Ποσοτικοποιώντας την δομή αστικών δασικών εκτάσεων με χρήση τηλεπισκοπικών δεδομένων ανοιχτής πρόσβασης
Από RemoteSensing Wiki
Πρωτότυπος Τίτλος: Quantifying urban forest structure with open-access remote sensing data sets
Συγγραφείς: Oliver Baines, Phil Wilkes, Mathias Disney
Πηγή: Urban Forestry & Urban Greening, Vol. 50 (2020), p. 126653
Διαθέσιμο στο: https://doi.org/10.1016/j.ufug.2020.126653
1. Εισαγωγή
Οι αστικές περιοχές φιλοξενούν περίπου ∼10 δισεκατομμύρια δέντρα παγκοσμίως. Τα αστικά δάση έχει αποδειχθεί πως διαδραματίζουν ήδη καίριο ρόλο για την βιωσιμότητα στις σύγχρονες πόλεις, ενώ στην εποχή του υπερπληθυσμού και της αυξανόμενης απειλής των πιέσεων από την κλιματική αλλαγή και την ατμοσφαιρική ρύπανση ο ρόλος αυτός θα καταστεί καθοριστικός στην εξισορρόπηση των πιέσεων.
Στόχος της μελέτης είναι με την επεξεργασία ανοικτών δορυφορικών δεδομένων να δημιουργηθεί μια αποτελεσματική και αξιόπιστη μέθοδος, ευέλικτη όσον αφορά τα αρχικά δεδομένα που να μπορεί να εφαρμοστεί σε οποιαδήποτε περιοχή πυκνού αστικού ιστού.
Οι τεχνικές της τηλεπισκόπισης προσφέρουν μια νέα προσέγγιση στην καταγραφή και εκτίμηση της κατάστασης των αστικών δασών & εκτάσεων πρασίνου που ήδη έχει αρχίσει να υιοθετείται τα τελευταία χρόνια από τα κράτη για την δημιουργία εθνικών (McRoberts and Tomppo, 2007; Barrett et al., 2016) σε σχέση με τις παραδοσιακές καταγραφές που απαιτούν παραπάνω χρόνο, πόρους και πολλαπλά σημεία in situ ελέγχου για μεγάλες εκτάσεις. Οι τεχνικές αυτές καλύπτουν ένα ευρύτατο φάσμα τεχνολογιών μέτρησης (άμεσες ή έμμεσες) καθώς και πολλές διαφορετικές χωρικές κλίμακες (μέτρα έως χιλιόμετρα) παρέχοντας έτσι ακριβή χωρικά αλλά και χρονικά δεδομένα & απεικονίσεις των κτηματολογικών ορίων.
Παρόλα αυτά η τηλεπισκόπηση των χώρων αστικού πρασίνου ενέχει προκλήσεις όσον αφορά την ακρίβεια. (Zhu et al., 2019). Ο σύγχρονος αστικός χώρος περιλαμβάνει ένα ετερογενή καμβά αποτελούμενο από διάφορες καλύψεις γης σε συνδυασμό με πολλούς διαφορετικούς τύπους βλάστησης σε ένα μείγμα συχνοτήτων : από απομονωμένα δέντρα στην άκρη των οδών σε μερικές συστάδες έως μεγάλα πάρκα ή μικρά τεχνητά ή φυσικά δάση που παραμένουν αναλλοίωτα σε αρμονία με τα ψηλά κτήρια και το έντονο ανθρώπινο στοιχείο.
Από τα τέλη της δεκαετίας του 2000, μεγάλος όγκος τηλεσκοπικών δεδομένων έχει μετατραπεί από εμπορικά διαθέσιμα κατόπιν πληρωμής σε πλήρως ανοικτά δεδομένα (USGS, ESA) συμπαρασύροντας και πολλά μοντέλα βασισμένα σε αυτά στην ίδια πολιτική διάθεσης, δημιουργώντας έτσι μια «έκρηξη» νέων ιδεών & εφαρμογών σε ερευνητικό & εμπορικό επίπεδο. Η διαθεσιμότητα δεν περιορίζεται μόνο σε δορυφορικά δεδομένα αφού ορισμένες χώρες (Βέλγιο, ΗΠΑ, Ισπανία, Φινλαδία κ.α.) έχουν ανοίξει την ελεύθερη πρόσβαση των αρχείων τους από αεροφωτογραφίες και δεδομένα LiDAR (Light Detection And Ranging). Για παράδειγμα ο Οργανισμός Περιβάλλοντος του Ηνωμένου Βασιλείου διαθέτει ελεύθερα δεδομένα LiDAR που καλύπτουν 72% της Αγγλίας (Whitworth, 2015).
Η αποτύπωση LiDAR από αέρος (drones, αεροσκάφη) έχει ήδη χρησιμοποιηθεί για την εκτίμηση βιοφυσικών παραμέτρων όπως η δασοκάλυψη (συγκόμωση) και το ύψος αυτής.
Ένα πιθανό εμπόδιο στην υιοθέτηση των παραπάνω τεχνικών είναι η εξειδικευμένη γνώση που απαιτεί σε διάφορους τομείς, ωστόσο με μεθόδους και τυποποίηση μέσω προκαθορισμένων ροών εργασίας και έτοιμων εφαρμογών είναι πλέον εύκολο κάποιος χωρίς ειδικές γνώσεις να διαχειριστεί αυτά τα δεδομένα πιο εύκολα.
2. Δείκτες και μέθοδοι
Οι δείκτες συγκόμωσης είναι μια δισδιάστατη εκτίμηση της δασοκάλυψης που απαντάται συνήθως σε μελέτες κάλυψης και χάρτες. Αν και είναι εύκολο να υπολογιστεί είναι μέρος ενός ευρύτερου πακέτου δεικτών αξιολόγησης του βαθμού κάλυψης, της υγείας και των δημογραφικών των αστικών δασών που μπορούν να εξαχθούν από τηλεπισκοπικά δεδομένα.
Η μοντελοποίηση οδήγησε στην επιλογή τριών δεικτών για την συγκεκριμένη έρευνα: Συγκόμωση (Canopy Cover | CC ), Ύψος βλάστησης (Canopy Height | CH ) και πυκνότητα δέντρων (Tree density N).
Περιοχή μελέτης: Επιλέχθηκε η ευρύτερη περιοχή του Λονδίνου (Εικ. 1), έκτασης 1572 km2, με 8.8 εκατ. κατοίκους και περίπου 8.4 εκατ. Δέντρα. Η περιοχή αυτή χωρίζεται σε 2 επιμέρους ζώνες, με χρήσεις γης πυκνό αστικό ιστό, κατοικία & βιομηχανικές δραστηριότητες με αρκετά μεγάλα πάρκα για τον εσωτερικό ιστό και κατοικία, καλλιέργειες και μεγαλύτερες δασικές εκτάσεις για τον εξωτερικό ιστό.
Για την περαιτέρω ανάλυση επιλέχθηκε ο αλγόριθμος Random Forest (Breiman, 2001) για τους παρακάτω λόγους
- Ανθεκτικότητα σε θόρυβο κατά την εκπαίδευση
- Δυνατότητα επέκτασης
- Δυνατότητα παραμετροποίησης
- Εύρος διαθεσιμότητας (εφαρμογή σε R, Python, GoogleEarthΕngine)
Η μέση τιμή και η τυπική απόκλιση προέκυψαν μετά από 25 επαναλήψεις του αλγορίθμου Random Forest με διαφορετικά δεδομένα εκπαίδευσης κάθε φορά.
Δυνατότητα μεταφοράς του μοντέλου
Η εφαρμογή ενός μοντέλου εκτός της περιοχής εκπαίδευσης ενέχει τον κίνδυνο της πτώσης της ακρίβειας και της καταλληλότητάς του. Όμως στις αστικές περιοχές που το περιβάλλον όσον αφορά την βλάστηση είναι «τεχνητό» (διαχειριζόμενα δέντρα, τυποποιημένες αποστάσεις φύτευσης, παρουσία συγκεκριμένων ειδών) και έτσι μπορεί να υπάρχει μια ομοιότητα σε ανόμοιες κατά τ’ άλλα αστικές περιοχές.
Αυτό δοκιμάστηκε αρχικά στην περιοχή μελέτης με μια ζώνη εκπαίδευσης (πολύγωνο 1 στην Εικ. 1) και στην συνέχεια δοκιμή του μοντέλου στις υπόλοιπες 5 ζώνες και στην συνέχεια μεταφέρθηκε ~130 km νοτιοδυτικά (Εικ.1γ) στην πόλη του Southampton, πληθυσμού 250.000 κατοίκων
3. Αποτελέσματα
Για την ευρύτερη περιοχή του Λονδίνου οι δείκτες είναι για τις δύο χωρικές αναλύσεις που υπολογίστηκαν :
CCRF = 16.2% ± 0.22% (100 m) | CCRF = 16.5% ± 0.37% (20 m)
CHRF = 15.0 m ± 0.1 m (100 m) | CHRF = 8.1 m ± 0.2 m (20 m)
NRF = ∼29 δέντρα/ ha (100 & 20m) | Total = 4.2- 4.7 M μεγάλα δέντρα
Ο υπολογισμός των δέντρων από το Random Forest είναι περίπου ∼10% λιγότερο από την εκτίμηση της βάσης iTree Eco, ενώ τείνει να υπερεκτιμά τις τιμές των δεικτών CC, CH και N σε σύγκριση με τον υπολογισμό μέσω LiDAR.
4. Συμπεράσματα
Ένα πλήθος παραγόντων πρέπει να ληφθούν υπόψιν όταν αποφασίζονται οι μεταβλητές πρόβλεψης (διαθεσιμότητα, κόστος, προ-επεξεργασία, χωρική ανάλυση κλπ.) Για παράδειγμα οι αεροφωτογραφίες μπορούν να παρέχουν πολύ υψηλής ανάλυσης δεδομένα με περιορισμένες όμως φασματικές πληροφορίες (π.χ. μπάντες RGB) με υψηλό κόστος απόκτησης, ενώ τα δορυφορικά δεδομένα είναι συνήθως πολυφασματικά και πλέον ελεύθερα αλλά μπορεί να έχουν προβλήματα λόγω νεφοκάλυψης. Εδώ και στην ανάλυση των 100 και των 20 m τα πιο σημαντικά δεδομένα προέκυψαν από τις φασματικές περιοχές του εγγύς και μέσου υπέρυθρου (NIR/SWIR).
Μια τετραδιάστατη ανάλυση “4D” (με τον χρόνο στην 4η διάσταση) θα μπορούσε να αναδείξει την δυναμική εξέλιξη των αστικών δασών. Κατάλληλη χρονοσειρά δεδομένων μπορούν να παρέχουν τα δεδομένα Landsat που είναι διαθέσιμα από την δεκαετία του 1980 ως σήμερα.
Τα αποτελέσματα δείχνουν ότι η δασική δομή μπορεί να εκτιμηθεί με αρκετά καλή ακρίβεια μέσα σε μεγάλες αστικές περιοχές με την μέθοδο που παρουσιάζεται˙ είτε αυτή χρησιμοποιηθεί αυτοτελώς είτε ως ένα ακόμα όπλο στην φαρέτρα των πολεοδόμων, των φορέων διαχείρισης αστικού πρασίνου και όσων εμπλέκονται στην διαδικασία του χωροταξικού σχεδιασμού ώστε να εκτιμήσουν καλύτερα την αξία των αστικών χώρων πρασίνου και να διατηρηθεί η ποικιλία, έχοντας τους παραγόμενους χάρτες από τα δεδομένα τηλεπισκόπησης ως βάση.
Παραπομπές:
1. Barrett, F., McRoberts, R.E., Tomppo, E., Cienciala, E., Waser, L.T., 2016. A questionnaire-based review of the operational use of remotely sensed data by national forest inventories. Rem. Sens. Environ. 174, 279–289. https://doi.org/10.1016/j.rse.2015.08.029
2. Breiman, L., 2001. Random forests. Mach. Learn. 45, 5–32. https://doi.org/10.1023/A:1010933404324
3. McRoberts, R.E., Tomppo, E.O., 2007. Remote sensing support for national forest inventories. Rem. Sens. Environ. 110, 412–419. https://doi.org/10.1016/j.rse.2006.09.034
4. Whitworth, M., 2015. Laser Surveys Light Up Open Data. https://environmentagency.blog.gov.uk/2015/09/18/laser-surveys-light-up-open-data/
5. Zhu, Z., Zhou, Y., Seto, K.C., Stokes, E.C., Deng, C., Pickett, S.T., Taubenböck, H., 2019. Understanding an urbanizing planet: Strategic directions for remote sensing. Rem. Sens. Environ. 228, 164–182. https://doi.org/10.1016/j.rse.2019.04.020
[[category:]]
