Χαρτογραφώντας την Καταλληλότητα του Ενδιαιτήματος του Ιού του Δυτικού Νείλου στο Νότιο Κεμπέκ ...
Από RemoteSensing Wiki
Χαρτογραφώντας την Καταλληλότητα του Ενδιαιτήματος του Ιού του Δυτικού Νείλου στο Νότιο Κεμπέκ και Ανατολικό Οντάριο του Καναδά με Μοντελοποίηση της Διασποράς των Ειδών και Δεδομένα Δορυφορικής Παρατήρησης της Γης
Πρωτότυπος τίτλος: Mapping the Habitat Suitability of West Nile Virus Vectors in Southern Quebec and Eastern Ontario, Canada, with Species Distribution Modeling and Satellite Earth Observation Data
Συγγραφείς: Yi Moua, Serge Olivier Kotch, Antoinette Ludwig, Stéphanie Brazeau
Δημοσιεύθηκε: Remote Sensing MDPI
Σύνδεσμος πρωτότυπου κειμένου: [1]
Εισαγωγή
Οι ασθένειες που μεταδίδονται με φορείς είναι σημαντικό πρόβλημα δημόσιας υγείας. Το γένος Culex (κουνούπια) είναι ένας από του πιο σημαντικούς φορείς των αρμποϊών, όπως του Ιού του Δυτικού Νείλου στην Βόρεια Αμερική. Τα ενήλικα που τον μεταφέρουν έχουν ταυτοποιηθεί ως Culex pipiens και Culex restuans. Η χωρική διασπορά τους καθορίζεται από τα χαρακτηριστικά του τοπίου, τα οποία είναι ευνοϊκά για την εξάπλωσή τους, όπως οι περιοχές με βλάστησης (μικρά δάση και περιοχές με γκαζόν) σε αστικές περιοχές. Επίσης, αναπτύσσονται μέσα τεχνητό περιβάλλον, όπως δοχεία, χρησιμοποιημένα ελαστικά κ.α, καθώς και σε λιμνάζοντα νερά και χαντάκια. Με την παραπάνω γνώση, είναι δυνατό να δημιουργηθούν μοντέλα εξάπλωσης των ειδών, για την καλύτερη παρακολούθηση και έλεγχο του προβλήματος.
Μεθοδολογία
Η περιοχή μελέτης περιλαμβάνει το νότιο Κεμπέκ και το ανατολικό Οντάριο. Για τη μελέτη χρησιμοποιήθηκε το Maxent, μία μέθοδο μηχανικής μάθησης, η οποία χρησιμοποιείται ευρέως για την εκτίμηση του δείκτη καταλληλόλητας των ενδιαιτημάτων. Το μοντέλο βασίζεται στην αρχή της μέγιστης εντροπίας, όπου υπολογίζεται η άγνωστη πιθανότητα της διασποράς σε όλη την περιοχή μελέτης, με την εύρεση της διασποράς, η οποία όχι μόνο μεγιστοποιεί την εντροπία, αλλά και σέβεται τους περιορισμούς των περιβαλλοντικών συνθηκών στην περιοχή όπου βρίσκεται το εν λόγω είδος. Για την επεξεργασία χρησιμοποιήθηκαν γεωαναφερόμενα δεδομένα της περιοχής όπου παγιδεύτηκαν ή παρατηρήθηκαν τα εν λόγω είδη, τον αριθμό των εντόμων αυτών, αλλά και τα περιβαλλοντικά δεδομένα και χαρακτηριστικά της περιοχής. Τα παραπάνω δεδομένα (Annual crop inventory, National Hydro Network, Canadian Digital Elevation Model, Canadian Wetlands Inventory) λήφθηκαν από τους ανάλογους κρατικούς φορείς. Προκειμένου να ληφθούν υπόψιν και τα ακριβή χαρακτηριστικά των αστικών περιοχών, λήφθηκαν 25 εικόνες από τον Landsat-8 OLI/TIRS, για τους μήνες Ιούλιο-Αύγουστο και τα έτη 2014-2018, οι οποίες πριν την ταξινόμηση, ενώθηκαν για τη δημιουργία του μωσαϊκού και στη συνέχεια υπολογίστηκαν οι δείκτες NDVI, NDBI και NDWI. Πραγματοποιήθηκε επιβλεπόμενη ταξινόμηση στους υπολογισμένους δείκτες για τις αστικές περιοχές με το random forest classifier, καθώς και στα τρία κυρίαρχα κανάλια, τα οποία προέκυψαν από την Ανάλυση Κύριων Συνιστωσών. Από αυτά προέκυψαν τέσσερεις κλάσεις: τα δέντρα, το μείγμα της χαμηλής βλάστησης, η μεικτή περιοχή, η οποία περιλαμβάνει χαμηλή βλάστηση και κτίρια και οι πεζοδρομημένες περιοχές.
Οι χρήσεις καλύψεις γης επιβεβαιώθηκαν από παρατηρήσεις στο πεδίο. Επιπλέον σε αυτές συμπληρώθηκαν οι μη αστικές περιοχές, όπου οι καλλιεργούμενες περιοχές ταξινομήθηκαν ως «καλλιέργειες», οι περιοχές με θάμνους και χαμηλή βλάστηση ταξινομήθηκαν ως «θαμνώδης περιοχή» και οι αστικές δενδρώδεις περιοχές, καθώς και τα δάση ταξινομήθηκαν ως «δάσος». Το γειτονικό περιβάλλον παίζει σημαντικό ρόλο στην ανάλυση, επομένως υπολογίστηκαν κάποιοι παράμετροι για κάθε pixel της περιοχής. Συγκεκριμένα, σε πλαίσιο διαστάσεων 2km×2km (το οποίο αντιστοιχεί στη μέση πτήση των συγκεκριμένων ειδών) υπολογίστηκαν η απόσταση του κάθε pixel από το κοντινότερο pixel της κάθε κλάσης, το ποσοστό της κάθε κλάσης στο πλαίσιο αυτό και o αριθμός των διαφορετικών κλάσεων σε κάθε παράθυρο. Μέσω του προγράμματος GRASS GIS και R παράχθηκαν επίπεδα για τους δύο πρώτους παράγοντες σε όλες τις κλάσεις. Το ίδιο χρησιμοποιήθηκε για τον υπολογισμό της κλίσης και αποστράγγισης, από το ψηφιακό μοντέλο εδάφους, από προέκυψε ένα ψηφιοποιημένο επίπεδο ανάλυσης 30m. Λόγω της συγγραμικότητας και της ροπής της δειγματοληψίας προς τις ανθρωπογενείς περιοχές, επιλέχθηκαν συγκεκριμένες μεταβλητές. Στην συνέχεια πραγματοποιήθηκε παραγοντική ανάλυση. Συνολικά 10.000 περιοχές και 21 περιβαλλοντικοί παράγοντες δόθηκαν στο Maxent για επεξεργασία, ενώ πραγματοποιήθηκε προεπεξεργασία, ώστε το μοντέλο να έχει τα κατάλληλα χαρακτηριστικά. Τέλος, το μοντέλο αξιολογήθηκε με κλίμακα 1, 0 και -1, όπου με -1 αξιολογείται η κακή απόδοση και με 0 η περίπτωση όπου το μοντέλο δεν διαφέρει από κάποιο τυχαίο μοντέλο, πραγματοποιήθηκε jackknife test για την για την συνεισφορά του κάθε παράγοντα σε αυτό και δημιουργήθηκε ο χάρτης καταλληλότητας ενδιαιτήματος.
Συμπεράσματα
Σύμφωνα με την αξιολόγηση του Random Forest Classification, η ακρίβεια των αποτελεσμάτων αγγίζει το 80,95%, με τον kappa index να φτάνει το 74,1%. Τα αποτελέσματα αξιολογήθηκαν και από εικόνες του Planet. Επίσης, η τελική αξιολόγηση της ταχείας χαρτογράφησης για τις ημέρες των πλημμυρών έδειξε 85,22% ακρίβεια στην πιο βροχερή μέρα της πλημμύρας και 95,45% στο τέλος αντίστοιχα. Η επεξεργασία των δεδομένων είναι μία απλή διαδικασία, επομένως μπορεί να πραγματοποιηθεί εύκολα σε καταστάσεις έκτακτης ανάγκης. Τέλος, με την μέθοδο της μελέτης υπολογίζονται ταχέως η πλημμυρισμένη έκταση και η ένταση του φαινομένου, το οποίο δεν ισχύει για τις μεθόδους Otsu Thresholing και NDWI. Οι πλήρως πλημμυρισμένες περιοχές μπορούν να αξιολογηθούν και με τις τρεις μεθόδους.
