Εντοπισμός περιβαλλοντικών παραγόντων που σχετίζονται με τον κίνδυνο της ελονοσίας στην ακτή της Κένυας με τη βοήθεια της τηλεπισκόπησης
Από RemoteSensing Wiki
Πρωτότυπος Τίτλος: The use of radar remote sensing for identifying environmental factors associated with malaria risk in coastal Kenya
Συγγραφείς: Kaya S. (Canada Centre for Remote Sensing), Pultz J. T. (Canada Centre for Remote Sensing), Mbogo M. C. (Kenya Medical Research Institute, Center for Geographic Medicine Research), Beier C. J. (Tulane University, Department of Tropical Medicine), Mushinzimana E. (International Centre of Insect Physiology and Ecology (ICIPE))
Πηγή: PCI Geomatics, http://www.pcigeomatics.com/index.php?option=com_content&view=article&id=75&Itemid=7
1. Εισαγωγή
Η ελονοσία (μαλάρια) συνεχίζει να αποτελεί για τον άνθρωπο μια από τις περισσότερο θανατηφόρες μεταδιδόμενες ασθένειες, ιδιαίτερα στις αναπτυσσόμενες χώρες. Ο Παγκόσμιος Οργανισμός Υγείας έχει υπολογίσει πως κάθε χρόνο υπάρχουν στον πλανήτη πάνω από 1.000.000 θύματα, το 80% των οποίων εντοπίζεται στις πάνω από τη Σαχάρα αφρικανικές περιοχές. Υπεύθυνα για αυτή την ασθένεια είναι τα κουνούπια γένους Anopheles τα οποία ζουν και αναπαράγονται σε ρηχά νερά. Αντικείμενο της συγκεκριμένης εργασίας ήταν ο εντοπισμός τέτοιων περιβαλλοντικών παραγόντων, κατάλληλων για την ανάπτυξη κουνουπιών, με τη βοήθεια δορυφορικών εικόνων. Πέρα από τη χρήση των δορυφορικών εικόνων RADARSAT-1 (κατάλληλος για να διεισδύει μέσα από τα σύννεφα), χρησιμοποιήθηκαν και τα Γεωγραφικά Συστήματα Πληροφοριών (GIS) προκειμένου να κατασκευαστεί ένας χάρτης επικινδυνότητας για τη σωστή πρόβλεψη της ελονοσίας.
2. Περιοχή και δεδομένα μελέτης
Στη συγκεκριμένη εργασία, περιοχή μελέτης αποτελεί η ανατολική παράκτια πεδιάδα της Κένυα, κοντά στην πόλη Mombasa, εκεί όπου η ελονοσία είναι κυρίαρχο πρόβλημα υγείας. Το περιβάλλον εκεί αποτελεί μια μίξη δάσους, σαβάνας, βάλτων και καλλιεργειών. Η ανάπτυξη των κουνουπιών είναι διαφορετική σε κάθε εποχιακή περίοδο, ενώ είναι πιο έντονη σε περιοχές βάλτων, είτε αυτοί είναι εποχικοί είτε είναι μόνιμα πλημμυρισμένοι και επιτρέπουν την ανάπτυξη δέντρων mangrove, και χαμηλής στάθμης ποτάμια και χείμαρρους κατά την ξηρή περίοδο.
Για τη μελέτη χρησιμοποιήθηκε ο δορυφόρος RADARSAT-1 (ονομαστική χωρική ανάλυση 25m και κάλυψη λήψης (swath coverage) 100km2), από τον οποίο πάρθηκαν τέσσερις συνολικά φωτογραφίες: δυο στην ξηρή περίοδο (20/09/1999 και 09/03/2001) και δυο στην υγρή περίοδο (11/10/2001 και 04/11/2001). Στην περιοχή της Κένυα, ο Μάρτιος σηματοδοτεί το τέλος της ξηρής εποχής με μέση βροχόπτωση 60mm. Η λήψη των εικόνων τον Οκτώβριο και Νοέμβριο του 2001 πραγματοποιήθηκε κατά τη διάρκεια της σύντομης βροχερής περιόδου, με μέσες μηνιαίες τιμές βροχόπτωσης τα 90,2mm και 96,4mm αντίστοιχα. Ακόμα κατηγοριοποιήθηκε η γη σε έξι κατηγορίες (νερό, δάσος 1, δάσος 2, καλλιέργειες, λιβάδια, υγροβιότοποι και αστικές περιοχές), γεγονός που βοήθησε στην ταξινόμηση των εικόνων.
3. Μεθοδολογία
Οι εικόνες επεξεργάστηκαν, φιλτραρίστηκαν και βελτιστοποιήθηκαν προκειμένου να έχουν την όσο το δυνατόν καλύτερη μορφή πριν την ταξινόμησή τους. Με τη βοήθεια ενός προσαρμοστικού φίλτρου (adaptive filter), απομακρύνθηκαν οι τυχόν κηλίδες, ενώ διατηρήθηκαν οι ακμές (edges). Ακόμα πραγματοποιήθηκε στις αρχικές φωτογραφίες ανάλυση υφής (texture analysis) έτσι ώστε να αντληθούν πληροφορίες σχετικά με τον τόνο των εικόνων.
Η ανάλυση εικόνας πραγματοποιήθηκε με τη βοήθεια του λογισμικού eCognition, ένα πακέτο ανάλυσης που κάνει χρήση του αντικειμενοστραφούς προγραμματισμού (object-based approach) και όχι της παραδοσιακής βασιζόμενης στα pixel διαδικασίας (pixel-based routine). Τα δεδομένα της εικόνας ταξινομούνται βάσει «πακέτων» εικονοστοιχείων, γνωστά ως αντικείμενα, τα οποία δημιουργούνται χρησιμοποιώντας μια ρουτίνα τμηματοποίησης. Αυτή η ρουτίνα διαχωρίζει τις γειτονικές περιοχές μιας εικόνας που έχουν μεγάλη αντίθεση (πολύ διαφορετικές τιμές φωτεινότητας) και ενοποιεί τις ομογενείς περιοχές σε ένα αντικείμενο.
Την τμηματοποίηση των εικόνων ακολουθεί η ταξινόμηση, στην οποία χρησιμοποιούνται οι πολυχρονικές εικόνες (αυτές που καλύπτουν την ίδια περιοχή αλλά σε διαφορετικές χρονικές στιγμές και ημερομηνίες) που έχουν φιλτραριστεί και έχουν υποστεί ανάλυση υφής. Η βασική τεχνική ταξινόμησης που χρησιμοποιήθηκε ήταν αυτή των πλησιέστερων γειτόνων (standard nearest neighbour classification)
Τα ταξινομημένα πολύγωνα χρησιμοποιήθηκαν ως επίπεδα στο ΓΣΠ προκειμένου να κατασκευαστεί ο χάρτης επικινδυνότητας για ελονοσία. Η βασική προϋπόθεση για την αξιολόγηση των περιοχών που διατρέχουν κίνδυνο μόλυνσης από ελονοσία ήταν η μέγιστη απόσταση που μπορεί να διανύσει ένα μολυσμένο κουνούπι από τη περιοχή ανάπτυξής του μέχρι την περιοχή όπου μπορεί να μολύνει άνθρωπο. Για αυτόν ακριβώς τον λόγο η κατασκευή του χάρτη επικινδυνότητας απαιτούσε ως κριτήριο τη δημιουργία μιας ζώνης 2 km (buffer) γύρω από τις περιοχές ανάπτυξης των κουνουπιών. Ένα ακόμα κριτήριο ήταν η επιλογή των υγρότοπων στους οποίους ευνοείται η ανάπτυξη των κουνουπιών. Έτσι δημιουργήθηκε ένας χάρτης επικινδυνόητας ο οποίος απεικόνιζε τις κατοικημένες περιοχές που βρίσκονταν σε ακτίνα δυο χιλιομέτρων από υδροβιότοπους.
4. Αποτελέσματα
Η γενική ακρίβεια ταξινόμησης υπολογίστηκε στο 85,5%. Η εικόνα 1 δείχνει τα αποτελέσματα ταξινόμησης για τις κατοικημένες περιοχές, για τις οποίες η ακρίβεια ταξινόμησης είναι 93,2% λόγω της φωτεινής απόκρισης οπισθοσκέδασης του radar (bright radar backscatter response) και της υφής των εικόνων. Η πόλη της Mombasa (το νησί στο νότιο τμήμα της εικόνας) είναι εμφανώς αναγνωρίσιμη, ενώ εντοπίζονται και άλλα μικρότερα χωριά στο μέσο της εικόνας.
Οι ταξινομημένες ως υδροβιότοποι περιοχές φαίνονται στην εικόνα 2. Η ακρίβεια ταξινόμησης αυτής της κλάσης είναι 65,3%, γεγονός που οφείλεται στη σύγχυση των περιοχών «υγροβιότοποι» και «δάσος 1». Το δάσος 1 (δάσος mangrove) αποτελεί μια περιοχή στην οποία αναπτύσσονται τα δέντρα mangrove μέσα σε πλημμυρισμένες από νερό εκτάσεις. Για αυτόν ακριβώς το λόγο, σε μια εικόνα η υφή και τα χαρακτηριστικά οπισθοσκέδασης αυτής της περιοχής ομοιάζουν με αυτά των υγροβιότοπων. Αυτή η ομοιότητα των περιβαλλουσών συνθηκών μπορεί να οδηγήσει στο συμπέρασμα πως και οι δυο κλάσεις μπορούν να αποτελέσουν περιοχές ανάπτυξης κουνουπιών.
Στην εικόνα 3 φαίνεται ο αλγόριθμος δημιουργίας ζωνών υδροβιότοπων, ακτίνας 2km, στις οποίες μπορεί να υπάρχουν μολυσμένα κουνούπια. Τέλος, στην εικόνα 4 απεικονίζεται ο χάρτης επικινδυνότητας ελονοσίας, στον οποίο επισημαίνονται οι κατοικημένες περιοχές οι οποίες απέχουν λιγότερο των 2km από υγρότοπους πιθανής ανάπτυξης κουνουπιών.
5. Συμπεράσματα
Στην παραπάνω μελέτη παρουσιάστηκε η μεθοδολογία χρήσης εικόνων SAR (Synthetic Αperture Radar) για τον εντοπισμό περιοχών γης οι οποίες σχετίζονται με την εμφάνιση μολυσμένων από ελονοσία κουνουπιών. Η χρήση του λογισμικού eCognition κατάφερε να επιδείξει τη σπουδαιότητα της αντικειμενοστραφούς ταξινόμησης των SAR δεδομένων στην ποσοτικοποίηση των προτύπων επιφάνειας, ενώ οι εικόνες του radar RADARSAT-1 έδωσαν μια ξεκάθαρη απεικόνιση της περιοχής μελέτης και μέσα από τα σύννεφα (γεγονός που δε μπορούσε να επιτευχθεί με τους οπτικούς δορυφόρους). Το τελευταίο χαρακτηριστικό, όπως επίσης και η ευαισθησία του SAR στη γεωμετρία των επιφανειών και στην ανίχνευση συνθηκών υγρασίας, καθιστούν την SAR τηλεπισκόπηση πολύ χρήσιμη για τις εφαρμογές παρακολούθησης ασθενειών.
