Many studies have integrated remote

Many studies have integrated remote sensing with GIS technologies in an effort to detect possible mosquito habitat, both in non-urban and urban settings. Zou et al. combined Landsat TM and ETM+ image data from 1999 to 2004 within a GIS to detect potential larval habitats of Cx. tarsalis associated with coalbed methane development with a 72.1% success rate [15]. Cleckner et al. employed Landsat ETM+ data from 2002, along with historical data of mosquito trap counts and climatic data for 2003,
within a GIS to develop a spatial model that would identify mosquito habitats, and also predict mosquito abundance in coastal Virginia, USA [16]. The R2 values for the models ranged from 0.270 to 0.405, but the authors noted that, among other considerations, the distribution of the traps could have been better, and that improving their distribution in future work may increase the effectiveness of their models. In 2011, Hartfield et al. explored the fusion of aerial multispectral NAIP (National Agricultural
Imagery Program) data with Light Detection and Ranging (LiDAR) data to classify the land-cover into eight urban classes which could impact mosquito habitat [17]. The data were processed at one meter spatial resolution and classes representing herbaceous, trees/shrubs, bare ground, pool, water, structures, and shadow were created. The best result was achieved using the four-band NAIP imagery, Normalized Difference Vegetation Index (NDVI)—generated from the NAIP imagery—and LiDAR, and which yielded an overall accuracy of 89.2% and a Kappa coefficient of 0.88. In 2011, Kim et al.
used GeoEye-1® imagery to detect swimming pools in Bakersfield, CA, USA for the purpose of
supporting WNV control efforts [18]. The approach first involved pan-sharpening the four-band visible/near-infrared multispectral data at 4 m resolution with the included panchromatic band with a spatial resolution of 1 m. The pansharpened multispectral data was then subjected to a geographic object-based image analysis (GEOBIA) to extract private swimming pools from the imagery. Kim et al. asserted that this approach would yield better results than more conventional pixel-based classification procedures because it considered spatial attributes such as size, shape, spectral values for each object, and contextual information in the thematic classification [18]. They observed that features such as roads and rooftops had spectral reflectances similar to those of swimming pools, and it was their assertion that the approach using GEOBIA would provide better discrimination between these surfaces. They used the Normalized Difference Water Index (NDWI) to extract swimming pools from other landscape features. The NDWI was first proposed by McFeeters in 1996 to identify non-urban
surface water associated with wetlands [19]. Kim et al. used eCognition® Developer to segment the


NDWI imagery and also to derive the relevant spectral and spatial attributes for each image object. They used Google Earth® imagery to verify the identification of swimming pools. They varied several parameters in their investigation, but the best results that they achieved were an overall classification accuracy of 92.2% and a Kappa coefficient of 0.86. Kim et al. demonstrated that it is possible to integrate remote sensing and GIS and apply object-based image analysis to detect and isolate swimming
pools from other surfaces [18]. However, such an approach would require additional software, and additional training for a technician, before such analyses could be implemented.
The goal of this study was to develop an efficient procedure that would allow a GIS technician to integrate remote sensing, and assess its capability with a GIS of detecting surface features, spatially analyze data, and identify swimming pools that may not be properly maintained, which potentially provide habitat for mosquitoes to breed. It should be noted that although mosquitoes may breed in even very small amounts of water [8,9], the present study is limited to swimming pools as they are more easily detectable using high resolution imagery.

Kết quả (Việt) 1:

Nhiều nghiên cứu đã tích hợp cảm biến từ xa với công nghệ GIS trong một nỗ lực để phát hiện các môi trường sống có thể muỗi, cả hai trong cài đặt không thành phố và khu đô thị. Zou et al. kết hợp Landsat TM và ETM + hình ảnh dữ liệu từ năm 1999 đến 2004 trong GIS để phát hiện các môi trường sống ấu tiềm năng của Cx. tarsalis liên kết với coalbed mêtan phát triển với tỷ lệ thành công 72. 1% [15]. Tuyển dụng CTV Cleckner Landsat ETM + dữ liệu từ năm 2002, cùng với các dữ liệu lịch sử của muỗi cái bẫy đếm và dữ liệu khí hậu năm 2003,trong vòng một GIS để phát triển một mô hình không gian mà có thể xác định các môi trường sống của muỗi, và cũng có thể dự đoán sự phong phú của muỗi ở ven biển Virginia, Hoa Kỳ [16]. Các giá trị R2 cho các mô hình trải dài từ 0.270 để 0.405, nhưng các tác giả lưu ý rằng, trong số các cân nhắc khác, sự phân bố của các bẫy có thể tốt hơn, và rằng việc cải thiện phân phối của họ trong tương lai công việc có thể làm tăng hiệu quả của các mô hình của họ. Năm 2011, Hartfield et al. khám phá fusion trên không multispectral NAIP (quốc gia nông nghiệpHình ảnh chương trình) dữ liệu với phát hiện ánh sáng và Ranging (LiDAR) dữ liệu để phân loại đất-cover thành tám lớp học đô thị mà có thể tác động đến môi trường sống của muỗi [17]. Các dữ liệu đã được xử lý độ phân giải không gian một mét và các lớp học đại diện cho cây thân thảo, cây gỗ/cây bụi, mặt đất trống, ngoài trời, nước, cấu trúc và bóng tối được tạo ra. Kết quả tốt nhất đạt được bằng cách sử dụng hình ảnh của NAIP bốn ban nhạc, chuẩn hoá sự khác biệt thực vật Index (NDVI) — được tạo ra từ các hình ảnh NAIP — và LiDAR và đó mang lại độ chính xác tổng thể 89.2% và một hệ số Kappa 0,88. Năm 2011, Kim et al.GeoEye-1® hình ảnh được sử dụng để phát hiện các hồ bơi tại Bakersfield, CA, Hoa Kỳ cho châm củahỗ trợ các nỗ lực kiểm soát WNV [18]. Cách tiếp cận đầu tiên liên quan đến pan-mài bốn ban nhạc có thể nhìn thấy/hồng ngoại gần dữ liệu multispectral ở độ phân giải 4 m với ban nhạc panchromatic kèm với độ phân giải không gian 1 m. Các dữ liệu multispectral pansharpened sau đó đã phải chịu để phân tích địa lý dựa trên đối tượng hình ảnh (GEOBIA) để trích xuất các hồ bơi riêng từ hình ảnh. Kim et al. khẳng định rằng cách tiếp cận này sẽ mang lại kết quả tốt hơn thường hơn pixel dựa trên phân loại thủ tục bởi vì nó coi là không gian thuộc tính như kích thước, hình dạng, các giá trị phổ cho từng đối tượng, và các thông tin theo ngữ cảnh trong phân loại chuyên đề [18]. Họ quan sát thấy rằng các tính năng như đường giao thông và mái nhà có quang phổ reflectances tương tự như hồ bơi, và đó là khẳng định của cách tiếp cận bằng cách sử dụng GEOBIA sẽ cung cấp tốt hơn phân biệt đối xử giữa các bề mặt. Họ sử dụng các chuẩn hoá khác biệt nước Index (NDWI) để trích xuất các hồ bơi từ các tính năng khác của cảnh quan. NDWI đầu tiên được đề xuất bởi McFeeters vào năm 1996 để nhận dạng phòng không khu đô thịnước mặt gắn liền với vùng đất ngập nước [19]. Sử dụng kim et al. eCognition® phát triển để phân đoạn của NDWI hình ảnh và cũng để lấy được các thuộc tính quang phổ và không gian phù hợp cho từng đối tượng hình ảnh. Họ đã sử dụng hình ảnh Google Earth® để xác minh nhận dạng của hồ bơi. Họ thay đổi một vài tham số trong điều tra của họ, nhưng những kết quả tốt nhất mà họ đã đạt được độ chính xác phân loại tổng thể 92.2% và một hệ số Kappa 0,86. Kim et al. đã chứng minh rằng nó có thể tích hợp viễn thám và GIS và áp dụng hình ảnh đối tượng dựa trên phân tích để phát hiện và cô lập bơiHồ bơi từ các bề mặt khác [18]. Tuy nhiên, một cách tiếp cận như vậy sẽ yêu cầu thêm phần mềm, và đào tạo cho một kỹ thuật viên, trước khi phân tích các bổ sung có thể được thực hiện.Mục tiêu của nghiên cứu này đã phát triển một quy trình hiệu quả mà sẽ cho phép một nhân viên kỹ thuật tích hợp viễn thám, GIS và đánh giá khả năng của mình với GIS phát hiện trên bề mặt tính năng, trong không gian phân tích dữ liệu, và xác định các hồ bơi mà có thể không được đúng cách duy trì, mà có khả năng cung cấp môi trường sống cho muỗi để nuôi. Cần lưu ý rằng mặc dù muỗi có thể sinh sản lượng thậm chí rất nhỏ nước [8,9], nghiên cứu hiện nay là giới hạn trong hồ bơi khi chúng dễ dàng phát hiện bằng cách sử dụng hình ảnh độ phân giải cao.

Kết quả (Việt) 2:

Nhiều nghiên cứu đã được tích hợp cảm biến từ xa với công nghệ GIS trong một nỗ lực để phát hiện môi trường sống muỗi có thể, cả ở những nơi không phải đô thị và đô thị. Zou et al. kết hợp TM Landsat ETM + và hình ảnh dữ liệu 1999-2004 trong GIS để phát hiện môi trường sống của ấu trùng tiềm năng của Cx. tarsalis gắn với phát triển lớp than đá metan với một tỷ lệ thành công 72,1% [15]. Cleckner et al. việc làm Landsat ETM + dữ liệu từ năm 2002, cùng với các dữ liệu lịch sử của tội cái bẫy muỗi và các dữ liệu khí hậu cho năm 2003,
trong một hệ GIS để phát triển một mô hình không gian đó sẽ xác định môi trường sống muỗi, và cũng dự đoán muỗi phong phú ở vùng ven biển Virginia, Hoa Kỳ [16]. Các giá trị R2 cho các mô hình dao động 0,270-0,405, nhưng các tác giả lưu ý rằng, trong số những cân nhắc khác, sự phân bố của các bẫy có thể được tốt hơn, và rằng việc cải thiện phân phối của họ trong công việc tương lai có thể làm tăng hiệu quả của các mô hình của họ. Trong năm 2011, Hartfield et al. khám phá sự hòa NAIP (nông nghiệp quốc gia đa phổ trên không
Chương trình Hình ảnh) dữ liệu với phát hiện ánh sáng và Ranging (LiDAR) dữ liệu để phân loại đất bìa thành tám lớp học đô thị mà có thể ảnh hưởng đến môi trường sống của muỗi [17]. Các số liệu được xử lý ở độ phân giải không gian một mét và các lớp đại diện cho thân thảo, cây / bụi, đất trống, hồ bơi, nước, kết cấu, và bóng tối được tạo ra. Kết quả tốt nhất đạt được bằng cách sử dụng hình ảnh bốn băng tần NAIP, khác biệt bình thường hóa thực vật Index (NDVI) -generated từ NAIP hình ảnh và LiDAR, và đó mang lại độ chính xác tổng thể của 89,2% và hệ số Kappa 0.88. Năm 2011, Kim et al.
Hình ảnh GeoEye-1® được sử dụng để phát hiện các bể bơi ở Bakersfield, CA, Hoa Kỳ cho mục đích
hỗ trợ các nỗ lực kiểm soát WNV [18]. Các phương pháp tiếp cận đầu tiên tham gia chảo gọt bốn băng tần hiển thị / dữ liệu đa phổ cận hồng ngoại ở độ phân giải 4 m với ban nhạc toàn sắc kèm với một độ phân giải không gian của 1 m. Các dữ liệu đa phổ pansharpened sau đó đã phải chịu một hình ảnh phân tích dựa trên đối tượng địa lý (GEOBIA) để trích xuất các bể bơi tư nhân từ hình ảnh. Kim et al. khẳng định rằng phương pháp này sẽ mang lại kết quả tốt hơn so với thủ tục phân loại dựa trên điểm ảnh nhiều hơn thông thường vì nó được coi là thuộc tính không gian như kích thước, hình dạng, các giá trị phổ cho từng đối tượng, và các thông tin theo ngữ cảnh trong việc phân loại theo chủ đề [18]. Họ quan sát thấy rằng các tính năng như đường và mái nhà có reflectances quang phổ tương tự như hồ bơi, và nó đã được khẳng định của họ rằng cách tiếp cận sử dụng GEOBIA sẽ cung cấp sự phân biệt tốt hơn giữa các bề mặt này. Họ đã sử dụng sự khác biệt bình thường hóa Index nước (NDWI) để trích xuất các bể bơi từ các tính năng cảnh quan khác. Các NDWI lần đầu tiên được đề xuất bởi McFeeters vào năm 1996 để xác định không phải đô thị
nước bề mặt gắn liền với vùng đất ngập nước [19]. Kim et al. sử dụng eCognition® phát triển để phân đoạn ảnh NDWI và cũng để lấy được các thuộc tính quang phổ và không gian phù hợp cho từng đối tượng hình ảnh. Họ đã sử dụng hình ảnh của Google Earth® để xác minh nhận dạng của bể bơi. Họ thay đổi một vài thông số trong điều tra của họ, nhưng kết quả tốt nhất mà họ đạt được độ chính xác phân loại tổng thể của 92,2% và hệ số Kappa 0.86. Kim et al. chứng minh rằng nó có thể tích hợp viễn thám và GIS và áp dụng phân tích hình ảnh dựa trên đối tượng để phát hiện và cách ly bơi hồ từ các bề mặt khác [18]. Tuy nhiên, một cách tiếp cận như vậy sẽ đòi hỏi thêm phần mềm, và đào tạo bổ sung cho một kỹ thuật, trước khi phân tích như vậy có thể được thực hiện. Mục tiêu của nghiên cứu này là để phát triển một quy trình hiệu quả mà sẽ cho phép một kỹ thuật viên GIS tích hợp viễn thám và đánh giá khả năng của nó với một GIS phát hiện đặc điểm bề mặt, không gian phân tích dữ liệu, và xác định các hồ bơi có thể không được duy trì đúng cách, trong đó có khả năng cung cấp môi trường sống cho muỗi sinh sản. Cần lưu ý rằng mặc dù muỗi có thể sinh sản trong ngay cả một lượng rất nhỏ nước [8,9], nghiên cứu này được giới hạn ở các bể bơi như chúng được dễ dàng hơn phát hiện sử dụng hình ảnh độ phân giải cao.