GR1010544B - Συστημα και μεθοδος προβλεψης παρουσιας/απουσιας για τα τρια γενη προνυμφων (culex, aedes, anopheles) στις εστιες αναπαραγωγης - Google Patents
Συστημα και μεθοδος προβλεψης παρουσιας/απουσιας για τα τρια γενη προνυμφων (culex, aedes, anopheles) στις εστιες αναπαραγωγης Download PDFInfo
- Publication number
- GR1010544B GR1010544B GR20220100925A GR20220100925A GR1010544B GR 1010544 B GR1010544 B GR 1010544B GR 20220100925 A GR20220100925 A GR 20220100925A GR 20220100925 A GR20220100925 A GR 20220100925A GR 1010544 B GR1010544 B GR 1010544B
- Authority
- GR
- Greece
- Prior art keywords
- data
- absence
- larvae
- culex
- aedes
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 241000256111 Aedes <genus> Species 0.000 title claims abstract description 32
- 241000256186 Anopheles <genus> Species 0.000 title claims abstract description 32
- 241000256054 Culex <genus> Species 0.000 title claims abstract description 32
- 230000001488 breeding effect Effects 0.000 claims abstract description 56
- 238000009395 breeding Methods 0.000 claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000007689 inspection Methods 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 241000255925 Diptera Species 0.000 claims description 33
- 230000001418 larval effect Effects 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 239000002352 surface water Substances 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims 1
- 230000009850 completed effect Effects 0.000 claims 1
- 238000013480 data collection Methods 0.000 claims 1
- 230000002572 peristaltic effect Effects 0.000 claims 1
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 15
- 238000012545 processing Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 8
- 241000256113 Culicidae Species 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 238000005507 spraying Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 241000894007 species Species 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 241000710886 West Nile virus Species 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 239000010865 sewage Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000003139 biocide Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000013601 eggs Nutrition 0.000 description 2
- 238000011985 exploratory data analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000002917 insecticide Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 201000004792 malaria Diseases 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000005541 medical transmission Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000003981 vehicle Substances 0.000 description 2
- 241001249681 Anopheles sacharovi Species 0.000 description 1
- 241000132092 Aster Species 0.000 description 1
- 241000219310 Beta vulgaris subsp. vulgaris Species 0.000 description 1
- 239000005996 Blood meal Substances 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 241000256059 Culex pipiens Species 0.000 description 1
- 208000001490 Dengue Diseases 0.000 description 1
- 206010012310 Dengue fever Diseases 0.000 description 1
- 241000219146 Gossypium Species 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 241000819999 Nymphes Species 0.000 description 1
- 241000517039 Ochlerotatus caspius Species 0.000 description 1
- 206010040880 Skin irritation Diseases 0.000 description 1
- 235000021536 Sugar beet Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000013543 active substance Substances 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 208000025729 dengue disease Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 239000002267 larvicidal agent Substances 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 239000004006 olive oil Substances 0.000 description 1
- 235000008390 olive oil Nutrition 0.000 description 1
- 238000003359 percent control normalization Methods 0.000 description 1
- 239000003016 pheromone Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000036556 skin irritation Effects 0.000 description 1
- 231100000475 skin irritation Toxicity 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Epidemiology (AREA)
- Mathematical Physics (AREA)
- Mining & Mineral Resources (AREA)
- Biomedical Technology (AREA)
Abstract
Σύστημα και μέθοδος για τον προσδιορισμό της παρουσίας/ απουσίας των προνυμφών για τα τρία γένη (Culex, Aedes, Anopheles) ανά εστία αναπαραγωγής, χρησιμοποιώντας εξυπηρετητή νέφους για την επεξεργασία των συλλεγόμενων δεδομένων επιθεώρησης και γεωσκόπησης και την εφαρμογή αλγορίθμων Μηχανικής Μάθησης (RF/ XGBoost).
Description
ΣΥΣΤΗΜΑ ΚΑΙ ΜΕΘΟΔΟΣ ΠΡΟΒΛΕΨΗΣ ΠΑΡΟΥΣΙΑΣ/ΑΠΟΥΣΙΑΣ ΓΙΑ ΤΑ ΤΡΙΑ ΓΕΝΗ ΠΡΟΝΥΜΦΩΝ ( Culex, Aedes, Anopheles) ΣΤΙΣ ΕΣΤΙΕΣ ΑΝΑΠΑΡΑΓΩΓΗΣ.
ΠΕΡΙΓΡΑΦΗ
[0001] Τα κουνούπια αποτελούν εν δυνάμει διαβιβαστές σοβαρών μεταδοτικών ασθενειών όπως η ελονοσία, ο δάγκειος πυρετός, ο Ιός του Δυτικού Νείλου και άλλες, και προκαλούν κάθε χρόνο εκατομμύρια θανάτους σε όλο τον κόσμο. Η μείωση των πληθυσμών των κουνουπιών στο υδρόβιο στάδιο της προνύμφης με βιολογικά και χημικά σκευάσματα είναι η κύρια μέθοδο για την αντιμετώπισή τους και την πρόληψη σε σχέση με την εκδήλωση ασθενειών που μεταδίδονται από αυτά. Επικουρικά πραγματοποιείται και καταπολέμηση στο στάδιο του ενηλίκου (στον αέρα) με τη χρήση χημικών βιοκτόνων.
[0002] Η αναπαραγωγή των κουνουπιών πραγματοποιείται σε τέσσερα στάδια μέχρι και την πλήρη ανάπτυξη τους σε ακμαία κουνούπια, πιο συγκεκριμένα η διαδικασία αναπαραγωγής αποτελείται από την ωοτοκία του αυγού (φάση εμβρύου), την μεταμόρφωση του σε προνύμφη, την μεταμόρφωση σε νύμφη και τέλος την ωρίμανση του σε ακμαίο κουνούπι. Ένα θηλυκό κουνούπι εφόσον πραγματοποιήσει ένα γεύμα αίματος ωριμάζουν τα αβγά του τα οποία και τοποθετεί στην επιφάνεια του νερού. Στη συνέχεια εκκολάπτονται οι προνύμφες που είναι υδρόβιες και εφοδιασμένες με δύο αναπνευστικά συστήματα που τους επιτρέπουν να αναπνέουν τόσο κάτω από το νερό όσο και από πάνω. Στην Ευρώπη τρία είναι τα κυρίαρχα γένη κουνουπιών τα Culex, Aedes, Anopheles. Στην περιοχή της Κεντρικής Μακεδονίας της Ελληνικής επικράτειας (συνολικής έκτασης 275 km<2>), γνωστή για την περιοδική υψηλή αναπαραγωγή σε προνύμφες κουνουπιών λόγω της ύπαρξης υγρότοπων (51,4 km<2>) και ορυζώνων (223,5 km<2>), το κυρίαρχο είδος είναι το Ochlerotatus caspius. Επίσης για την συγκεκριμένη περιοχή έχει καταγραφεί ότι το Culex pipiens αποτελεί φορέα μετάδοσης του Ιού του Δυτικού Νείλου στους ανθρώπους ενώ το Anopheles sacharovi είναι πιθανότατα φορέας μετάδοσης της ελονοσίας στην Ελλάδα.
[0003] Η συνήθης πρακτική αντιμετώπισης ελέγχου του πληθυσμού των κουνουπιών που υιοθετείται από τις περισσότερες χώρες είναι ο συστηματικός ψεκασμός. Εντούτοις η χρήση βίοκτόνων (προνυμφοκτόνων και ακμαιοκτόνων) σκευασμάτων ενέχει κινδύνους για το περιβάλλον (συσσώρευση σε υδάτινους πόρους, στη γη και στον αέρα, ανεπιθύμητη δράση σε οργανισμούς μη-στόχους ή/και ωφέλιμα έντομα) αλλά και για τον άνθρωπο (πονοκεφάλους, δερματικούς ερεθισμούς μέχρι και καρκίνο σε περίπτωση μακροχρόνιας μην ορθολογικής χρήσης). Επίσης έχει παρατηρηθεί ότι η επαναλαμβανόμενη χρήση βιοκτόνων για μεγάλο διάστημα μπορεί να οδηγήσει στην ανάπτυξη ανθεκτίκότητας των κουνουπιών έναντι συγκεκριμένων δραστικών ουσιών και να κάνει τις δράσεις καταπολέμησης μη αποτελεσματικές.
[0004] Η παρακολούθηση του πληθυσμού των ακμαίων κουνουπιών έως σήμερα πραγματοποιείται με συμβατικές παγίδες φωτός ή δολώματος φερομόνης που τοποθετούνται στις περιοχές ενδιαφέροντος προς εξαγωγή χρήσιμων πληροφοριών σχετικά με τη δυναμική του στοχευμένου πληθυσμού κουνουπιών. Ένα από τα μεγαλύτερα μειονεκτήματα της μεθόδου παρακολούθησης αυτής αποτελεί η συστηματική παρουσία του προσωπικού (π.χ τεχνικό προσωπικό) στις περιοχές μελέτης σε προκαθορισμένα χρονικά διαστήματα για την καταμέτρηση του παγίδευμένου πληθυσμού κουνουπιών. Επιπλέον με τις πρόσφατες τεχνολογικές εξελίξεις στις τηλεπικοινωνίες και την διαχείριση των big data νέοι, ορίζοντες έχουν ανοιχτεί σχετικά με την επεξεργασία των δεδομένων πεδίου σε πραγματικό χρόνο με σκοπό την λήψη αποφάσεων και την αξιολόγηση του κινδύνου. Ωστόσο τα διαθέσιμα λογισμικά επικεντρώνονται κυρίως στα δεδομένα παρακολούθησης ακμαίων κουνουπιών, την παρακολούθηση της ανθεκτικότητας που παρουσιάζουν στα εντομοκτόνα, στην μοντελοποίηση του προσδιορισμό του επιπέδου αφθονίας τους ή του κινδύνου μετάδοσης ασθενειών. Γενικότερα η διερευνητική ανάλυση των δεδομένων κι ο προσδιορισμός της παραγωγικότητας των προνυμφών στις εστίες αναπαραγωγής αποτελεί ιδιαίτερα επίπονη διαδικασία και συνήθως εκτελείται. εκ των υστέρων κι όχι σε πραγματικό χρόνο με στόχο την ιεράρχηση των εστιών αναπαραγωγής για μελλοντικές δράσεις καταπολέμησης. Ακόμη με την πρόοδο των τεχνικών Μηχανικής Μάθησης καί της Τεχνητής Νοημοσύνης νέα καίνοτόμα εργαλεία έχουν αναπτυχθεί. Οι αναφερόμενες τεχνικές εστιάζουν κυρίως στην πρόβλεψη του πληθυσμού των ακμαίων κουνουπιών και στην πρόβλεψη μετάδοσης ασθενειών, όπως μέτρησης και πρόβλεψης των προνυμφών κουνουπιών εντός έξυπνων παγίδων. Εντούτοις, καμία από τις προαναφερόμενες τεχνικές δεν προβλέπει την πιθανότητα ύπαρξης/ απουσίας των προνυμφών κουνουπιών σε φυσικούς οικότοπους επιφανειακών υδάτων, (υγροβιότοποι, αρδευτικά κανάλια, πλημμυρισμένα αγροτεμάχια και άλλα).
[0005] Έχει αποδειχθεί ότι βασικό στοιχείο για την καταγραφή δεδομένων και για την υποστήριξη αποφάσεων αποτελεί η χαρτογράφηση όλων των εν δυνάμει εστιών αναπαραγωγής προνυμφών με μέσα Γεωγραφικών Πληροφοριακών Συστημάτων (GIS), με σκοπό την δημιουργία επιχειρησιακών χαρτών όπου ξεκάθαρα οριοθετούνται οι σταθμοί δειγματοληψίας που θα χρησιμοποιηθούν από το τεχνικό προσωπικό για την διεξαγωγή ενεργειών παρακολούθησης και ψεκασμού. Επιπρόσθετα η τηλεπισκόπηση παρέχει αποτελεσματικά μέσα χαρτογράφησης της περιοχής, της έκτασης και των αλλαγών των επιφανειακών υδάτων με την πάροδο του χρόνου. Συνεπώς η πρόοδος της τηλεπισκόπησης καθώς και η αυξανόμενη διαθεσιμότητα των δεδομένων γεωσκόπησης (Earth Observation Data) παρέχουν πλούτο δεδομένων που μπορούν να αξιοποιηθούν με χρήση αλγορίθμων Μηχανικής Μάθησης. Με τον όρο Μηχανική Μάθηση εννοούμε την δυνατότητα των ηλεκτρονικών υπολογιστών να μαθαίνουν χωρίς συγκεκριμένο προγραμματισμό. Πιο συγκεκριμένα οι αλγόριθμοι Μηχανικής Μάθησης κατά την διερευνητική ανάλυση των δεδομένων μπορούν να μάθουν και να καταρτίσουν μοτίβα συμπεριφοράς εντός του συνόλου δεδομένων και αυτόματα να πραγματοποιούν μελλοντικές προβλέψεις που μπορούν να χρησιμοποιηθούν για την εξαγωγή συμπερασμάτων. Η εποπτευόμενη Μηχανική Μάθηση κατασκευάζει συναρτήσεις που απεικονίζουν δεδομένες εισόδους σε γνωστές επιθυμητές εξόδους με απώτερο σκοπό την γενίκευση των συναρτήσεων και για εισόδους με άγνωστες εξόδους.
[0006] Ως απαραίτητη προϋπόθεση για την αντιμετώπιση των κουνουπιών στο στάδιο της προνύμφης (προνυμφοκτονία) κρίνεται. ο εντοπισμός και η καταγραφή του συνόλου των εν δυνάμει εστιών αναπαραγωγής τους. Στην υλοποίηση της παρούσας εφεύρεσης ορίστηκαν 26 διαφορετικοί τύποι, ως εστίες αναπαραγωγής (χωματερές, βιολογική επεξεργασία λυμάτων, βόθρος δεξαμενές λάστιχα, υγρότοπος κανάλια αποστράγγισης, λίμνες, λακκούβες, νεκροταφεία, λύματα, πηγάδια, πισίνες, πλημμυρισμένες περιοχές, αγροτικά σημεία ύδρευσης, υδάτινα ρεύματα, σημειακές πηγές, σκουπίδια, κτηνοτροφίκές μονάδες, δεξαμενές νερού, σιντριβάνια, βρύσες, λεκάνες αποχέτευσης, χαλασμένα ελαιόλαδα, κανάλια βροχής και ποτιστήρια ζώων).
ΑΠΟΚΑΛΥΨΗ ΤΗΣ ΕΦΕΥΡΕΣΗΣ
[0007] Ως εκ τούτου για την αντιμετώπιση όλων των προαναφερόμενων προβλημάτων δημιουργήθηκε η ανάγκη για την ανάπτυξη ενός συστήματος και μίας αυτοματοποιημένης μεθόδου καταγραφής της παρουσίας/απουσίας προνυμφών σας εστίες αναπαραγωγής σε πραγματικό χρόνο. Η εφαρμογή του αιτούμενου για προστασία συστήματος και της μεθόδου έλαβε χώρα στην περιοχή της Κεντρικής Μακεδονίας, της Δυτικής Ελλάδας και της Κρήτης της Ελληνικής επικράτειας χωρίς όμως αυτό να αποτελεί περιοριστικό παράγοντα καθώς το προτείνόμενο σύστημα και η μέθοδος δύναται να τροποποιηθούν κατάλληλα και να υλοποιηθούν για οποιαδήποτε άλλη περιοχή. Ειδικότερα, εξειδικευμένο τεχνικό προσωπικό με χρήση εφαρμογής τάμπλετ όπου είναι καταχωρημένοι ψηφιακοί επιχειρησιακοί χάρτες καταγραφής σταθμών δειγματοληψίας και εστιών αναπαραγωγής προνυμφών, κατά την φυσική τους παρουσία σας οριζόμενες εστίες διενεργούν επί τόπου μαζικές δειγματοληψίες προνυμφών και ιδιαίτερα του γένους των Culex, Aedes, Anopheles. Η κατασκευή λεπτομερών επιχειρησιακών χαρτών έχει ως στόχο τόσο την καλύτερη παρακολούθηση της ύπαρξης και εξέλιξης των προνυμφών όσο και την ακριβή υπόδειξη των επιφανειών ψεκασμού. Στους χάρτες αυτούς σχεδιάζονται οι υδάτινοι αποδέκτες, διάφορα τοπογραφικά χαρακτηριστικά στοιχεία και καθορίζονται οι σταθμοί δειγματοληψίας προνυμφών κουνουπιών, αφού έχει προηγηθεί η σήμανση τους στο πεδίο. Αποτυπώνονται όλες οι εστίες αναπαραγωγής κουνουπιών σε όλα τα συστήματα (αγροτικό, περιαστικό, φυσικό και αστικό), καθορίζονται με ακρίβεια οι σταθμοί δειγματοληψίας προνυμφών κουνουπιών και παρουσιάζεται η κωδικοποιημένη ονοματολογία όλων των δειγματοληπτικών σταθμών (μοναδικός κωδικός αριθμός για κάθε μία εστία). Δειγματοληψίες προνυμφών πραγματοποιούνται σε δειγματοληπτικούς σταθμούς που είναι προσβάσιμοι και που περιέχουν νερό σε ολόκληρο ή σε μέρος της επιφάνειας τους (κανάλια αποστράγγισης, υδάτινοι οδοί, σημειακές πηγές, υγρότοποι και προσωρινά πλημμυρισμένες περιοχές σε περιαστικές και αστικές περιοχές).
[0008] Το τεχνικό προσωπικό κατά την περιοδική διενέργεια δειγματοληψιών (ανά 7-15 μέρες) στους οριζόμενους σταθμούς δειγματοληψίας από τους ψηφιακούς επιχειρησιακούς χάρτες, καταχωρεί κωδίκοποιημένα σε ειδική ψηφιακή εφαρμογή του τάμπλετ τα εξής 12 δεδομένα επιθεώρησης: ημερομηνία επίσκεψης συνεργείου, περιφέρεια-περιφερειακή ενότητα-δήμος και Οικισμός, κωδικός δειγματοληπτικού σταθμού ελέγχου, αριθμός συλλεχθέντων δειγμάτων, πλήθος και αναπτυξιακό στάδιο προνυμφών κουνουπιών ξεχωριστά για τα τρία γένη ( Culex , Aedes, Anopheles), έκταση του δειγματοληπτικού σταθμού, έκταση της πλημμυρισμένης επιφάνειας και έκταση της ψεκασθείσας επιφάνειας, έκταση του δειγματοληπτικού σταθμού με παρουσία προνυμφών κουνουπιών, είδος σκευάσματος -ποσότητα σκευάσματος και ποσότητα ψεκαστικού διαλύματος, παρατηρήσεις που αφορούν την φύση της εστίας όπως εστία χωρίς νερό (στεγνή εστία) - επίπεδο ροής νερού στην εστία -παρουσία λυμάτων- παρουσία ακμαίων κουνουπιών -παρουσία πυκνής βλάστησης- αδυναμία πρόσβασης στην εστία -αδυναμία δειγματοληψίας - αδυναμία ψεκασμού - προληπτικός ψεκασμός, παρατηρήσεις- προβλήματα συνεργείου, λήψη στίγματος GPS, λήψη φωτογραφίας. Επιπλέον για τον προσδιορισμό του αριθμού των προνυμφών χρησιμοποιείται μία κλίμακα 5 σημείων (απουσία, επίπεδο αφθονίας 1 = 1-7 προνύμφες, επίπεδο αφθονίας 2 = 8-15 προνύμφες, επίπεδο αφθονίας 3 = 15-25 προνύμφες, επίπεδο αφθονίας 4 = > 25 προνύμφες) για κάθε ένα από τα τρία κυρίαρχα γένη (Culex, Aedes, Anopheles).
[0009] Η υπολογιστική συσκευή τάμπλετ (δεν δείχνεται) περιλαμβάνει επεξεργαστή για την εκτέλεση προγραμματιστικών εντολών που είναι αποθηκευμένες σε μνήμη, οθόνη για την απεικόνιση πληροφοριών στο χρήστη της συσκευής, ηχείο, διασύνδεση χρήστη που περιέχει μέσα εισαγωγής από χρήστη (πληκτρολόγιο, ποντίκι, touch pad κλπ) αλλά και μέσα εισόδου ήχου, κάμερα, αισθητήρια (γυροσκόπιο, επίταχυνσίόμετρο κλπ), GPS. Το λογισμικό της υπολογιστικής συσκευής αφορά τον συντονισμό των λειτουργιών της συσκευής, εφαρμογές περιήγησης στο δίκτυο, το γραφικό περιβάλλον, την ανάπτυξη και απεικόνιση ψηφιακών επιχειρησιακών χαρτών κι οποίαδήποτε άλλη δυνατή εφαρμογή στη συσκευή. Η μονάδα επικοινωνίας της υπολογιστικής συσκευής επιτρέπει την επικοινωνία της συσκευής με άλλα υπολογιστικά συστήματα μέσω δικτύου κινητής τηλεφωνίας ή οποίαδήποτε άλλου δικτύου. Τα καταγεγραμμένα κωδικοποιημένα δεδομένα αποστέλλονται σε πραγματικό χρόνο μέσω διαδικτύου με σκοπό την αποθήκευση σε απευθείας σύνδεση βάση δεδομένων του εξυπηρετητή νέφους.
[0010] Η διαδικτυακή πλατφόρμα του εξυπηρετητή νέφους αποτελεί το κύριο συστατικό της υλοποίησης της παρούσας εφεύρεσης καθώς είναι το εργαλείο που χρησιμοποιείται για τον έλεγχο των προνυμφών και για τον προγραμματισμό των επιμέρους δραστηριοτήτων. Αποτελείται από λογισμικό παρακολούθησης δεδομένων και την ψηφιακή εφαρμογή του τάμπλετ (εφαρμογή που καταχωρούνται τα δεδομένα πεδίου μέσω τάμπλετ από το προσωπικό). Οι διαδικτυακές εφαρμογές (σχέδιο 1) που αναπτύσσονται περιλαμβάνουν τις εξής οχτώ λειτουργίες 1) το χρονοδιάγραμμα των προγραμματιζόμενων δράσεων 2) τις αναφορές δεδομένων πεδίου κατά την παρακολούθηση των προνυμφών σε υγρότοπους, αγροτικά, αστικά, περιαστικά συστήματα 3) τον χάρτη με τις εστίες αναπαραγωγής των προνυμφών 4) την παρακολούθηση της κίνησης σε πραγματικό χρόνο του στόλου των οχημάτων που συμμετέχουν στο όλο εγχείρημα 6) την πρόβλεψη της όχλησης λόγω κουνουπιών 7)τα στατιστικά στοιχεία για τις δράσεις που πραγματοποιήθηκαν στο πεδίο 8) χάρτες των ανιχνευόμενων επιφανειών υδάτων με τηλεπισκόπηση. Βασικό δομικό στοιχείο της διαδικτυακής πλατφόρμας αποτελεί η γεωβάση δεδομένων με περισσότερες από 260000 ψηφιοποιημένες και γεωαναφερόμενες πιθανές τοποθεσίες αναπαραγωγής κουνουπιών σε υγρότοπους, αγροτικά, περιαστικά και αστικά συστήματα. Γεωγραφικά Πληροφοριακά Συστήματα χρησιμοποιούνται για την οπτικοποίηση των 26 διαφορετικών εστιών αναπαραγωγής προνυμφών.
[0011] Σε μία υλοποίηση της εφεύρεσης οι εξυπηρετητές νέφους που χρησιμοποιούνται περιλαμβάνουν μία ή περισσότερες επεξεργαστικές μονάδες για την εκτέλεση εντολών σε πλήθος διαφορετικών λειτουργικών συστημάτων όπως UNIX, LINUX, Microsoft Windows. Oι επεξεργαστικές μονάδες συνδέονται με ενσωματωμένη μονάδα αποθήκευσης για την αποθήκευση κι ανάκτηση των συλλεγόμενων δεδομένων ενώ η μονάδα μνήμης μπορεί να είναι δυναμική ή στατική μνήμη τυχαίας προσπέλασης (SRAM/DRAM), μνήμη μόνο για ανάγνωση (ROM), μνήμη μόνο για ανάγνωση προγραμματιζόμενη -διαγράψιμη (EPROM). Oι αναφερόμενες μνήμες αποτελούν ένα παράδειγμα και δεν αποτελούν περιοριστικό παράγοντα καθώς κι άλλοι, τύποι, μνημών μπορούν να χρησιμοποιηθούν για την αποθήκευση υπολογιστικών προγραμμάτων. Ο βασικός εξυπηρετητής νέφους που χρησιμοποιείται για τον έλεγχο των προνυμφών συνδέεται με βάση δεδομένων η οποία περιέχει τα δεδομένα 12 μετρήσεων που μεταδίδονται σε πραγματικό χρόνο από το προσωπικό κατά την φυσική τους παρουσία σας επιλεγόμενες εστίες παρακολούθησης προνυμφών. Η είσοδος στη βάση δεδομένων από το διαπιστευμένο προσωπικό πραγματοποιείται κατόπιν διαδικασίας επαλήθευσης των προσωπικών τους στοιχείων. Επιπρόσθετα πλήθος άλλων δεδομένων σχετικού ενδιαφέροντος όπως χαρτογραφικά δεδομένα της περιοχής των εστιών παρακολούθησης είναι πιθανό να αποθηκεύονται στην βάση δεδομένων προς αξιοποίηση τους.
[0012] Για την πραγματοποίηση τριών διακριτών μοντέλων πρόβλεψης της παρουσίας/ απουσίας για τα τρία γένη προνυμφών ( Culex , Aedes, Anopheles), πέραν από τα καταγεγραμμένα απεσταλμένα δεδομένα επιθεώρησης κατά την φυσική παρουσία του τεχνικού προσωπικού στους σταθμούς δειγματοληψίας προνυμφών, χρησιμοποιούνται και τα δεδομένα γεωσκόπησης (δεδομένα τηλεπισκόπησης, μετεωρολογικά-κλίματολογικά δεδομένα, τοπογραφικά δεδομένα, περιβαλλοντικά δεδομένα, δημογραφικά δεδομένα (ομαδοποίηση χωριών)). Η μηχανή Google Earth (Google Earth Engine -GEE) είναι ένας εξυπηρετητής νέφους που επιτρέπει την πρόσβαση καί την επεξεργασία δεδομένων τηλεπισκόπησης σε παγκόσμια κλίμακα. Ο κατάλογος των δεδομένων που περιέχει περιλαμβάνει κυρίως δορυφορικά δεδομένα και παρατηρήσεις (Landsat, Sentinel 1,2,3, MODIS, ASTER), δεδομένα κάλυψης γης, περιβαλλοντικά δεδομένα, κλιματικές προβλέψεις, γεωφυσικά και κοινωνικο-οικονομικά σύνολα δεδομένων. Τα δεδομένα γεωσκόπησης επεξεργάζονται για την εξαγωγή χαρακτηριστικών από τις δορυφορικές εικόνες των τοποθεσιών όπου διενεργείται δειγματοληψία από το τεχνικό προσωπικό σε καθορισμένες ημερομηνίες επιθεώρησης.
[0013] Τα δεδομένα τηλεπισκόπησης προκύπτουν κατά την επεξεργασία των δορυφορικών εικόνων (Sentinel data) στην δικτυακή πλατφόρμα του εξυπηρετητή νέφους (GEE). Για την μείωση των συλλεγόμενων δορυφορικών εικόνων καθορίζεται η τοποθεσία ενδιαφέροντος (Κεντρική Μακεδονία), το χρονικό διάστημα (1/1/2018 -31/12/2020), και το ποσοστό νέφωσης να είναι μικρότερο από 20% στην περιοχή ενδιαφέροντος. Κατόπιν 4 δείκτες τηλεπισκόπησης υπολογίζονται για κάθε εικόνα. Ο κανονικοποιημένος δείκτης βλάστησης διαφοράς (NDVI), ο κανονικοποιημένος δείκτης νερού διαφοράς (NDWI), ο κανονικοποιημένος δείκτης υγρασίας διαφοράς (NDMI), ο κανονικοποιημένος δείκτης κατασκευής διαφοράς (NDBI). Έπειτα λαμβάνονται χρονοσειρές εντός ζώνης αναφοράς 50m, 200m, 1000m, 5000m γύρω από τους σταθμούς δειγματοληψίας. Για τις επικαλυπτόμενες περιοχές όλες οι εικόνες συγχωνεύονται δίνοντας μοναδική έξοδο την μέρα με τις μέγιστες τιμές των δεικτών τηλεπισκόπησης (NDVI,NDWI,NDMI,NDBI). Τέλος οι χρονοσειρές αποθηκεύονται σε csv αρχείο στο google drive.
[0014] Τα μετεωρολογικά-κλιματολογικά δεδομένα περιλαμβάνουν την θερμοκρασία επιφάνειας γης, τα συμβάντα βροχόπτωσης και την θερμοκρασία αέρα. Η θερμοκρασία επηρεάζει τον πληθυσμό των κουνουπιών παρατείνοντας την περίοδο αναπαραγωγής τους. Από το MODIS ανακτάται η ημερήσια και βραδινή θερμοκρασία της επιφάνειας της γης (Land Surface Temperature). Oι βροχοπτώσεις εν γένει ευνοούν την ταχεία αναπαραγωγή των προνυμφών ενώ η θερμοκρασία αέρος είναι καθοριστική για την ανάπτυξη και την επιβίωση των προνυμφών. Η επεξεργασία των δορυφορικών εικόνων για την ανάκτηση των παραπάνω κλιματικών δεδομένων διεξάγεται στην δικτυακή πλατφόρμα του εξυπηρετητή νέφους (GEE). Όπως αναφέρθηκε και παραπάνω τα δεδομένα τηλεπισκόπησης διαδραματίζουν σημαίνοντα ρόλο στην χαρτογράφηση της τοποθεσίας και της έκτασης των επιφανειακών υδάτων ως πιθανές εστίες αναπαραγωγής προνυμφών. Η επεξεργασία των Synthetic Aperture Radar εικόνων επιτρέπει την χαρτογράφηση και παρακολούθηση της παρουσίας καί έκτασης των επιφανειακών υδάτων σε υγρότοπους και ορυζώνες. Η συγκεκριμένη διεργασία πραγματοποιήθηκε στο κύριο εξυπηρετητή νέφους βάσείτης Otsu Valley μεθόδου αποδίδοντας την περιβαλλοντική μεταβλητή (water_100).
[0015] Πλήθος άλλων δεδομένων αξιοποιούνται από το εξυπηρετητή νέφους για την υλοποίηση τριών διακριτών προβλέψεων για τα τρία γένη προνυμφών ( Culex , Aedes, Anopheles). Τα τοπογραφικά δεδομένα είναι ευρέως γνωστό ότι διαδραματίζουν καθοριστικό ρόλο στο επίπεδο αφθονίας και κατανομής των κουνουπιών. Kι αυτό διότι παρέχουν πληροφορίες για το γεωγραφικό υπόβαθρο όπου τα γένη των κουνουπιών αναπτύσσουν τον οικότοπο τους. Παράμετροι όπως οι μέσες τιμές του υψόμετρου, της κλίσης, της όψης και της συσσωρευμένης ροής ανακτώνται σε μια ζώνη αναφοράς 50m, 200m, 500m, 1000m γύρω από τις εστίες αναπαραγωγής. Ακόμη υπολογίζεται η απόσταση όλων των εστιών αναπαραγωγής από την ακτογραμμή.
[0016] Τα περιβαλλοντικά δεδομένα αποτελούν ουσιαστικούς παράγοντες επίδρασης της οικολογίας των ειδών των προνυμφών. Διαχρονικές αλλαγές στη χρήση και στην κάλυψη της γης επιδρούν στο επίπεδο αφθονίας και στην κατανομή των κουνουπιών. Υπολογίζονται η μέση τιμή των επιφανειακών υδάτων και της υγρασίας σε μια ζώνη αναφοράς 500m, 1000m, 5000m γύρω από τις εστίες αναπαραγωγής καθώς και το συνολικό μήκος των υδάτινων ρευμάτων ως συνδυασμός του μήκους των χαρτογραφημένων τόπων αναπαραγωγής και του μήκους των υδατο-ρεμάτων των εθνικών υδρολογικών δεδομένων. Επίσης πραγματοποιήθηκε ομαδοποίηση των χωριών στην περιοχή της Κεντρικής Μακεδονίας με σκοπό την βελτιστοποίηση της λειτουργίας σχεδιασμού της δειγματοληψίας των προνυμφών και των ψεκαστικών παρεμβάσεων. Για την υλοποίηση της ομαδοποίησης των χωριών συλλέχθηκαν εβδομαδιαία κοινωνίκο-οικονομικά , περιβαλλοντικά και μετεωρολογικά δεδομένα για την περίοδο 1/1/2010 έως και 31/12/2019 για 1022 χωριά με πληθυσμό λιγότερο από 10000 κατοίκους δημιουργώντας ένα σύνολο δεδομένων 549,936 εγγραφών. Κατά την επεξεργασία του προκύπτοντος συνόλου δεδομένων ανακτήθηκαν 25 βέλτιστα χαρακτηριστικά για την περιοχή μελέτης:
Κλιματικά χαρακτηριστικά (10) - συσσωρευμένη βροχή την τελευταία εβδομάδα/τελευταίο μήνα/ κι από την αρχή του έτους, μέρες δείγματος, ημερήσια και νυχτερινή θερμοκρασία επιφάνειας γης, μέγιστη/ελάχιστη/μέση θερμοκρασία, μέση ταχύτητα ανέμου.
Τοπογραφικά χαρακτηριστικά (3) - υψόμετρο, κλίση, όψη.
Υδρογραφικά χαρακτηριστικά (4) - συσσωρευμένη ροή, απόσταση από την κοντινότερη υδάτινη επιφάνεια, NDVI, απόσταση από την ακτή.
Χαρακτηριστικά χρήση γης (3 ονομαστικά και 3 αριθμητικά) - ρύζι ή ζαχαρότευτλα ή βαμβάκι ή λαχανικά ή λιβάδια ή τεχνητά, ασυνεχές αστικός ιστός ή μόνιμα αρδευόμενες εκτάσεις, μήκος υδάτινου ρεύματος, παρουσία σηπτικής δεξαμενής (ναι/όχι), NDBI,NDVI.
Χαρακτηριστικά απογραφής (2) - συνολικός πληθυσμός, ηλικιωμένος πληθυσμός (>60).
[0017] Από την συλλογή των παραπάνω δεδομένων στον εξυπηρετητή νέφους προέκυψε ένα σύνολο δεδομένων 230,955 παρατηρήσεων για τρία διαδοχικά έτη 2018-2020 με συνολικά 268 μεταβλητές. Oι προκύπτουσες αναφερόμενες μεταβλητές είναι διαφορετικής μορφής με συνέπεια να διεξάγονται διαδικασίες προ-επεξεργασίας όπως καθαρισμού, κανονιχοποίησης, κωδικοποίησης, εναρμόνισης και ποιοτικού ελέγχου ώστε να μπορούν να χρησιμοποιηθούν για την υλοποίηση των τριών διακριτών μοντέλων πρόβλεψης παρουσίας/απουσίας των ειδών ( Culex , Aedes, Anopheles) σας εστίες αναπαραγωγής. Αναλυτικότερα, λόγω ότι το προκύπτον σύνολο δεδομένων είναι μη ισορροπημένο (14,3% Culex , 4,1% Aedes, 2,6% Anopheles) εφαρμόζονται οι τεχνικές υπερδείγματοληψίας της μειονοτικής τάξης SMOTE (Synthetic Minority Oversampling Technique) και ENN (Edited Nearest Neighbor) δημιουργώντας έτσι νέα παραδείγματα (επαύξηση δεδομένων - data augmentation) για την μειονοτική τάξη μέχρι την επίτευξη εξισορρόπησης της κατανομής των τάξεων. Επίσης κατά την επεξεργασία των δεδομένων επιθεώρησης που αποστέλλονται από το τεχνικό προσωπικό και καταχωρούνται στην απευθείας σύνδεση βάση δεδομένων του κύριου εξυπηρετητή νέφους, επιτελεΐται μετασχηματισμός των δεδομένων και προκύπτει η μεταβλητή breeding site = dry που δηλώνει κατά πόσο η εστία αναπαραγωγής είναι ξηρή ή όχι. Η συγκεκριμένη πληροφορία λαμβάνεται υπόψη μόνο όταν τις τελευταίες 15 μέρες δεν υπάρχει αύξηση (όπως εκαμάται από το Wamos αλγόριθμο) των επιφανειακών υδάτων σε μία ζώνη αναφοράς 1000m γύρω από την εστία αναπαραγωγής (wamos_1000). Για την μείωση της αβεβαιότητας που επιφέρουν τα συμβάντα βροχής ή άλλων περιστατικών εισροής νερού ανάμεσα σας ημερομηνίες επιθεωρήσεις των εστιών δημιουργήθηκε μία νέα μεταβλητή η dry site over time. Η πληροφορία της μεταβλητής αυτής συλλέγεται από το τεχνικό προσωπικό κατά την επιτόπου τελευταία τους επίσκεψη στις εστίες αναπαραγωγής καταγράφοντας κατά πόσο υπάρχει νερό σας εστίες. Η ύπαρξη νερού σας υπό παρακολούθηση εστίες επαληθεύεται με την ανάλυση των Synthetic Aperture Radar εικόνων που επιτρέπουν την χαρτογράφηση και παρακολούθηση της παρουσίας και έκτασης των επιφανειακών υδάτων σας εστίες. Η dry site over time είναι μία πάρα πολύ σημαντική μεταβλητή που επηρεάζει τα τρία μοντέλα προβλέψεων των τριών ειδών κουνουπιών καθώς μεταφέρει σε πραγματικό χρόνο πληροφορία από το πεδίο επιτρέποντας στα μοντέλα πρόβλεψης να αποδώσουν με μεγαλύτερη ακρίβεια την παρουσία των προνυμφών σας εστίες αναπαραγωγής. Επιπλέον λόγω του γεγονότος ότι η συγκεκριμένη πληροφορία διατίθεται συνεχώς από την διαδικτυακή πλατφόρμα του εξυπηρετητή στα τρία διακριτά μοντέλα πρόβλεψης, διασφαλίζεται η λειτουργική δυναμική των μοντέλων ενώ διενεργούνται και λιγότερες επισκέψεις σας εστίες αναπαραγωγής για ενέργειες ελέγχου των κουνουπιών. Το τελικό σύνολο δεδομένων που προκύπτει κατόπιν του καθαρισμού και της προ-επεξεργασίας των δεδομένων περιέχει συνολικά 230,627 παρατηρήσεις από τις υπό παρακολούθηση εστίες αναπαραγωγής.
[0018] Στη συνέχεια διενεργειται στα προ-επεξεργασμένα δεδομένα επιλογή των πιο σχετικών χαρακτηριστικών (feature selection) εφαρμόζοντας την τεχνική της Αναδρομικής Εξάλειψης Χαρακτηριστικών (Recursive Feature Elimination -RFE). Στο σχέδιο 2α απεικονίζεται ο πίνακας με τα 32 σημαντικότερα χαρακτηριστικά που χρησιμοποιήθηκαν από τα τρία μοντέλα πρόβλεψης των ( Culex , Aedes, Anopheles). Τα τρία δίακραά μοντέλα πρόβλεψης της παρουσίας /απουσίας των τριών ειδών (δυαδική ταξινόμηση) σας εστίες αναπαραγωγής υλοποιήθηκαν με τους αλγόριθμους Τυχαίου Δάσους (Random Forest -RF) και (Extreme Gradient boosting -XG Boost). Γενικότερα τα δέντρα απόφασης κατασκευάζονται με δειγματοληψία του αρχικού σετ εκπαίδευσης με αντικατάσταση, πράγμα που σημαίνει ότι τα μεμονωμένα δεδομένα μπορούν να επιλεγούν περισσότερες από μία φορές. Μετά τη λήψη πολλών δειγμάτων δεδομένων, αυτά τα αδύναμα μοντέλα εκπαιδεύονται ανεξάρτητα με τρόπο που μειώνει τη συσχέτιση μεταξύ των επιμέρους δέντρων και στη συνέχεια υπολογίζει τον μέσο όρο τους. Στην περίπτωση της δυαδικής ταξινόμησης (παρουσία/απουσία προνυμφών ανά εστία) στον αλγόριθμο του Τυχαίου Δέντρου η προβλεπόμενη τιμή είναι η πιο κοινή τάξη στον κόμβο (πλείοψηφία). Στον αλγόριθμο XGBoost κάθε δέντρο μαθαίνει και δυναμώνει από το προηγούμενο δέντρο που έχει αναπτυχθεί, δηλαδή τα νέα δημιουργούμενα μοντέλα προβλέπουν τα σφάλματα των προηγούμενων μοντέλων, τα διορθώνουν και τα προσθέτουν μαζί μέχρι να βγάλουν την τελική πρόβλεψη. Τέλος πραγματοποιήθηκε βελτίωση (tuning) των δύο χρησιμοποιούμενων αλγορίθμων Μηχανικής Μάθησης χρησιμοποιώντας την μέθοδο GridSearch της Scikit-Learn βιβλιοθήκης. Οι βέλτιστες υπερπαραμέτροι (hyperparameters) των αλγορίθμων RF, XGBoost για τα τρία μοντέλα πρόβλεψης παρουσίας/ απουσίας των ( Culex , Aedes , Anopheles) ανά εστία αναπαραγωγής απεικονίζονται στο πίνακα του σχεδίου 2β.
[0019] Στο σχέδιο 3 παρουσιάζεται το διάγραμμα της αρχιτεκτονικής του συστήματος προβλέψεων που υλοποιείται από τον εξυπηρετητή του νέφους, όπου μετά τον διαχωρισμό του επεξεργασμένου συνόλου δεδομένων (3.1) σε δεδομένα εκπαίδευσης 80% (3.2) και δεδομένα ελέγχου 20% (3.3), γίνεται επιλογή των mo σχετικών χαρακτηριστικών (3.4) 32 στο σύνολο όπως φαίνονται στον πίνακα του σχεδίου 2α και εφαρμόζονται οι αλγόριθμοι RF XGBoost (3.5) για τρία διακριτά μοντέλα πρόβλεψης παρουσίας/ απουσίας των ( Culex , Aedes, Anopheles) ανά εστία αναπαραγωγής (3.6). Η παραγόμενη πληροφορία πρόβλεψης δύναται να χρησιμοποιηθεί από τον εξυπηρετητή νέφους προς ενεργοποίηση διαδικασιών συναγερμού και έγκυρης ειδοποίησης σε φορείς που άπτονται ενδιαφέροντος επί του θέματος , καθώς κι εκκίνησης δράσεων καταπολέμησης του φαινομένου. Συνεπώς η έγκαιρη ανίχνευση της παρουσίας των προνυμφών σε μία περιοχή μειώνει την πιθανότητα όχλησης σας κοντινές περιοχές.
[0020] Το σημαντικό πλεονέκτημα της παρούσας εφεύρεσης είναι η υιοθέτηση βελτιωμένων πρακτικών καταπολέμησης κουνουπιών καθώς πραγματοποιείται η παρακολούθηση των προνυμφών σε πραγματικό χρόνο σας εστίες αναπαραγωγής τους, μειώνοντας έτσι την ανάγκη για έλεγχο των ενηλίκων κουνουπιών και χρήσης εντομοκτόνων, επιτυγχάνοντας τη μείωση της όχλησης από τα κουνούπια βελτιώνοντας το ποιοτικό επίπεδο ζωής κατοίκων και επισκεπτών μιας περιοχής. Θετική επίσης κρίνεται η άμεση πρόσβαση οποιαδήποτε στιγμή στα συλλεγόμενα δεδομένα διότι αποτελούν κρίσιμο παράγοντα για την ορθή λειτουργία των τριών μοντέλων πρόβλεψης στον εξυπηρετητή νέφους. Επίσης επιτυγχάνεται βελτιστοποίηση της χρήσης των πόρων (τεχνικά μέσα, ανθρώπινό δυναμικό) με ταυτόχρονο οικονομικό όφελος καθώς μειώνεται η κατανάλωση καυσίμου λόγω της ορθολογικής διαχείρισης των οχημάτων του στόλου που συμμετέχουν σε προγράμματα καταπολέμησης κουνουπιών στην ευρεία περιοχή. Το σημαντικότερο πλεονέκτημα όμως είναι ότι με τον μετρίασμό του επιδημιολογικού κινδύνου της μετάδοσης του Ιού του Δυτικού Νείλου επιτυγχάνεται σημαντική βελτίωση της δημόσιας υγείας. Ακολουθεί η περιγραφή των σχεδίων όπου απεικονίζεται η υλοποίηση της εφεύρεσης ως ένας τρόπος παραδείγματος κι όχι ως τρόπος περιορισμού.
ΣΥΝΤΟΜΗ ΠΕΡΙΓΡΑΦΗ ΤΩΝ ΣΧΕΔΙΩΝ
[0021] Σχέδιο 1 είναι η διαδικτυακή πλατφόρμα του εξυπηρετητή νέφους απεικονίζοντας τις οχτώ διαδικτυακές εφαρμογές.
Σχέδιο 2α απεικονίζει τον πίνακα με τα 32 σημαντικότερα χαρακτηριστικά που χρησιμοποιήθηκαν από τα τρία μοντέλα πρόβλεψης των ( Culex , Aedes , Anopheles) κατά την εφαρμογή της τεχνικής της Αναδρομικής Εξάλειψης Χαρακτηριστικών.
Σχέδιο 2β απεικονίζει τον πίνακα με τα βέλτιστες υπερπαραμέτρους των εφαρμοζόμενων αλγορίθμων RF, XGBoost για τα τρία διακριτά μοντέλα πρόβλεψης παρουσίας/ απουσίας των (Culex, Aedes, Anopheles) ανά εστία αναπαραγωγής.
Σχέδιο 3 είναι το διάγραμμα ροής της αρχιτεκτονικής του συστήματος για τα τρία διακριτά μοντέλα πρόβλεψης παρουσίας/ απουσίας των ( Culex , Aedes, Anopheles) ανά εστία αναπαραγωγής.
Σχέδιο 4 είναι ένα παράδειγμα ενός υποδείγματος υλοποίησης του συστήματος των τριών δίακριτών μοντέλων πρόβλεψης της παρουσίας/ απουσίας των προνυμφών για τα τρία γένη ( Culex , Aedes, Anopheles) ανά εστία αναπαραγωγής.
Σχέδιο 5 είναι το διάγραμμα ροής της μεθόδου των τριών διακριτών μοντέλων πρόβλεψης της παρουσίας/απουσίας των προνυμφών για τα τρία γένη ( Culex , Aedes, Anopheles) ανά εστία αναπαραγωγής.
[0022] Ο όρος προνύμφες αντικατοπτρίζει τα κουνούπια των οποίων η παρουσία δεν είναι επιθυμητή σε μία τοποθεσία. Ο όρος πρόβλεψη της παρουσίας/απουσίας των προνυμφών ανά εστία αναπαραγωγής αναφέρεται στη ποιοτική και ποσοτική αξιολόγηση του επιπέδου αφθονίας των προνυμφών που εντοπίζονται σε μία συγκεκριμένη εστία αναπαραγωγής.
[0023] Το σχέδιο 4 απεικονίζει ένα σύστημα (400) πρόβλεψης της παρουσίας / απουσίας των προνυμφών ανά εστία αναπαραγωγής. Σύμφωνα με το σύστημα δεδομένα επιθεώρησης (401) αποστέλλονται από το τεχνικό προσωπικό που διενεργεί μαζικές δειγματοληψίες στους οριζόμενους σταθμούς δειγματοληψίας βάσει τις ενδείξεις των ψηφιακών επιχειρησιακών χαρτών σε πραγματικό χρόνο και μέσω διαδικτύου (405) σε εξυπηρετητή νέφους (403) όπου και καταχωρούνται στην απευθείας σύνδεσης βάση δεδομένων (403 -2). Τα εν λόγω δεδομένα είναι κωδικοποιημένα και περιέχουν πληροφορίες σχετικά με την θέση του δειγματοληπτικού σταθμού, το επίπεδο αφθονίας των προνυμφών ανά εστία αναπαραγωγής, την κατανομή τους, το στάδιο ανάπτυξης τους, το γένος κλπ. Παράλληλα, γεωσκοπικά δεδομένα (402) όπως δεδομένα τηλεπισκόπησης, μετεωρολογικά-κλιματολογικά δεδομένα, τοπογραφικά δεδομένα, περιβαλλοντικά δεδομένα και δημογραφικά δεδομένα είτε κατά την αποστολή από άλλους εξυπηρετητές νέφους είτε από πρόσβαση σε άλλες βάσεις δεδομένων μέσω διαδικτύου (405) λαμβάνονται προς επεξεργασία από τον εξυπηρετητή νέφους (403). Τα δεδομένα μεταδίδονται ασύρματα ή ενσύρματα μέσω διαδικτύου (405). Η μετάδοση μέσω διαδικτύου δεν είναι περιοριστική καθώς κάθε άλλος τύπος δικτύου όπως επικοινωνίας ή συνδυασμός δικτύων δύναταί να εφαρμοσθεί.
[0024] Το σύστημα (400) του σχεδίου 4, απαρτίζεται από εξυπηρετητή νέφους (403) που περιέχει επεξεργαστή (403-1), μνήμη (403-3), απευθείας σύνδεσης βάση δεδομένων (403-2) που περιέχουν τα καταγεγραμμένα δεδομένα (επιθεώρησης και γεωσκοπικά) σχετικά με τις εστίες των προνυμφών με σκοπό την επεξεργασία των συλλεγόμενων δεδομένων καί την εφαρμογή τριών διακριτών μοντέλων πρόβλεψης (403-5) της παρουσίας/ απουσίας των προνυμφών για τα τρία γένη ( Culex , Aedes, Anopheles) ανά εστία παραγωγής. Ειδικότερα, το λογισμικό των τριών μοντέλων πρόβλεψης υλοποιείται με τους αλγορίθμους Μηχανικής Μάθησης Τυχαίου Δάσους (Random Forest -RF) και του (Extreme Gradient Boosting -XGBoost). Οι συγκεκριμένοι αλγόριθμοι εκπαιδεύονται με το διαθέσιμο σύνολο των συλλεγόμενων δεδομένων (230,627 παρατηρήσεις κατόπιν προ-επεξεργασίας των δεδομένων) και δημιουργούν κανόνες και μοτίβα συμπεριφοράς συσχέτίσης μεταξύ των υπό επεξεργασία δεδομένων και της παρουσίας/ απουσίας των προνυμφών ανά εστία αναπαραγωγής (δυαδική ταξινόμηση). Επιπρόσθετα μέσω της ψηφιακής εφαρμογής (403-4) καταχωρούνται σε πραγματικό χρόνο τα δεδομένα επιθεώρησης που καταγράφονται από το τεχνικό προσωπικό κατά την επί τόπου επιθεώρηση στους οριζόμενους σταθμούς δειγματοληψίας.
[0025] Στο σχέδιο 5 αποτυπώνεται το διάγραμμα ροής (500) της μεθόδου των τριών διακριτών μοντέλων πρόβλεψης της παρουσίας/απουσίας των προνυμφών για τα τρία γένη ( Culex , Aedes, Anopheles) ανά εστία αναπαραγωγής. Τα συλλεγόμενα δεδομένα επιθεώρησης (501) και γεωσκόπησης (502) προ-επεξεργάζονται από τον εξυπηρετητή νέφους. Αρχικά στη φάση αυτή λόγω του ότι οι μεταβλητές του συνόλου δεδομένων είναι διαφορετικής μορφής διεξάγονται διεργασίες καθαρισμού, κανονιχοποίησης, εντοπισμός και διόρθωση ακραίων τιμών (outliers) καθώς και διαχείριση δεδομένων που λείπουν. Κατόπιν εφαρμόζονται τεχνικές υπερδειγματοληψίας των μειονοτικών τάξεων διότι το σύνολο δεδομένων είναι μη ισορροπημένο με σκοπό την επαύξηση των δεδομένων μέχρι την επίτευξη εξισορρόπησης της κατανομής των τάξεων. Εν συνεχεία τα δεδομένα επεξεργάζονται και μετασχηματίζονται δημιουργώντας δύο επιπλέον μεταβλητές την breeding site = dry που δηλώνει κατά πόσο η εστία αναπαραγωγής είναι ξηρή ή όχι., και την dry site over time που επαληθεύει την ύπαρξη επιφανειακών υδάτων σας εστίες αναπαραγωγής. Επιλέγονται με την τεχνική της Αναδρομικής Εξάλειψης Χαρακτηριστικών τα πιο σημαντικά χαρακτηριστικά (32 στο σύνολο) όπου και εισάγονται ως είσοδοι στους αλγόριθμους Μηχανικής Μάθησης (RF/ XGBoost) (504) για την υλοποίηση τριών διακριτών μοντέλων πρόβλεψης (506) της παρουσίας/ απουσίας των προνυμφών για τα τρία γένη ( Culex , Aedes , Anopheles) ανά εστία αναπαραγωγής. Η απόδοση των δύο αλγορίθμων Μηχανικής Μάθησης βελτιώνεται (tuning) με τεχνική επιλογής των βέλτιστων υπερπαραμέτρων (505) για τα τρία μοντέλα πρόβλεψης παρουσίας/ απουσίας των προνυμφών για τα τρία γένη ( Culex , Aedes , Anopheles) ανά εστία αναπαραγωγής. Σε μία προτιμώμενη υλοποίηση της παρούσας εφεύρεσης η πρόβλεψη της παρουσίας/απουσίας των προνυμφών για τα τρία γένη ανά εστία δύναται να διοχετεύεται σε αλγορίθμους λήψης αποφάσεων (507) , που μπορεί να είναι αλγόριθμοι τεχνητής νοημοσύνης, για την επιτέλεση επιπλέον δράσεων ενεργοποίησης και καταπολέμησης του φαινομένου της αναπαραγωγής των προνυμφών. Επίσης τα δεδομένα με τα οποία εκπαιδεύονται τα τρία διακριτά μοντέλα πρόβλεψης μπορούν να επικαιροποιούνται συνεχώς με νέα ταξινομημένα/διορθωμένα δεδομένα. Η επανεκπαίδευση των μοντέλων πρόβλεψης ή η βελτίωση τους (tuning) μπορεί να γίνεται περιοδικά ή μη, ανάλογα με τις ιδιαιτερότητες σχετικά με τις προνύμφες και τις απαιτήσεις πρόβλεψης. Ο ειδικός της στάθμης της τεχνικής είναι σε θέση να κατανοήσει ότι οι λεπτομέρειες υλοποίησης των αλγορίθμων μηχανικής μάθησης (504) δύναται να διαφέρουν στα εναλλακτικά υποδείγματα της παρούσας εφεύρεσης.
[0026] Τα τεχνικά πλεονεκτήματα που παρέχονται από τα εφαρμοζόμενα υποδείγματα είναι η ακριβής μελλοντική πρόβλεψη της παρουσίας/ απουσίας των προνυμφών για τα τρία γένη (Culex, Aedes, Anopheles) ανά εστία αναπαραγωγής και ο πλήρης έλεγχος του συστήματος και του εξοπλισμού που χρησιμοποιούνται για την πραγματοποίηση της πρόβλεψης. Η εφεύρεση είναι προφανές ότι δεν περιορίζεται στα συγκεκριμένα υποδείγματα όπως περιγράφηκαν εδώ αλλά περιλαμβάνει επίσης οποιαδήποτε παραλλαγή που μπορεί να ληφθεί υπόψη από οποιονδήποτε έμπειρο της στάθμης της τεχνικής ορίζεται σας αξιώσεις.
εντός του γενικού σκοπού της εφεύρεσης όπως
Claims (1)
- ΑΞΙΩΣΕΙΣ1. Μέθοδος (500) που υλοποιείται από υπολογιστικό σύστημα (400) για την πρόβλεψη της παρουσίας/ απουσίας των προνυμφών για τα τρία γένη ( Culex, Aedes, Anopheles) ανά εστία αναπαραγωγής χαρακτηρίζεται από το ότι περιλαμβάνεισυλλογή δεδομένων επιθεώρησης (501) που αποστέλλονται σε πραγματικό χρόνο από φορητές υπολογιστικές συσκευές τύπου τάμπλετ που χειρίζονται από τεχνικό προσωπικό που διενεργεί μαζικές δειγματοληψίες σε οριζόμενους σταθμούς δειγματοληψίας,συλλογή δεδομένων γεωσκόπησης (502) που αποτελούνται από δεδομένα τηλεπισκόπησης, μετεωρολογικά - κλιματολογικά δεδομένα, τοπογραφίκά, περιβαλλοντικά και δημογραφικά δεδομένα,προ-επεξεργασία των συλλεγόμενων δεδομένων (503) από τον επεξεργαστή νέφους για την επιτέλεση μίας τουλάχιστον διενέργειας καθαρισμού, διόρθωσης ακραίων τιμών, διαχείρισης δεδομένων που λείπουν, επαύξησης των δεδομένων και εξισορρόπησης της κατανομής των τάξεων, μετασχηματισμού των δεδομένων και επιλογής των σημαντικότερων χαρακτηριστικών για την πρόβλεψη της παρουσίας/ απουσίας των προνυμφών ανά εστία αναπαραγωγής,εφαρμογή αλγορίθμων Μηχανικής Μάθησης (504) για την υλοποίηση τριών διακριτών μοντέλων πρόβλεψης (506) της παρουσίας/ απουσίας των προνυμφών για τα τρία γένη ( Culex , Aedes, Anopheles) ανά εστία αναπαραγωγής.2. Μέθοδος της αξίωσης 1, όπου κατά τον μετασχηματισμό των δεδομένων προκύπτουν οι μεταβλητές breeding site =dry που δηλώνει κατά πόσο οι εστίες αναπαραγωγής είναι ξηρές ή όχι και η dry site over time που επαληθεύει την ύπαρξη επιφανειακών υδάτων σας εστίες αναπαραγωγής.3. Μέθοδος της αξίωσης 1, οι αλγόριθμοι Μηχανικής Μάθησης (504) που εφαρμόζονται είναι του Τυχαίου Δάσους (Random Forest) ή/και (Extreme Gradient Boosting -XGBoost).4. Μέθοδος της αξίωσης 1, τα τρία διακριτά μοντέλα πρόβλεψης (506) επαναεκπαιδεύονται με τις βέλτιστες επιλεγόμενες υπερπαραμέτρους (505) με σκοπό την βελτίωση της απόδοσης πρόβλεψης της παρουσίας/ απουσίας των προνυμφών για τα τρία γένη ( Culex, Aedes, Anopheles) ανά εστία αναπαραγωγής.5. Μέθοδος της αξίωσης 4, οι τρεις διακριτές προβλέψεις της παρουσίας/ απουσίας των προνυμφών για τα τρία γένη ( Culex, Aedes, Anopheles) ανά εστία αναπαραγωγής χρησιμοποιούνται από αλγορίθμους λήψης αποφάσεων (507) για την επιτέλεση ποιοτικών ή/και ποσοτικών προβλέψεων.6. Μέθοδος της αξίωσης 1, τα δεδομένα γεωσκόπησης (502) χαρακτηρίζονται από το ότι περιέχουν δορυφορικά δεδομένα, δεδομένα κάλυψης γης, κλιματικές προβλέψεις, γεοφυσικά και κοίνωνικο-οικονομικά σύνολα δεδομένων.7. Μέθοδος της αξίωσης 1, τα δεδομένα επιθεώρησης (501) χαρακτηρίζονται από το ότι περιέχουν κωδικοποιημένα την θέση του δειγματοληπτικού σταθμού, το επίπεδο αφθονίας των προνυμφών ανά εστία αναπαραγωγής, την κατανομή τους, το στάδιο ανάπτυξης τους και το γένος τους.Σύστημα (400) που υλοποιεί τρεις διακριτές προβλέψεις της παρουσίας/ απουσίας των προνυμφών για τα τρία γένη ( Culex, Aedes, Anopheles) ανά εστία αναπαραγωγής της αξίωσης 1 χαρακτηρίζεται από το ότι περιλαμβάνειφορητά υπολογιστικά μέσα τύπου τάμπλετ για την καταγραφή καί αποστολή των δεδομένων επιθεώρησης (401) μέσω διαδικτύου (405) στον εξυπηρετητή νέφους (403),εξυπηρετητή νέφους (403) για την συλλογή των δεδομένων επιθεώρησης (401) καί γεωσκόπησης (402), την προ-επεξεργασία τους, την εφαρμογή αλγορίθμων Μηχανικής Μάθησης και την πραγματοποίηση τριών διακριτών μοντέλων πρόβλεψης (403-5) της παρουσίας/ απουσίας των προνυμφών για τα τρία γένη ( Culex , Aedes , Anopheles) ανά εστία αναπαραγωγής,βάσεις δεδομένων και δίκτυα υπολογιστών αποθήκευσης των δεδομένων γεωσκόπησης (402).9. Σύστημα της αξίωσης 8, ο εξυπηρετητής νέφους (403) περιλαμβάνει απευθείας σύνδεσης βάση δεδομένων (403-2), επεξεργαστή (403-1), μνήμη (403-3) και χαρακτηρίζεται από το ότι οι αλγόριθμοί Μηχανικής Μάθησης για την πραγματοποίηση των τριών διακριτών μοντέλων πρόβλεψης (403-5) της παρουσίας/ απουσίας των προνυμφών για τα τρία γένη ( Culex , Aedes , Anopheles) ανά εστία αναπαραγωγής είναι του Τυχαίου Δάσους (Random Forest) ή/καί (Extreme Gradient Boosting -XGBoost).10. Σύστημα της αξίωσης 9, ο εξυπηρετητής νέφους (403) περιλαμβάνει ψηφιακή εφαρμογή ιστού (403-4) για την καταχώρηση σε πραγματικό χρόνο των δεδομένων επιθεώρησης (401) στην απευθείας σύνδεσης βάση δεδομένων (403-2).11. Σύστημα της αξίωσης 9, ο εξυπηρετητής νέφους (403) χρησιμοποιείται για τον έλεγχο των προνυμφών και για την επιτέλεση των λειτουργιών του χρονοδιαγράμματος των προγραμματίζόμενων δράσεων, της διαχείρισης των αναφορών των δεδομένων πεδίου κατά την παρακολούθηση των προνυμφών σε υγρότοπους, αγροτικά, αστικά, περιαστικά συστήματα, της απεικόνισης του χάρτη με τις εστίες αναπαραγωγής των προνυμφών, της παρακολούθησης της κίνησης του στόλου των οχημάτων σε πραγματικό χρόνο, της πραγματοποίησης πρόβλεψης της όχλησης λόγω κουνουπιών, της απεικόνισης των στατιστικών στοιχείων των εκπληρούμενων δράσεων κοίτης απεικόνισης των χαρτών των ανιχνευόμενων επιφανειακών υδάτων με τηλεπισκόπηση.12. Σύστημα της αξίωσης 11, η βάση δεδομένων (403-2) περιέχει αποθηκευμένες τις ψηφιοποιημένες και γεωαναφερόμενες πιθανές τοποθεσίες αναπαραγωγής κουνουπιών σε υγρότοπους, αγροτικά περιαστικά και αστικά συστήματα.13. Σύστημα της αξίωσης 8, οι τρεις διακριτές προβλέψεις της παρουσίας/ απουσίας των προνυμφών για τα τρία γένη ( Culex, Aedes, Anopheles) ανά εστία αναπαραγωγής χρησιμοποιούνται από αλγορίθμους λήψης αποφάσεων (507) για την επιτέλεση ποιοτικών ή/και ποσοτικών προβλέψεων.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| GR20220100925A GR1010544B (el) | 2022-11-10 | 2022-11-10 | Συστημα και μεθοδος προβλεψης παρουσιας/απουσιας για τα τρια γενη προνυμφων (culex, aedes, anopheles) στις εστιες αναπαραγωγης |
| PCT/GR2023/000060 WO2024100428A1 (en) | 2022-11-10 | 2023-11-09 | System and method of prediction of presence/absence for the three genera of larvae (culex, aedes, anopheles) in breeding sites |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| GR20220100925A GR1010544B (el) | 2022-11-10 | 2022-11-10 | Συστημα και μεθοδος προβλεψης παρουσιας/απουσιας για τα τρια γενη προνυμφων (culex, aedes, anopheles) στις εστιες αναπαραγωγης |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| GR1010544B true GR1010544B (el) | 2023-09-14 |
Family
ID=88649302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| GR20220100925A GR1010544B (el) | 2022-11-10 | 2022-11-10 | Συστημα και μεθοδος προβλεψης παρουσιας/απουσιας για τα τρια γενη προνυμφων (culex, aedes, anopheles) στις εστιες αναπαραγωγης |
Country Status (2)
| Country | Link |
|---|---|
| GR (1) | GR1010544B (el) |
| WO (1) | WO2024100428A1 (el) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105760962A (zh) * | 2016-03-14 | 2016-07-13 | 西北农林科技大学 | 一种蚊蚋监测预警系统 |
| KR20180060730A (ko) * | 2016-11-29 | 2018-06-07 | 한국외국어대학교 연구산학협력단 | 기상변수와 지표특성을 이용한 모기 활동성 지수 산출 방법 및 시스템 |
| US10524461B1 (en) * | 2018-09-25 | 2020-01-07 | Jace W. Files | Pest detector to identify a type of pest using machine learning |
| WO2021178626A1 (en) * | 2020-03-04 | 2021-09-10 | Fmc Corporation | Systems and methods for predicting pest pressure using geospatial features and machine learning |
-
2022
- 2022-11-10 GR GR20220100925A patent/GR1010544B/el active IP Right Grant
-
2023
- 2023-11-09 WO PCT/GR2023/000060 patent/WO2024100428A1/en unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105760962A (zh) * | 2016-03-14 | 2016-07-13 | 西北农林科技大学 | 一种蚊蚋监测预警系统 |
| KR20180060730A (ko) * | 2016-11-29 | 2018-06-07 | 한국외국어대학교 연구산학협력단 | 기상변수와 지표특성을 이용한 모기 활동성 지수 산출 방법 및 시스템 |
| US10524461B1 (en) * | 2018-09-25 | 2020-01-07 | Jace W. Files | Pest detector to identify a type of pest using machine learning |
| WO2021178626A1 (en) * | 2020-03-04 | 2021-09-10 | Fmc Corporation | Systems and methods for predicting pest pressure using geospatial features and machine learning |
Non-Patent Citations (2)
| Title |
|---|
| XP022577174 * |
| XP085520561 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024100428A1 (en) | 2024-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230263110A1 (en) | Turf management systems and methods | |
| Mills et al. | Forest elephant movement and habitat use in a tropical forest-grassland mosaic in Gabon | |
| Chust et al. | Determinants and spatial modeling of tree β‐diversity in a tropical forest landscape in Panama | |
| van der Hoek et al. | Q fever in The Netherlands: the role of local environmental conditions | |
| Gómez et al. | Desert locust detection using Earth observation satellite data in Mauritania | |
| Lockaby et al. | Climatic, ecological, and socioeconomic factors associated with West Nile virus incidence in Atlanta, Georgia, USA | |
| Frey et al. | Predation risk shaped by habitat and landscape complexity in urban environments | |
| Beatty et al. | Habitat selection by a generalist mesopredator near its historical range boundary | |
| Badr et al. | Spatial suitability assessment for vineyard site selection based on fuzzy logic | |
| Frake et al. | Leveraging big data for public health: Mapping malaria vector suitability in Malawi with Google Earth Engine | |
| Lisita et al. | Identifying potential areas of Cannabis sativa plantations using object-based image analysis of SPOT-5 satellite data | |
| Henderson et al. | A landscape model for predicting potential natural vegetation of the olympic peninsula USA using boundary equations and newly developed environmental variables. | |
| Jurzenski et al. | Identifying priority conservation areas for the American burying beetle, Nicrophorus americanus (Coleoptera: Silphidae), a habitat generalist | |
| Wu et al. | Attribution index for changes in migratory bird distributions: The role of climate change over the past 50 years in China | |
| Eshetae et al. | Spatial characterization and distribution modelling of Ensete ventricosum (wild and cultivated) in Ethiopia | |
| Mugenyi et al. | Spatial analysis of Gf fuscipes abundance in Uganda using Poisson and Zero-Inflated Poisson regression models | |
| Liang et al. | Habitat selection and prediction of the spatial distribution of the Chinese horseshoe bat (R. sinicus) in the Wuling Mountains | |
| Varghese et al. | Habitat suitability assessment of Ardeotis nigriceps (Vigors) in great Indian bustard sanctuary, Maharashtra (India) using remote sensing and GIS | |
| Gagné | The distinguishing features of the study of the ecology of urban landscapes | |
| Ochieng | Characterizing the spatial distributions of elephants in Mpala, Kenya | |
| GR1010544B (el) | Συστημα και μεθοδος προβλεψης παρουσιας/απουσιας για τα τρια γενη προνυμφων (culex, aedes, anopheles) στις εστιες αναπαραγωγης | |
| Krainyk et al. | Decision support tool: Mottled duck habitat management and conservation in the Western Gulf Coast | |
| Gara | Effect of water availability, landscape fragmentation and forage abundance on the movement and habitat utilization of elephants | |
| Zamuda et al. | Human land‐use effects on mammalian mesopredator occupancy of a northeastern Connecticut landscape | |
| Ashraf et al. | An assessment of declining urban greens under Patna Municipal Corporation based on Normalized Difference Vegetation Index. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PG | Patent granted |
Effective date: 20231010 |