Το δυναμικό και η πρόκληση της εκτίμησης βιομάζας με βάση την τηλεπισκόπηση
Από RemoteSensing Wiki
Συγγραφείς: Dengsheng Lu
Αντικείμενο
Η ανασκόπηση της βιβλιογραφίας έδειξε ότι η εκτίμηση της βιομάζας παραμένει ένα δύσκολο έργο, ειδικά σε εκείνες τις περιοχές μελέτης με πολύπλοκες δομές δάσους και περιβαλλοντικές συνθήκες. Αν και η έρευνα σχετικά με την εκτίμηση της υπέργειας βιομάζας, χρησιμοποιώντας δεδομένα τηλεπισκόπησης έχει ευρέως διερευνηθεί κατά τη διάρκεια των τελευταίων δεκαετιών, μια συνολική αναθεώρηση της εκτίμησης της υπέργειας βιομάζας δεν είναι ακόμη διαθέσιμη.
Σκοπός
Το άρθρο αυτό έχει ως στόχο να συνοψίσει τις προσεγγίσεις για την εκτίμηση της υπέργειας βιομάζας σε διαφορετικές κλίμακες τηλεπισκοπικών δεδομένων, να συζητήσει τα θέματα που επηρεάζουν την εκτίμηση της υπέργειας βιομάζας και να προτείνει πιθανές λύσεις και μελλοντική έρευνα.
Εκτίμηση της υπέργειας βιομάζας με δεδομένα οπτικού αισθητήρα
Οι διαφορετικές προσεγγίσεις για την εκτίμηση υπέργειας βιομάζας στηρίζονται σε διαφορετικές χωρικές αναλύσεις (fine, medium και coarse) των δεδομένων οπτικού αισθητήρα.
- Fine: Τα δεδομένα αυτής της χωρικής ανάλυσης μπορεί να είναι αεροφωτογραφίες ή διαστημικές εικόνες (IKONOS, QuickBird) με χωρική ανάλυση μικρότερη από 5m.
- Medium: Εδώ η μέση χωρική ανάλυση κυμαίνεται από 10 έως 100 m. Τα δεδομένα που χρησιμοποιούνται συχνότερα εδώ είναι τα Landsat δεδομένα χρονοσειρών.
- Coarse: Εδώ η χωρική ανάλυση είναι μεγαλύτερη των 100 m. Περιλαμβάνονται δεδομένα NOAA Advanced Very High Resolution Radiometer (AVHRR), SPOT VEGETATION και Moderate Resolution Imaging Spectroradiometer (MODIS).
Συνολικά, η εκτίμηση της υπέργειας βιομάζας με δεδομένα coarse είναι ακόμα περιορισμένη λόγω της συχνής εμφάνισης μικτών pixels και της τεράστιας διαφοράς μεταξύ του μεγέθους των δεδομένων μετρήσεων πεδίου και του μεγέθους των pixels στην εικόνα, με αποτέλεσμα την δυσκολία στην ενσωμάτωση των δεδομένων του δείγματος και των μεταβλητών που προέρχονται από τηλεπισκόπηση.
Εκτίμηση της υπέργειας βιομάζας με δεδομένα radar και lidar
Σε πολλές περιοχές του κόσμου, οι συνθήκες συννεφιάς που επικρατούν συχνά περιορίζουν την απόκτηση τηλεπισκοπικών δεδομένων υψηλής ποιότητας από οπτικούς αισθητήρες. Για το λόγο αυτό, τα ραντάρ δεδομένα είναι ο μόνος εφικτός τρόπος για την απόκτηση τηλεπισκοπικών δεδομένων σε δεδομένο χρονικό πλαίσιο, διότι τα συστήματα ραντάρ μπορούν να συλλέξουν δεδομένα, ανεξαρτήτως των καιρικών συνθηκών ή των συνθηκών φωτισμού.
Μοντέλα κομοστέγης (vegetation canopy)
Σε προηγούμενες έρευνες έχει συχνά χρησιμοποιηθεί η ανάλυση πολλαπλής παλινδρόμησης για την εκτίμηση της υπέργειας βιομάζας. Η υπέργεια βιομάζα είναι μια αναλυτική παράμετρος που σχετίζεται με πολλούς παράγοντες, όπως η κομοστέγη, η πυκνότητα των δένδρων και η σύσταση των ειδών δέντρων. Οι οπτικοί αισθητήρες συλλαμβάνουν, κυρίως, πληροφορίες θόλου, ως εκ τούτου τα δεδομένα των οπτικών αισθητήρων μπορεί να είναι καταλληλότερα για την εκτίμηση των παραμέτρων κομοστέγης, όπως η πυκνότητα στέμματος στα δέντρα.
Εκτίμηση ακρίβειας
Δύο μέθοδοι χρησιμοποιούνται συχνά για την αξιολόγηση της απόδοσης ενός μοντέλου. Η μία βασίζεται στον συντελεστής προσδιορισμού (R2), εάν τα μοντέλα αναπτύχθηκαν χρησιμοποιώντας ανάλυση πολλαπλής παλινδρόμησης. Η άλλη είναι να εκτιμηθεί η ρίζα του μέσου τετραγωνικού σφάλματος. Σε γενικές γραμμές, ένα υψηλό R2 ή μια χαμηλή τιμή ρίζας τετραγωνικού σφάλματος δείχνει συχνά καλή προσαρμογή μεταξύ του μοντέλου που αναπτύχθηκε και του διαγράμματος των δεδομένων του δείγματος.
Δυνατότητα μεταβίβασης (transferability) μοντέλου
Η δυνατότητα μεταβίβασης μοντέλου αποτελεί συχνά κύριο σημείο ενδιαφέροντος στην ανάπτυξη μοντέλων. Στην πραγματικότητα είναι δύσκολο να μεταφερθεί απευθείας ένα μοντέλο σε διαφορετικές περιοχές μελέτης, λόγω του περιορισμού του ίδιου του μοντέλου και τη φύση των τηλεπισκοπικών δεδομένων. Κάθε μοντέλο έχει τον περιορισμό του και τη βέλτιστη κλίμακα για την εφαρμογή του.
Συζήτηση των σημαντικών θεμάτων που επηρεάζουν την εκτίμηση της βιομάζας
Πολλοί παράγοντες, όπως οι οικονομικές συνθήκες, ο περιορισμός των τηλεπισκοπικών δεδομένων στη φασματική, χωρική και ραδιομετρική ανάλυση, η σύνθετη δομή των δασών, η ποιότητα και η ποσότητα των επιφανειών δειγματοληψίας, η επιλογή των κατάλληλων μεταβλητών, και των αλγορίθμων μοντελοποίησης, συχνά αλληλεπιδρούν και επηρεάζουν την επιτυχία της εκτίμησης υπέργειας βιομάζας.
- Περιορισμοί από οικονομικούς παράγοντες: Για τα έργα τηλεπισκόπησης, υπάρχει συχνά μια εξισορρόπηση ανάμεσα στην ακρίβεια και το κόστος. Μεγαλύτερη ακρίβεια συχνά σημαίνει αύξηση των επενδύσεων στην έρευνα.
- Περιορισμοί των τηλεπικσοπικών δεδομένων: Η αναγνώριση και κατανόηση των πλεονεκτημάτων και των μειονεκτημάτων των διάφορων τύπων δεδομένων είναι απαραίτητη για την επιλογή των κατάλληλων δεδομένων αισθητήρα για την εκτίμηση της υπέργειας βιομάζας σε μια συγκεκριμένη μελέτη.
- Ποιότητα δεδομένων και αβεβαιότητα: Μία πηγή δεδομένων υψηλής ποιότητας αποτελεί προϋπόθεση για την ανάπτυξη μοντέλων εκτίμησης της υπέργειας βιομάζας.
- Επιλογή κατάλληλων μεταβλητών: Η επιλογή των κατάλληλων μεταβλητών είναι ένα κρίσιμο στάδιο για την ανάπτυξη ενός μοντέλου εκτίμησης υπέργειας βιομάζας, επειδή ορισμένες μεταβλητές είναι ελαφρώς σχετιζόμενες με την υπέργεια βιομάζα ή έχουν υψηλή συσχέτιση μεταξύ τους. Εάν οι μεταβλητές σχετίζονται ελάχιστα με την υπέργεια βιομάζα, η ενσωμάτωση αυτών των μεταβλητών μπορεί να μειώσει την απόδοση της εκτίμησης υπέργειας βιομάζας. Μέθοδοι όπως η ανάλυση παλινδρόμησης κατά στάδια, η ανάλυση συσχέτισης και προσεγγίσεις εξαγωγής χαρακτηριστικών, μπορούν να χρησιμοποιηθούν για τον εντοπισμό των κατάλληλων μεταβλητών.
- Μοντελοποίηση: Παρά το γεγονός ότι διαφορετικοί αλγόριθμοι, όπως ανάλυση πολλαπλής παλινδρόμησης, Κ-πλησιέστερου γείτονα, και μοντέλα κομοστέγης, έχουν χρησιμοποιηθεί για την εκτίμηση της υπέργειας βιομάζας, υπάρχει έλλειψη μιας συγκριτικής μελέτης των διαφορετικών προσεγγίσεων μοντελοποίησης. Έτσι δεν είναι σαφές ποιος αλγόριθμος είναι κατάλληλος για μια συγκεκριμένη περιοχή μελέτης.
Σύνοψη και προοπτικές
1.Fine δεδομένα χωρικής ανάλυσης, όπως εναέριες αεροφωτογραφίες και διαστημικές εικόνες IKONOS, μπορούν να παρέχουν ακριβή υπολογισμό της υπέργειας βιομάζας σε τοπική κλίμακα. Ωστόσο, ο μεγάλος όγκος των δεδομένων και οι επιπτώσεις των προβλημάτων σκίασης περιορίζουν την εφαρμογή τους σε μεγάλη περιοχή.
2.Medium δεδομένα χωρικής ανάλυσης, όπως Landsat TM, παρέχουν τη δυνατότητα για εκτίμηση της υπέργειας βιομάζας σε περιφερειακό επίπεδο, αλλά τα μικτά pixels και ο κορεσμός των δεδομένων διαπιστώθηκε να είναι ένα πρόβλημα κατά την εκτίμηση της υπέργειας βιομάζας σε εκείνες τις περιοχές με πολύπλοκο βιοφυσικό περιβάλλον.
3.Coarse δεδομένα χωρικής ανάλυσης, όπως AVHRR ή MODIS, μπορούν να παρέχουν εκτίμηση της υπέργειας βιομάζας σε εθνική ή παγκόσμια κλίμακα, αλλά δεν έχουν ακόμη χρησιμοποιηθεί εκτενώς λόγω της δυσκολίας στη σύνδεση coarse δεδομένων χωρικής ανάλυσης και μετρήσεων πεδίου.
4.Ο εντοπισμός των κυριότερων αβεβαιοτήτων κατά τη διαδικασία ανάπτυξης μοντέλων εκτίμησης υπέργειας βιομάζας είναι κρίσιμης σημασίας για τη βελτίωση της απόδοσης της εκτίμησης υπέργειας βιομάζας. Μερικές πιθανές λύσεις περιλαμβάνουν:
- την ακριβή ατμοσφαιρική βαθμονόμηση για να μειωθούν οι επιπτώσεις της αβεβαιότητας που προκαλούνται από τις διάφορες ατμοσφαιρικές συνθήκες,
- την επιλογή των κατάλληλων δεικτών βλάστησης για τη μείωση των επιπτώσεων των περιβαλλοντικών συνθηκών,
- η ενσωμάτωση των οπτικών και ραντάρ δεδομένων για τη μείωση του κορεσμού δεδομένων σε εικόνες οπτικού αισθητήρα,
- η ενσωμάτωση των δεδομένων από πολλές πηγές.
