Αντικειμενοστραφής Χαρτογράφηση της Ζωτικότητας των Βορείων Δασών με Πολυφασματικά Δεδομένα Drone
Από RemoteSensing Wiki
Πρωτότυπος τίτλος: Mapping Boreal Forest Vitality Using Drone-Based Multispectral Time-Series and Object- Based Classification
Συγγραφείς: Basam Dahy, Esra Sengun, Johanna Witzell, Johan E. S. Fransson.
Δημοσιεύθηκε: Σεπτέμβριος του 2025.
Σύνδεσμος πρωτότυπου κειμένου: https://doi.org/10.5194/isprs-archives-XLVIII-2- W11-2025-81-2025
Εισαγωγή
Η ζωτικότητα των δασών της βόρειας ζώνης (boreal forests) απειλείται ολοένα και περισσότερο από την κλιματική αλλαγή, την αύξηση των ακραίων καιρικών φαινομένων και τις επιδημίες εντόμων και παθογόνων, γεγονός που απαιτεί έγκαιρη και λεπτομερή παρακολούθηση της υγείας των δέντρων. Οι παραδοσιακές μέθοδοι παρακολούθησης, όπως οι επίγειες απογραφές, είναι δαπανηρές, χρονοβόρες και συχνά αδυνατούν να ανιχνεύσουν έγκαιρα ή λεπτές φυσιολογικές μεταβολές, ειδικά σε επίπεδο μεμονωμένου δέντρου. Τα δορυφορικά δεδομένα ναι μεν παρέχουν μεγάλη χωρική κάλυψη, αλλά στερούνται της απαιτούμενης χωρικής λεπτομέρειας και ευαισθησίας για πρώιμη ανίχνευση στρες σε μεμονωμένες κόμες. Μέσα σε αυτό το πλαίσιο, η μελέτη προτείνει ένα πλαίσιο βασισμένο σε UAV (drone) με πολυφασματικούς αισθητήρες, ικανό να απεικονίσει με πολύ υψηλή ανάλυση (σε επίπεδο κόμης) τα δάση και να συνδέσει τις φασματικές υπογραφές με φυσιολογικούς δείκτες ζωτικότητας. Κεντρικός στόχος είναι η ανάπτυξη και αξιολόγηση μιας μεθοδολογίας που συνδυάζει χρονοσειρές πολυφασματικών εικόνων UAV, αντικειμενοστραφή ταξινόμηση (object-based image analysis, OBIA) και επίγειες φυσιολογικές μετρήσεις, προκειμένου να διακριθούν ζωντανά, στρεσαρισμένα και νεκρά δέντρα σε ένα πιλοτικό πλαίσιο βόρειου τύπου δάσος. Οι συγγραφείς υπογραμμίζουν ότι ένα τέτοιο σύστημα μπορεί να αποτελέσει γέφυρα ανάμεσα στην τηλεπισκόπηση και την οικοφυσιολογία, και να δημιουργήσει πρότυπο για κλιμάκωση σε μεγαλύτερες εκτάσεις μέσω συνδυασμού με άλλους αισθητήρες (LiDAR, δορυφορικά δεδομένα).
Υλικά και Μέθοδοι
Η μελέτη διεξήχθη στο ερευνητικό πάρκο Svartberget στη βόρεια Σουηδία (βορεαλική ζώνη), σε πιλοτική έκταση περίπου 1 ha, με κυρίαρχα είδη την ερυθρελάτη(sprune), το πεύκο(pine) και τη σημύδα(birch). Επιλέχθηκαν 76 δέντρα (ζωντανά και νεκρά) για λεπτομερή παρακολούθηση, ενώ 16 ζωντανά δέντρα οργανομετρήθηκαν με φυσιολογικούς αισθητήρες (sap flow, δενδρόμετρα, αισθητήρες περιεκτικότητας και δυναμικού νερού στον κορμό), ώστε να παρακολουθούνται σε πραγματικό χρόνο οι ροές νερού, η αύξηση διαμέτρου και το υδατικό στρες. Στο χρονικό διάστημα 2024– 2025 πραγματοποιήθηκαν 15 πτήσεις UAV, καλύπτοντας βασικές φάσεις της βλαστητικής περιόδου. Το drone έφερε πολυφασματική κάμερα με ζώνες RGB, green, red, red-edge και near-infrared (NIR), από τις οποίες παραγάγονταν ορθομωσαϊκά υψηλής ανάλυσης. Η αντικειμενοστραφής ανάλυση εικόνας (OBIA) υλοποιήθηκε στο ERDAS IMAGINE: τα ορθομωσαϊκά υποβλήθηκαν σε πολυκλιμακωτή τμηματοποίηση (segmentation) βελτιστοποιημένη σε επίπεδο κόμης, δημιουργώντας αντικείμενα-κόμες. Στη συνέχεια εφαρμόστηκε εποπτευόμενη ταξινόμηση με Random Forest, με κλάσεις «spruce», «pine», «birch» και «dead trees», χρησιμοποιώντας ως χαρακτηριστικά φασματικά, υφής και γεωμετρικά γνωρίσματα. Τα πολυγωνικά αντικείμενα εξήχθησαν ως vector layers με χρονικά χαρακτηριστικά (φασματικές τιμές ανά ημερομηνία), επιτρέποντας ανάλυση χρονοσειρών ανά δέντρο και κλάση ζωτικότητας. Παράλληλα, τα χρονικά προφίλ ανακλαστικότητας συσχετίστηκαν με τις φυσιολογικές μετρήσεις μέσω συγχρονισμού ημερομηνιών λήψης και μετρήσεων.
Αποτελέσματα
Η ανάλυση των χρονοσειρών πολυφασματικών δεδομένων έδειξε ότι οι μέσες φασματικές υπογραφές (mean digital numbers) για spruce, pine, birch και νεκρά δέντρα διαφοροποιούνται σαφώς στη διάρκεια της βλαστητικής περιόδου, ιδίως στις ζώνες red-edge και NIR. Οι διαφορές μεταξύ ζωντανών και νεκρών δέντρων έγιναν ιδιαίτερα έντονες μετά τα τέλη Μαΐου, όταν η κόμη των ζωντανών δέντρων πρασίνισε πλήρως και παρουσίασε υψηλότερη ανακλαστικότητα στο NIR και χαμηλότερη στο red, ενώ τα νεκρά δέντρα διατήρησαν χαμηλότερες τιμές και επίπεδες καμπύλες, αντανακλώντας την απώλεια χλωροφύλλης και δομικής ακεραιότητας. Οι ζώνες RGB αποδείχθηκαν λιγότερο ευαίσθητες σε λεπτές φυσιολογικές μεταβολές, ενώ η red-edge κατέγραψε πρώιμα σήματα στρες πριν αυτά γίνουν εμφανή στο ορατό φάσμα. Η αντικειμενοστραφής ταξινόμηση πέτυχε υψηλή ακρίβεια διάκρισης ειδών και κατάστασης ζωτικότητας σε επίπεδο κόμης, με σαφή χωρική κατανομή των ζωντανών και νεκρών δέντρων στον χάρτη της πιλοτικής έκτασης. Παράλληλα, οι προκαταρκτικές αναλύσεις έδειξαν ότι οι μεταβολές στη ροή χυμών και στη διάμετρο κορμού (από sap flow και δενδρόμετρα) ευθυγραμμίζονται χρονικά με μεταβολές στη φασματική υπογραφή, γεγονός που ενισχύει την οικοφυσιολογική ερμηνεία των εικόνων UAV. Συνολικά, τα αποτελέσματα δείχνουν ότι η πολυχρονική πολυφασματική απεικόνιση UAV μπορεί να ανιχνεύσει διαφορές ζωτικότητας και είδους σε λεπτές χωρικές και χρονικές κλίμακες.
Συμπεράσματα
Συμπεραίνεται ότι το προτεινόμενο πλαίσιο μετρήσεων αποτελεί μια ισχυρή και εφαρμόσιμη προσέγγιση για λεπτομερή παρακολούθηση της ζωτικότητας των δασών της βόρειας ζώνης σε επίπεδο μεμονωμένων δέντρων. Η μελέτη αποδεικνύει ότι οι χρονοσειρές πολυφασματικών εικόνων, ιδιαίτερα στις ζώνες red-edge και NIR, μπορούν να διακρίνουν αποτελεσματικά είδη και κλάσεις ζωτικότητας και να εντοπίζουν πρώιμα σήματα στρες, πριν αυτά γίνουν ορατά σε πιο ορατούς δείκτες ή στο ανθρώπινο μάτι. Η ενσωμάτωση επίγειων φυσιολογικών αισθητήρων παρέχει κρίσιμο πλαίσιο για την ερμηνεία των φασματικών δεδομένων και δημιουργεί βάση για ανάπτυξη μοντέλων που συνδέουν άμεσα τις τηλεσκοπικές παρατηρήσεις με οικοφυσιολογικές διεργασίες. τονίζεται ότι η πιλοτική εφαρμογή στο 1 ha του Svartberget σχεδιάζεται να κλιμακωθεί στο «Attsjö super test site» (2.300 ha), όπου θα συνδυαστούν δεδομένα UAV (RGB, multispectral, LiDAR) με άλλες πηγές για παρακολούθηση σε επίπεδο τοπίου. Τέλος, προτείνουν ότι η προσέγγιση αυτή μπορεί να ενσωματωθεί σε επιχειρησιακά συστήματα παρακολούθησης δασικής υγείας και «precision forestry», υποστηρίζοντας κλιματικά ανθεκτική διαχείριση οικοσυστημάτων και έγκαιρο εντοπισμό κινδύνων από κλιματικό στρες ή βιοτικούς παράγοντες.
