφόρμα τηλεπισκόπησης των υδάτινων πόρων για την παρακολούθηση των εσωτερικών υδάτων

2019-03-13T20:31:35Z

ViviZarkadi: Νέα σελίδα με ''''Συγγραφέας: Carly Hansen, Postdoctoral Researcher, University of Utah''' [https://scholar.google.com/citations?user=L5522WMAAAAJ&hl=en Πηγή] '''Εισα...'

'''Συγγραφέας: Carly Hansen, Postdoctoral Researcher, University of Utah'''

[https://scholar.google.com/citations?user=L5522WMAAAAJ&hl=en Πηγή]

'''Εισαγωγή'''

Το Google Earth είναι το πρόγραμμα γραφικής απεικόνισης της Γης το οποίο συνθέτει εικόνες και πληροφορίες από δορυφορικές φωτογραφίες, στοιχεία GIS και από πολλές πηγές σε διάφορα στρώματα(layers). Αποτελείται από ένα αρχείο δεδομένων κλίμακας-petabyte και ένα περιβάλλον τηλεπισκοπικής ανάλυσης. Αυτή η μελέτη ερευνά την χρήση της μηχανής Google Earth για την ανάπτυξη και εφαρμογή μοντέλων για την παρακολούθηση της ποιότητας των υδάτινων πόρων. Τα μοντέλα τηλεπισκόπησης είναι μία οικονομικά αποδοτική μέθοδος για τις μεγάλης κλίμακας αξιολογήσεις της ποιότητας νερού, καθώς μειώνουν το χρόνο, την προσπάθεια και τις δαπάνες ταξιδιού για την απόκτηση δειγμάτων πεδίου.
Μια μελέτη εκτίμησης χλωροφύλλης στο Michigan καταδεικνύει τα οφέλη και τους περιορισμούς της χρήσης δεδομένων που βασίζονται σε ένα κατάλογο υπολογιστικού νέφους, ένα περιβάλλον προγραμματισμού και διαθέσιμων εργαλείων επεξεργασίας.

'''Μέθοδοι '''

'''Εμπόδια στην εφαρμογή των μοντέλων τηλεπισκόπησης'''

[[Αρχείο:Eikona1.png|thumb|right|Εικόνα 1- Απεικόνιση της λήψης των δεδομένων και διοικητικές προκλήσεις: Η πολιτεία του Τέξας θα απαιτούσε πάνω από 2 TB/χρόνο για τα ακατέργαστα δεδομένα. Το αίτημα και η εμφάνιση με την χρήση της μηχανής Google Earth διαρκούν λιγότερο από 0.5 χιλ. του δευτερολέπτου και δεν απαιτείται κανένα σύστημα αποθήκευσης και διαχείρισης των δεδομένων.]]

Οι διαδικασίες της λήψης, διαχείρισης, αποθήκευσης και απεικόνισης των επαρκών εικονικών δεδομένων για να αναπτυχθούν τα οπτικά μοντέλα των παραμέτρων ποιότητας νερού, λειτουργούν ως εμπόδια για πολλές επιχειρήσεις που θα ήθελαν να επωφεληθούν από ένα πρόγραμμα ελέγχου τηλεπισκόπησης.
Πολλές οργανώσεις δεν είναι κατάλληλα εξοπλισμένες με τις κατάλληλες βάσεις δεδομένων, αποθήκευσης ή υπολογιστικής ισχύος για να διαχειριστούν οπτικά δεδομένα μεγάλης χωρητικότητας.
Επιπλέον, πολλές επιχειρήσεις ποιότητας νερού , έχουν έλλειψη σε επαγγελματίες εκπαιδευμένους στην τηλεπισκόπηση , που να είναι εξοικειωμένοι με τις τεχνικές επεξεργασίας εικόνας και με το περίπλοκο λογισμικό (Εικόνα 1).

'''Περιπτωσιολογική μελέτη'''

Ο κατάλογος δεδομένων της μηχανής Google Earth και το περιβάλλον ανάπτυξης χρησιμοποιούνται στην επίδειξη των μοντέλων ανάπτυξης και εφαρμογής για το Iνδιάνικο Πρόγραμμα προστασίας της ποιότητας των επιφανειακών υδάτων στο Little Traverse Bay της Odawa(LTBB SWQPP) στο βορειοδυτικό Michigan. Αυτή η ομάδα καταδεικνύει την ανάγκη των πρόσθετων ελέγχων υδάτινων πόρων και δεν έχει κάποιο υπάρχον πρόγραμμα τηλεπισκόπησης. Έτσι αναπτύχθηκε ένα μοντέλο που χρησιμοποιεί τα δεδομένα της μέτρησης στο πεδίο σε χλωροφύλλης-α και ανακλαστικότητα από τον δορυφόρο Landsat-7 L1T τον Ιούλιο-Αύγουστο του 2007 μέσα σε περίπου 7 μέρες από την λήψη των δειγμάτων πεδίου.

'''Ανάπτυξη μοντέλου'''

Ο ακόλουθος γενικός αλγόριθμος για την ανίχνευση της χλωροφύλλης από μία μελέτη του 2004 στη Λίμνη Michigan (Τύπος 1) βαθμολογήθηκε για την περιοχή ελέγχου LTBΒ με την χρήση του περιβάλλοντος προγραμματισμού του Google Earth,[[Αρχείο:Tupooos1.png|thumb|center|]] όπου τα κανάλια 2,3 και 7 από την σκηνή Landsat-7 απεικονίζονται ως Β2,Β3 και Β7 (Εικόνα 2).

[[Αρχείο:Eikona22.png|thumb|right|Εικόνα 2 - Σχέση μεταξύ προβλεπόμενων και μετρημένων συγκεντρώσεων χλωροφύλλης, χρησιμοποιώντας το βαθμολογημένο μοντέλο από τη μελέτη το�]]

'''Εφαρμογή μοντέλου'''
Έγινε επεξεργασία με μάσκα στις εικόνες Landsat (Εικόνα 3), με την χρήση του τροποποιημένου και ομαλοποιημένου δείκτη διαφοράς νερού (MNDWI) :
MNDWI = (GREEN-MIR)/(GREEN+MIR)
Όπου Green και MIR είναι το πράσινο και το μέσο-υπέρυθρο κανάλι αντίστοιχα. Το βαθμολογημένο μοντέλο χλωροφύλλης εφαρμόστηκε στις επεξεργασμένες περιοχές. Παραδείγματα της εφαρμογής του μοντέλου φαίνονται στα σχήματα 4-5 . Κάθε βήμα, από την λήψη δεδομένων στην εφαρμογή της μάσκας και του μοντέλου, ολοκληρώνονται με την χρήση περιβάλλοντος σχεδίασης JavaScript. Οι υπολογισμοί , έγιναν ‘βαρεμένα’, ούτως ώστε οι εισαγωγές/εξαγωγές να είναι αρκετές να γεμίσουν τα προσωρινά όρια των εικόνων. Αυτό καθιστά την απεικόνιση και την πρωτοτυπία του μοντέλου πιο αποδοτική από τις παραδοσιακές μεθόδους λογισμικού.

[[Αρχείο:Sximaaa3.png|thumb|right|Εικόνα 3 - Περιοχή μελέτης με τον τροποποιημένο ομαλοποιημένο δείκτη διαφοράς νερού (MNDWI) που εφαρμόζεται ως μάσκα.]]

[[Αρχείο:Sximmaa4.png|thumb|left|Εικόνα 4 - Μοντέλο χλωροφύλλης που εφαρμόζεται στο μεσαίο φίλτρο του Ιουλίου-Αυγούστου 2007 σε εικόνες Landsat που καλύπτονται από νερό.]]

[[Αρχείο:Sximaaaa5.png|thumb|left|Εικόνα 5 - Χάρτης διαφοράς από τον Ιούλιο 2006 έως το Αύγουστο του 2007. ( Το πράσινο αντιπροσωπεύει την αύξηση ενώ το μπλε την μείωση.]]

'''Αποτελέσματα'''

Ο χωρικός χάρτης διανομής δείχνει την υψηλή διαφοροποίηση μεταξύ των λιμνών και ο χάρτης διαφορά επεξηγεί τη υψηλή χρονική μεταβλητότητα μέσα και γύρω από την περιοχή ελέγχου LTBB.
Με κάποια κενά στην καταγραφή δειγμάτων , οι επιβλαβείς καταστάσεις μπορούν να περάσουν απαρατήρητες από την περιορισμένη δειγματοληψία, καθώς η ποιότητα των νερών των κοντινών λιμνών μπορεί να μην παρέχει κάποια επαρκή εκτίμηση που δεν περιλαμβάνεται στην εκστρατεία δειγματοληψίας. Μια τρέχουσα ανάλυση τηλεπισκόπησης θα μπορούσε να παρέχει της χρήσιμες χωρικές πληροφορίες καθ’ όλη τη διάρκεια του έτους και κατά τη διάρκεια πολλών ετών . Επιπλέον οι εκτιμήσεις θα μπορούσαν να ληφθούν αναδρομικά με την εφαρμογή των μοντέλων ποιότητας νερού σε ιστορικές εικόνες.

'''Συζήτηση '''

Οι αντιπροσωπείες παρακολούθησης της ποιότητας του νερού , επωφελούνται από τις πολύτιμες χωρικές και χρονικές πληροφορίες που παρέχονται από τις μελέτες τηλεπισκόπησης. Τα χαρακτηριστικά γνωρίσματα της μηχανής Google Earth που εξετάζουν πολλές από τις προκλήσεις της μεγάλης κλίμακας μελετών τηλεπισκόπησης για την ποιότητα νερού , καθιστούν την εφαρμογή πιο εφικτή.

[[category:Υδατικοί Πόροι]]

[[category:Παρακολούθηση, χαρτογράφηση και ανάλυση ποταμών, λιμνών και υγροτόπων]]

Αρχείο:Tupooos1.png

2019-03-13T18:13:16Z

ViviZarkadi:

Αρχείο:Sximaaaa5.png

2019-03-13T18:12:58Z

ViviZarkadi: Εικόνα 5 - Χάρτης διαφοράς από τον Ιούλιο 2006 έως το Αύγουστο του 2007. ( Το πράσινο αντιπροσωπεύει την αύξηση ενώ το μπλε την μείωση).

Εικόνα 5 - Χάρτης διαφοράς από τον Ιούλιο 2006 έως το Αύγουστο του 2007. ( Το πράσινο αντιπροσωπεύει την αύξηση ενώ το μπλε την μείωση).

Αρχείο:Sximmaa4.png

2019-03-13T18:12:14Z

ViviZarkadi: Εικόνα 4 - Μοντέλο χλωροφύλλης που εφαρμόζεται στο μεσαίο φίλτρο του Ιουλίου-Αυγούστου 2007 σε εικόνες Landsat που καλύπτονται από νερό.

Εικόνα 4 - Μοντέλο χλωροφύλλης που εφαρμόζεται στο μεσαίο φίλτρο του Ιουλίου-Αυγούστου 2007 σε εικόνες Landsat που καλύπτονται από νερό.

Αρχείο:Sximaaa3.png

2019-03-13T18:11:35Z

ViviZarkadi: Εικόνα 3 - Περιοχή μελέτης με τον τροποποιημένο ομαλοποιημένο δείκτη διαφοράς νερού (MNDWI) που εφαρμόζεται ως μάσκα.

Εικόνα 3 - Περιοχή μελέτης με τον τροποποιημένο ομαλοποιημένο δείκτη διαφοράς νερού (MNDWI) που εφαρμόζεται ως μάσκα.

Αρχείο:Eikona22.png

2019-03-13T18:08:04Z

ViviZarkadi: Εικόνα 2 - Σχέση μεταξύ προβλεπόμενων και μετρημένων συγκεντρώσεων χλωροφύλλης, χρησιμοποιώντας το βαθμολογημένο μοντέλο από τη μελέτη το�

Εικόνα 2 - Σχέση μεταξύ προβλεπόμενων και μετρημένων συγκεντρώσεων χλωροφύλλης, χρησιμοποιώντας το βαθμολογημένο μοντέλο από τη μελέτη του 2004 στο Michigan.

Αρχείο:Eikona1.png

2019-03-13T18:04:20Z

ViviZarkadi: Εικόνα 1- Απεικόνιση της λήψης των δεδομένων και διοικητικές προκλήσεις: Η πολιτεία του Τέξας θα απαιτούσε πάνω από 2 TB/χρόνο για τα ακατέργα

Εικόνα 1- Απεικόνιση της λήψης των δεδομένων και διοικητικές προκλήσεις: Η πολιτεία του Τέξας θα απαιτούσε πάνω από 2 TB/χρόνο για τα ακατέργαστα δεδομένα. Το αίτημα και η εμφάνιση με την χρήση της μηχανής Google Earth διαρκούν λιγότερο από 0.5 χιλ. του δευτερολέπτου και δεν απαιτείται κανένα σύστημα αποθήκευσης και διαχείρισης των δεδομένων.

Ζαρκάδη Παρασκευή

2019-03-10T16:56:46Z

ViviZarkadi: Νέα σελίδα με 'Θερμική λήψη εικόνων ως βιώσιμο εργαλείο για την παρακολούθηση της πίεσης των φυτών [[category...'

[[Θερμική λήψη εικόνων ως βιώσιμο εργαλείο για την παρακολούθηση της πίεσης των φυτών]]

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

Θερμική λήψη εικόνων ως βιώσιμο εργαλείο για την παρακολούθηση της πίεσης των φυτών

2019-03-10T16:55:10Z

ViviZarkadi: Νέα σελίδα με ''''Συγγραφείς: Manfred STOLL και Hamlyn G. JONES ''' [https://doi.org/10.20870/oeno-one.2007.41.2.851 Πηγή] '''Εισαγωγή''' Ο στόχος αυ...'

'''Συγγραφείς: Manfred STOLL και Hamlyn G. JONES '''

[https://doi.org/10.20870/oeno-one.2007.41.2.851 Πηγή]

'''Εισαγωγή'''

Ο στόχος αυτής της έρευνας ήταν να περιγραφεί μια προσέγγιση για τη χρήση των θερμικών στοιχείων για τα σκιασμένα φύλλα σε σχέση με τις περιοχές εκείνες που εκτέθηκαν πλήρως στον ήλιο και αφετέρου για να γίνει χρήση της υπέρυθρης θερμικής ανάλυσης ως ισχυρό εργαλείο για την μέτρηση των επιδράσεων της ηλιακής ακτινοβολίας στη θερμοκρασία των σταφυλιών. Τα τελευταία 40 χρόνια αναπτύχθηκαν φορητά συστήματα υπέρυθρης θερμικής απεικόνισης στο πεδίο, τα οποία δημιουργούν ευκαιρίες στην έρευνα των μέσων θερμοκρασιών των φυτών πάνω σε μια συγκεκριμένη περιοχή. Ένα πλεονέκτημα της συγκεκριμένης προσέγγισης είναι οι επιφάνειες αναφοράς που επιτρέπουν τις κατάλληλες μετρήσεις της θερμοκρασίας της κόμης στις συγκεκριμένες περιβαλλοντικές συνθήκες.

'''Μεθοδολογία και Αποτελέσματα'''

Πειραματικές Επιφάνειες και Επιφάνειες Αναφοράς: Οι μετρήσεις πεδίου γίνανε στο Υπουργείο Αγροτικής Έρευνας της Πορτογαλίας στη Pegoes τον Ιούλιο 2001. Οι μετρήσεις εφαρμόστηκαν σε αμπέλια (Vitis vinifera, cvs. Moscatel και Periquita), μεγαλωμένα σε αμμώδη εδάφη με νότιο-βόρειο προσανατολισμό. Οι επιφάνεις αναφοράς που συγκρίθηκαν ήταν κυρίως φύλλα αμπελιού τα οποία είτε είχαν ψεκαστεί και στις δυο μεριές με μικρή ποσότητα απορρυπαντικό (1 λεπτό πριν την λήψη θερμικής εικόνας( ή ήταν καλυμμένα με βαζελίνη και στις δυο μεριές. Ως εναλλακτική λύση χρησιμοποιήθηκαν φίλτρα (χαρτιού)νωπά ή στεγνά.Οι θερμικές εικόνες ανακτήθηκαν από μεγάλου κύματος θερμική λήψη με SnapShot 525 μακρύ-κύμα (8-12μm) με 20mm φακούς. Η θερμοκρασία του υποβάθρου των αντικειμένων μετρήθηκε ως ηλιακή ακτινοβολία ενός τσαλακωμένου αλουμινένιου χαρτιού το οποίο τοποθετήθηκε σε παρόμοια θέση με το αντικείμενο όταν παρατηρείται με συντελεστή εκπομπής 1.0 και για τα φύλλα 0.95. Κατά την ανάλυση των θερμικών εικόνων σε σκοτεινό δωμάτιο με θερμοκρασία <0.35C παρατηρήθηκε μικρή απόκλιση των μετρήσεων στην μέση στάθμιση της κάμερας και περισσότερο κατά την αύξηση θερμότητας των ηλεκτρονικών συσκευών, όπως η κάμερα. Οι επιδράσεις αυτές ελαχιστοποιήθηκαν με κατάλληλες διορθώσεις των εικόνων. Οι εξισώσεις που περιγράφουν την ενεργειακή ισορροπία των φύλλων των φυτών συζητούνται εκτενέστερα στην μελέτη, όπου χρησιμοποιήθηκε η τυπική αναδιάταξη της εξίσωσης Pernman-Monteith για την εξάτμιση (Jones,1992 Eq. 9.6 ). [[Αρχείο:Wiki 1 typos.png|thumb|right|Εξίσωση 9.6 Pernman-Mointeith για την εξάτμιση.]]
Οι στατιστικές αναλύσεις πραγματοποιήθηκαν με την μέθοδο ANOVA(Ανάλυση Διακύμανσης/Διασποράς) .

'''Συμπεράσματα'''

Με τις θερμικές αναλύσεις είναι εφικτό να επιλεχθούν ακριβώς τα φύλλα για έρευνα και να αποκλειστούν οι περιοχές έξω από την κόμη των φυτών. Επίσης με τις περιοχές αναφοράς μπορούμε να μετρήσουμε ακριβώς το εύρος της θερμοκρασίας. Τα αληθινά φύλλα έδειξαν πολύ καλές αναφορές λόγω εξαιρετικής μίμησης των ραδιομετρικών και αεροδυναμικών ιδιοτήτων του φυλλώματός τους. Επιπλέον η κατανομή των συχνοτήτων ήταν ξεκάθαρα διαφορετική, με τις ηλιαζόμενες κόμες να διαμορφώνουν πολύ μεγαλύτερο εύρος θερμοκρασίας, ανεξαρτήτως προσανατολισμού. Επίσης υπήρξε μία σημαντική αλληλοεπικάλυψη στις τιμές της θερμοκρασίας που οφείλεται στο γεγονός πως στις περιοχές με σκιασμένα φύλλα υπάρχουν κάποια φωτισμένα φύλλα και αντίστροφα στις σκιασμένες περιοχές υπάρχουν ηλιαζόμενα φύλλα. Η διαφορά θερμοκρασίας μπορεί να σχετίζεται με την υδατική κατάσταση του αμπελιού , αφού τα σταφύλια σε αμπέλια που δεν έχουν ποτιστεί παρουσιάζουν μεγαλύτερη απόλυτη θερμοκρασία σε αντίθεση με τα κορεσμένα από νερό αμπέλια. Η μέση θερμοκρασία των ηλιαζόμενων φύλλων ήταν περίπου 3 υψηλότερα από τα σκιασμένα.Τέλος ο προσανατολισμός των φύλλων έχει μικρή επίδραση στα σκιασμένα φύλλα αλλά πολύ μεγάλη στα ηλιαζόμενα λόγω ηλιακής ακτινοβολίας.

[[Αρχείο:Wiki 1 digital.png|thumb|right|Ψηφιακές εικόνες κόμης αμπέλου (Moscatel)στον ήλιο (a) και στη σκιά(d) και οι αντίστοιχες θερμικές εικόνες (b,e) λαμβανόμενες το πρωί της 20ης Ιουλίου 2001]]

[[Αρχείο:Wiki 1 shaded.png|thumb|left|Σχέση μεταξύ στοματιακής συμπεριφοράς και IG των λιαζόμενων(γεμάτοι κύκλοι) και σκιαζόμενων(κενοί κύκλοι) στις κόμες αμπελιών Moscatel κατά τη 20η Ιουιου 2001]]

'''Σημασία και αντίκτυπος της Μελέτης'''

Η υπέρυθρη θερμική ανάλυση μπορεί να εφαρμοστεί ως πρώτη γραμμή ανίχνευσης για να καθορίσει την αρχή πίεσης των φυτών λόγω των κινήσεων στη στοματική τους κοιλότητα. Αυτή η προσέγγιση μπορεί να δώσει αξιόπιστες και ευαίσθητες ενδείξεις για τη θερμοκρασία των φύλλων και ως εκ τούτου να υπολογίσει την στοματική αγωγιμότητά τους. Ακόμη, η σύνθεση της γεύσης των σταφυλιών εξαρτάται από σύνθετες επιδράσεις μεταξύ του φωτός και της θερμοκρασίας. Έτσι η θερμική απεικόνιση μπορεί να ανιχνεύσει θερμικές πιέσεις στις κόμες των φυτών με σκοπό την βελτίωση της διαχείρισης του φυλλώματος. Η πρόωρη χρήση και εφαρμογή της τηλεπισκόπησης έχει πολύ πιο αποτελεσματική και έγκυρη προσέγγιση στις προγραμματισμένες στρατηγικές μεθόδους σε σχέση με άλλες ,για την υποστήριξη της οινοκαλλιέργειας.

[[category:Εκτίμηση παραγωγής/Απόδοση]]

Αρχείο:Wiki 1 shaded.png

2019-03-10T16:47:03Z

ViviZarkadi: Σχέση μεταξύ στοματιακής συμπεριφοράς και IG των λιαζόμενων(γεμάτοι κύκλοι) και σκιαζόμενων(κενοί κύκλοι) στις κόμες αμπελιών Moscatel κατά τη �

Σχέση μεταξύ στοματιακής συμπεριφοράς και IG των λιαζόμενων(γεμάτοι κύκλοι) και σκιαζόμενων(κενοί κύκλοι) στις κόμες αμπελιών Moscatel κατά τη διάρκεια του πρωινού στις 20 Ιουλίου 2001.

Αρχείο:Wiki 1 digital.png

2019-03-10T16:42:47Z

ViviZarkadi: Ψηφιακές εικόνες κόμης αμπέλου (Moscatel)στον ήλιο (a) και στη σκιά(d) και οι αντίστοιχες θερμικές εικόνες (b,e) λαμβανόμενες το πρωί της 20ης Ιουλίο�

Ψηφιακές εικόνες κόμης αμπέλου (Moscatel)στον ήλιο (a) και στη σκιά(d) και οι αντίστοιχες θερμικές εικόνες (b,e) λαμβανόμενες το πρωί της 20ης Ιουλίου 2001.

Αρχείο:Wiki 1 typos.png

2019-03-10T16:38:20Z

ViviZarkadi: Εξίσωση 9.6 Pernman-Mointeith για την εξάτμιση.

Εξίσωση 9.6 Pernman-Mointeith για την εξάτμιση.