מאמר 1

1. שם המאמר

Mapping Crop Types Using Sentinel-2 Data Machine Learning and Monitoring Crop Phenology with Sentinel-1 Backscatter Time Series in Pays de Brest, Brittany, France

2. מי כתב את המאמר

המאמר נכתב על ידי Guanyao Xie ו-Simona Niculescu מאוניברסיטת מערב ברטאן (Université de Bretagne Occidentale), צרפת. פורסם בכתב העת Remote Sensing בשנת 2022.

3. שאלת המחקר

האם ניתן למפות ולסווג במדויק גידולי שדה (כגון חיטה, תירס, שעורה) באזור המאופיין בחלקות חקלאיות קטנות, מפוצלות ומורכבות (כפי שקיים באירופה ובישראל), תוך שימוש בנתונים חינמיים ברזולוציה גבוהה מלוויין Sentinel-2? בנוסף, האם גישת סיווג היררכי (שלבי) משפרת את התוצאות לעומת סיווג ישיר?

4. מטרת המחקר

המטרה הייתה לפתח מתודולוגיה אמינה ואופטימלית למיפוי גידולים שתתגבר על הבעיה של “רעש” ספקטרלי בין גידולים שנראים דומה, ולהדגים את היעילות הקריטית של שימוש בסדרות עיתיות (Time Series) כדי לזהות את מחזור החיים (פנולוגיה) של הצמח ככלי להבדלה ביניהם.

5. שיטות, מודלים וטכנולוגיות

  • מודל למידת מכונה - Random Forest (RF): החוקרים בחרו ב-RF כאלגוריתם הליבה. זהו אלגוריתם מסוג Ensemble (הבנוי מיער של עצי החלטה). הוא נבחר בזכות יכולתו להתמודד עם כמות גדולה של נתונים (High Dimensionality), עמידותו בפני רעשים, והעובדה שהוא נחשב לסטנדרט הזהב בסיווג קרקע.
  • גישת סיווג היררכית (Hierarchical Classification): במקום לנסות לזהות את כל הגידולים בבת אחת (“Direct Classification”), המודל פוצל לשני שלבים לוגיים:
  • שלב א’: הפרדה בינארית בין “שטחים חקלאיים מעובדים” לבין “שטחים אחרים” (יער, שטח בנוי, מים).
  • שלב ב’: בתוך המסכה של השטחים החקלאיים בלבד, ביצוע סיווג לסוגי הגידול הספציפיים. שיטה זו הפחיתה משמעותית בלבול (Confusion) בין שדות מרעה לגידולים.
  • Object-Based Image Analysis (OBIA): שימוש בגישה מונחית-אובייקטים. במקום לסווג כל פיקסל בודד (מה שיוצר מפה “מלוכלכת” עם רעשי Salt & Pepper), המערכת קודם מאחדת פיקסלים סמוכים ודומים ל”אובייקט” (פוליגון שמייצג שדה שלם) ואז מסווגת את השדה כולו. זה מדמה טוב יותר את המציאות החקלאית.

6. נתונים (מקורות וסוגים)

  • Sentinel-2 (לוויין אופטי): המקור העיקרי.
    • רזולוציה מרחבית: נעשה שימוש בערוצים של 10 מטר ו-20 מטר. הרזולוציה של 10 מטר קריטית לזיהוי גבולות מדויקים של חלקות קטנות.
    • רזולוציה עיתית (Time Series): הורדו תמונות לאורך כל עונת הגידול (אוקטובר עד אוגוסט). המימד של “זמן” היה הקלט החשוב ביותר למודל.
    • תדרים: דגש על ערוצי Red-Edge ו-NIR (Near Infrared), הרגישים לכלורופיל ולבריאות הצמח.
  • Sentinel-1 (לוויין מכ”ם - Radar): שימש כנתון משלים לימים מעוננים (מכ”ם חודר עננים), כדי לקבל מידע על מבנה וחיספוס הצמח גם בחורף.
  • Ground Truth (נתוני אמת): נתונים ממאגר המידע הלאומי של צרפת (RPG), המכילים דיווחים רשמיים של חקלאים על סוג הגידול בכל חלקה. זה שימש לאימון המודל ולבדיקת הדיוק.

7. תוצאות מרכזיות

  1. דיוק מרשים: המודל הגיע לדיוק כללי (Overall Accuracy) של 93.2%, עם מקדם Kappa של 0.888.
  2. יתרון להיררכיה: הגישה ההיררכית הוכחה כטובה יותר מהגישה הישירה, כיוון שהיא סיננה רעשים בצורה יעילה לפני הסיווג המדויק.
  3. הפנולוגיה כמפתח: הניתוח הראה שהיכולת להבדיל בין גידולים דומים (כמו חיטה מול שעורה) נבעה כמעט אך ורק מההבדל במועדי הצמיחה שלהם שנראו בסדרת הזמן (מתי כל אחד מוריק ומתי הוא מצהיב), ולא מתמונה בודדת.

8. מסקנות

  • ניתן לבצע מיפוי חקלאי ברמה ארצית ובדיוק גבוה מאוד (>90%) באמצעות כלים חינמיים (Sentinel-2 ו-Random Forest).
  • שימוש בסדרות עיתיות הוא חובה. ניסיון לסווג גידולים על בסיס תמונה בודדת נדון לכישלון.
  • השילוב של רזולוציה גבוהה (10 מטר) הוא קריטי לאזורים שבהם החקלאות אינה מורכבת מ”שדות ענק” (כמו בארה”ב), אלא מחלקות קטנות ומגוונות.

9. התרומה למחקר שלי

מאמר זה מספק את ה”מתכון” הטכני המדויק לשלב הראשון והקריטי בעבודה: יצירת מפת הגידולים. הוא מוכיח שלא צריך לקנות תצלומי לוויין יקרים; ניתן להשתמש ב-Sentinel-2 החינמי ובאלגוריתם Random Forest כדי לדעת בדיוק איפה מגדלים כותנה ואיפה מגדלים תירס. המפה שתופק בשיטה זו היא שכבת הבסיס שעליה יולבשו נתוני הרגולציה (“בכותנה מותר להשתמש בחומר X”) כדי לחשב את החשיפה לאוכלוסייה.

מאמר 2

1. שם המאמר

Assessment of potential pesticide exposure for the general population in France using a proximity-based approach from national databases

2. מי כתב את המאמר

המאמר נכתב על ידי C. Pleyber, A. Garioud, C. Lemarchand וחוקרים נוספים מטעם סוכנות בריאות הציבור הצרפתית (Santé Publique France). פורסם בכתב העת Environmental Pollution בשנת 2021.

3. שאלת המחקר

כיצד ניתן למפות ולהעריך את החשיפה של כלל האוכלוסייה במדינה שלמה לחומרי הדברה חקלאיים, תוך שימוש במאגרי מידע קיימים (מפות ורגולציה) וללא ביצוע מדידות פיזיות יקרות, על מנת לזהות אי-שוויון בחשיפה?

4. מטרת המחקר

לפתח מתודולוגיה סטנדרטית (“Pipeline”) המבוססת על GIS, שלוקחת מפות גידולים ומצליבה אותן עם נתוני רגולציה ומכירות, כדי להפיק “מדד חשיפה פוטנציאלי” (PEI) לכל בית אב. המטרה הייתה לזהות “נקודות חמות” (Hotspots) של חשיפה ולבדוק האם אוכלוסיות מוחלשות גרות קרוב יותר למוקדי הסיכון.

5. שיטות, מודלים וטכנולוגיות

  • מטריצת חשיפה-גידול (Crop-Exposure Matrix - CEM): האתגר הגדול היה חוסר הידיעה באילו חומרים השתמש כל חקלאי בפועל. הפתרון היה יצירת מטריצה שמחברת כל סוג גידול (למשל: כרם, תירס, חיטה) לרשימת החומרים המורשים/הנמכרים עבורו, יחד עם ציון רעילות ותדירות טיפול (TFI). זהו המהלך המקביל לחיבור בין הסיווג (Class) לבין הרגולציה.
  • חישוב מדד חשיפה פוטנציאלי (PEI - Potential Exposure Index): החוקרים פיתחו נוסחה מתמטית לחישוב הסיכון לכל בית המשקללת שלושה גורמים:
    • שטח הגידול ברדיוס סביב הבית.
    • עומס הרעלים של אותו גידול (מתוך המטריצה).
    • המרחק: החשיפה דועכת ככל שהמרחק גדל (Inverse Distance Weighting).
  • ניתוח מרחבי (GIS Spatial Analysis): יצירת אזורי חיץ (Buffers) של 250 מטר, 500 מטר ו-1000 מטר סביב כל כתובת מגורים בצרפת, וחיתוך (Intersection) בינם לבין חלקות החקלאות לחישוב השטחים הרלוונטיים.

6. נתונים (מקורות וסוגים)

  • RPG (מערכת זיהוי חלקות): המקביל הצרפתי למפה שתיוצר עם Sentinel-2. זוהי מפה וקטורית המכילה את הגבולות של כל השדות החקלאיים ואת סוג הגידול בהם.
  • BNVD (מאגר מכירות ורגולציה): מאגר מידע לאומי המכיל נתונים על מכירות תכשירי הדברה. החוקרים השתמשו בו כדי לדעת אילו חומרים משויכים לאילו גידולים (מקביל ל”מאגר התכשירים” הישראלי).
  • נתוני אוכלוסייה (MAJIC): נתוני מס רכוש הכוללים מיקום גיאוגרפי מדויק של כל מבנה מגורים בצרפת (בניגוד לנתונים גסים ברמת העיר).

7. תוצאות מרכזיות

  1. חשיפה נרחבת: המחקר מצא כי אחוז ניכר מאוכלוסיית צרפת מתגורר בטווח ההשפעה של שדות חקלאיים המטופלים בחומרים מסוכנים.
  2. היררכיה של חשיפה: המודל אפשר לחלק את האוכלוסייה ל-4 רמות סיכון (מנמוך לגבוה מאוד). אזורי הכרמים (יין) התגלו כמסוכנים ביותר בגלל אינטנסיביות הריסוס הגבוהה, לעומת גידולי פלחה (חיטה/שעורה) שהיוו סיכון נמוך יותר.
  3. אי-צדק סביבתי: נמצא מתאם בין מדד סוציו-אקונומי נמוך (עוני) לבין מגורים באזורים בעלי ציון PEI גבוה.

8. מסקנות

  • היתכנות ארצית: ניתן לבצע הערכת סיכונים ברמה לאומית באמצעות כלי GIS פשוטים יחסית ונתונים קיימים, ללא צורך בדיגום שטח יקר.
  • חשיבות ההפרדה בין גידולים: התייחסות ל”שטח חקלאי” כמקשה אחת היא שגויה. ההבדל בסיכון בין שכן של כרם לשכן של שדה תירס הוא דרמטי, ולכן זיהוי הגידול הוא קריטי.
  • כלי למדיניות: המדד (PEI) הוא כלי עבודה מצוין לקובעי מדיניות כדי להחליט היכן להטיל מגבלות ריסוס מחמירות יותר (Buffer Zones).

9. התרומה למחקר שלי

מאמר זה הוא ה-Blueprint (תוכנית האב) המדויקת ביותר לפרויקט. הוא מספק את הנוסחה המתמטית לפרק השיטות: כיצד לקחת את הפיקסלים שסווגו (Sentinel-2), להכפיל אותם בנתוני ההיתרים (רגולציה), ולחלק במרחק מהבית. בנוסף, הוא נותן תוקף מדעי לגישה (Proximity-based indicator) כשיטה המקובלת על ידי סוכנות בריאות לאומית, ומציע מודל להצגת התוצאות (מפה הצבועה לפי רמות סיכון).

10. קישור למאמר

לצפייה במאמר ב-PubMed

מאמר 3

1. שם המאמר

Development of a spatial risk indicator for monitoring residential pesticide exposure in agricultural areas

2. מי כתב את המאמר

המאמר נכתב על ידי Francesco Galimberti, Stephanie K. Bopp וחוקרים נוספים מה-JRC (מרכז המחקר המשותף של הנציבות האירופית - European Commission). המאמר פורסם בכתב העת היוקרתי Scientific Reports (מבית Nature) בשנת 2025, מה שהופך אותו למחקר עדכני ביותר בחזית המדע.

3. שאלת המחקר

כיצד ניתן להעריך ולנטר את רמות הסיכון מחומרי הדברה אליהן חשופים תושבים הגרים בסמיכות לשטחים חקלאיים, בהיעדר מדידות ישירות (חיישנים) ובקנה מידה ארצי אך ברזולוציה גבוהה?

4. מטרת המחקר

לפתח “אינדיקטור סיכון” (Risk Indicator) חדשני שיאפשר לקובעי מדיניות לזהות אזורים בעייתיים (“Hotspots”) שבהם האוכלוסייה חשופה לעומס גבוה של רעלים. המטרה הייתה להוכיח שניתן לעשות זאת על ידי אינטגרציה של נתונים קיימים (מכירות חומרי הדברה + מפות גידולים + מפות אוכלוסייה).

5. שיטות, מודלים וטכנולוגיות

  • מודל העמסת רעלים (Pesticide Load Mapping): החוקרים לא ידעו היכן בדיוק ריסס כל חקלאי. הם השתמשו בנתוני מכירות חומרי הדברה (Sales Data) והצליבו אותם עם היתרי השימוש (Crop Authorizations). הלוגיקה: אם חומר X נמכר בכמות גדולה במחוז מסוים ומורשה לשימוש רק בכרמים, ויש כרמים ליד העיר – המודל מניח שהחומר רוסס שם. זוהי בדיוק שיטת ה-Proxy המוצעת במחקר שלך.
  • מודל GIS רב-שכבתי (GIS Overlay): המודל בנוי משלוש שכבות מרכזיות המונחות זו על זו:
    • שכבת הגידולים (איפה החקלאות?).
    • שכבת הרעילות (איזה חומר מותר לשימוש שם וכמה הוא רעיל?).
    • שכבת האוכלוסייה (איפה גרים אנשים?).
  • הערכת חשיפה (Exposure Assessment): השימוש במודלים של EFSA (הרשות האירופית לבטיחות מזון) לחישוב חשיפה לא-תזונתית (Non-dietary), כלומר נשימה ומגע עורי כתוצאה מקרבה לשדה.

6. נתונים (מקורות וסוגים)

  • נתוני מכירות ורגולציה (BNVD-Traçabilité): מאגר המידע הצרפתי המפורט שמכיל נתונים על מכירות תכשירי הדברה והיתרי שימוש לפי גידול (מקביל למאגר השירותים להגנת הצומח בישראל).
  • מפת חלקות חקלאיות (RPG): המערכת לזיהוי חלקות בצרפת (Land Parcel Identification System), המבוססת על דיווחי חקלאים ותצלומי אוויר.
  • נתוני אוכלוסייה (Population Grid): נתונים דמוגרפיים ברזולוציה גבוהה (תאים של 200X200 מטר או נתוני מבנים), כדי לדעת בדיוק כמה אנשים גרים בתוך “טווח הסכנה”.

7. תוצאות מרכזיות

  1. כימות החשיפה: המודל מצא כי כ-13% מאוכלוסיית צרפת חשופה לרמות שונות של חומרי הדברה רק מעצם מגוריהם בסמיכות לשטחים חקלאיים מטופלים.
  2. שונות מרחבית אדירה: המפות הראו בבירור שאזורים מסוימים (למשל אזורי הכרמים בדרום צרפת) הם “אזורים אדומים” עם עומס רעלים גבוה מאוד לאוכלוסייה, בעוד אזורים חקלאיים אחרים יצרו סיכון נמוך בהרבה.
  3. הוכחת היתכנות לנתונים מצרפיים: המחקר הראה ששימוש בנתוני מכירות/רגולציה (ולא נתוני ריסוס אישיים) מספק תמונה אמינה מספיק כדי לקבוע מדיניות ולהתריע על סיכון.

8. מסקנות

  • הכוח של נתונים גרנולריים: כדי לנהל סיכונים, חייבים לרדת לרמת החלקה הבודדת. ממוצעים ארציים מסתירים את הבעיה.
  • אינדיקטור למדיניות: האינדיקטור שפותח הוא כלי יעיל לממשלות כדי לעקוב האם צעדים להפחתת ריסוס אכן עוזרים לאוכלוסייה, או כדי להחליט היכן לאכוף “אזורי חיץ” (Buffer Zones).

9. התרומה למחקר שלי

מאמר זה הוא ה-Blueprint (תוכנית האב) לפרויקט הגמר שלך. הוא מספק לגיטימציה מדעית מלאה (מגוף מחקר מוביל כמו ה-JRC) לשיטה שלך: שימוש ב”חוקה/רגולציה” כ-Proxy לחשיפה הוא מתודולוגיה מקובלת בחזית המדעית ב-2025. החידוש שלך הוא בכך שבעוד שהם השתמשו במפת חלקות ממשלתית קיימת (RPG), אתה תייצר את המפה הזו בעצמך באמצעות למידת מכונה ולוויין, מה שהופך את המודל שלך לווירסאטלי יותר.

מאמר 4

1. שם המאמר

Proximity to Crops and Residential Exposure to Agricultural Herbicides in Iowa

2. מי כתב את המאמר

המאמר נכתב על ידי Mary H. Ward וחוקרים נוספים מהמכון הלאומי לסרטן בארה”ב (NCI - National Cancer Institute). פורסם בכתב העת היוקרתי Environmental Health Perspectives (EHP) בשנת 2006.

3. שאלת המחקר

האם קיים קשר כמותי מוכח בין המרחק הפיזי של בית מגורים משדות חקלאיים לבין הריכוז בפועל של חומרי הדברה (ספציפית קוטלי עשבים) הנמצאים בתוך הבית (באבק הבית)?

4. מטרת המחקר

לתקף (Validate) את השימוש במדדי קרבה גיאוגרפיים (GIS Proximity) ככלי להערכת חשיפה. החוקרים רצו להוכיח שנתונים “יבשים” ממפות לוויין (כמו המרחק לשדה הקרוב) יכולים לנבא בצורה אמינה את רמת הרעלים שנמצאת בתוך הבית, ללא צורך בביצוע מדידות יקרות בכל בית.

5. שיטות, מודלים וטכנולוגיות

  • דגימות אבק (Dust Sampling): איסוף דגימות אבק משטיחים בבתים. אבק ביתי נחשב ל”ארכיון כימי” מצוין כיוון שחומרי הדברה לא מתפרקים מהר בתוך הבית, ולכן האבק משמר את היסטוריית החשיפה.
  • ניתוח GIS (מערכות מידע גיאוגרפיות): מיפוי מיקום הבתים והשדות סביבם (תירס וסויה) וחישוב המרחק לגידול הקרוב ביותר ברמות שונות: 100, 250, 500 ו-750 מטר.
  • ניתוח כימי ומובהקות סטטיסטית: שימוש בכרומטוגרפיית גז (GC/MS) למדידת ריכוז חומרים ובדיקת מתאם (Correlation) בין המרחק לבין הריכוז ב-ng/g.

6. נתונים (מקורות וסוגים)

  • מפות גידולים לווייניות/אוויר: נתונים ממשרד החקלאות האמריקאי (USDA) לזיהוי שדות תירס וסויה (שני הגידולים המרוססים ביותר באיווה).
  • דגימות שטח: 89 בתי אב במדינת איווה (אזור חקלאי אינטנסיבי).
  • חומרי המטרה (Target Compounds): התמקדות בקוטלי עשבים נפוצים מאוד: אטרזין (Atrazine), מטולכלור (Metolachlor) ואצטוכלור.

7. תוצאות מרכזיות

  1. המרחק קובע: נמצא קשר מובהק וישיר - ככל שהבית היה קרוב יותר לשדה, כך ריכוז חומרי ההדברה באבק היה גבוה יותר.
  2. גבול ה-750 מטר: בתים במרחק של עד 750 מטר משדות חקלאיים הכילו רמות גבוהות משמעותית (פי 3 עד פי 5) של קוטלי עשבים לעומת בתים רחוקים יותר.
  3. השפעת סוג הגידול: הקשר היה חזק במיוחד כאשר הגידול הסמוך היה תירס (צרכן כבד של אטרזין). זה מוכיח את חשיבות הזיהוי הספציפי של סוג הגידול.

8. מסקנות

  • GIS הוא כלי ניבוי אמין: ניתן להעריך חשיפה של אוכלוסייה לחומרי הדברה על בסיס נתונים גיאוגרפיים בלבד, ללא מדידה פיזית.
  • אזורי חיץ: הממצאים תומכים בצורך באזורי חיץ של כמה מאות מטרים.
  • סחף (Drift): המנגנון העיקרי לחשיפה הוא סחף רוח של חלקיקים מהשדה לתוך הבית.

9. התרומה למחקר שלי

מאמר זה מספק תיקוף מדעי (Validation) ומשמש כ”תעודת ביטוח” למודל החשיפה שלך. הוא מצדיק את רדיוס הסיכון שתבחר במודל ה-GIS שלך (למשל, 500-750 מטר) ומחזק את הצורך במודל Machine Learning המבדיל בין סוגי גידולים ספציפיים, ולא מסתפק במיפוי חקלאות כללית.

10. קישור למאמר

לצפייה במאמר ב-PubMed Central

מאמר 5

1. שם המאמר

Multi-Temporal Land Cover Classification with Sequential Recurrent Neural Networks

2. מי כתב את המאמר

המאמר נכתב על ידי Marc Rußwurm ו-Marco Körner מהאוניברסיטה הטכנית של מינכן (TUM). פורסם בכתב העת ISPRS International Journal of Geo-Information בשנת 2018.

3. שאלת המחקר

האם רשתות נוירונים המיועדות לניתוח שפה וטקסט (כמו LSTM), שיודעות “לקרוא” רצף, יכולות לשפר את סיווג הגידולים החקלאיים על ידי התייחסות לתמונות הלוויין כאל “סיפור” מתפתח בזמן, טוב יותר מאשר אלגוריתמים רגילים שרואים בכל תמונה אירוע נפרד?

4. מטרת המחקר

להוכיח ששימוש בארכיטקטורת RNN (ובמיוחד יחידות LSTM) מתאים באופן טבעי לניתוח סדרות עיתיות של לוויינים (Sentinel-2), ושהוא מסוגל להבדיל בין גידולים מורכבים על בסיס הדינמיקה של הצמיחה שלהם טוב יותר משיטות מסורתיות כמו Random Forest או SVM.

5. שיטות, מודלים וטכנולוגיות

  • Long Short-Term Memory (LSTM): סוג מתקדם של רשת נוירונים בעלת “זיכרון”. המודל עובר על ציר הזמן ושומר מידע מהעבר כדי להבין את ההווה. לדוגמה, כדי לזהות “חיטה”, המודל זוכר שהשדה היה ירוק בפברואר וצהוב במאי.
  • השוואה למודלים אחרים: החוקרים השוו את הביצועים מול המודלים הקלאסיים: Random Forest (כמו במאמר 1), SVM, ורשתות CNN רגילות.

6. נתונים (מקורות וסוגים)

  • Sentinel-2 (L1C): שימוש במוצר L1C (Top-of-Atmosphere) ללא תיקון אטמוספרי מלא, להוכחת עמידות הרשת העמוקה ל”רעש” אטמוספרי.
  • אזור המחקר: אזור חקלאי ליד מינכן, גרמניה.
  • הסיווג: 17 מחלקות שונות של גידולים (תירס, דגנים, אספסת, חומוס ועוד).

7. תוצאות מרכזיות

  1. ה-LSTM ניצח: מודל ה-LSTM הגיע לדיוק הכללי הגבוה ביותר (מעל 90%), ועקף את ה-Random Forest ואת ה-CNN.
  2. עמידות לרעש: המודל התמודד מצוין עם עננים חלקיים או הפרעות על ידי “השלמת” המידע החסר על סמך התמונות הקודמות והבאות ברצף.
  3. הבדלה בין גידולים דומים: המודל הצטיין במיוחד בהבדלה בין סוגי דגנים שונים שנראים זהים בתמונה בודדת אך בעלי קצב צמיחה שונה.

8. מסקנות

  • התייחסות לנתוני לוויין כאל רצף (Sequence) ולא כאל אוסף של תמונות בודדות היא הגישה הנכונה ביותר לניטור חקלאי.
  • מודלים של Deep Learning מסוגלים ללמוד באופן עצמאי אילו תאריכים בשנה הם החשובים ביותר לזיהוי.

9. התרומה למחקר שלי

מאמר זה מייצג את “התוכנית החלופית המתקדמת”. בעוד שהמחקר שלך משתמש ב-Random Forest כשיטה ראשית בשל פשטותה, מאמר זה ישמש בפרק הדיון (Discussion) כדי להראות בקיאות בחזית הטכנולוגיה. ניתן לציין שמחקרים עדכניים הראו ששימוש ב-LSTM עשוי לשפר עוד יותר את הדיוק באזורים צפופים או מעוננים.

10. קישור למאמר

לצפייה במאמר ב-MDPI