Αξιολόγηση της Δυνατότητας Εντοπισμού Αστικών Δενδρωδών Ειδών με Συνδυασμό Πολυεποχικών Εικόνων Sentinel-2 και Εναέριου LiDAR

Από RemoteSensing Wiki

Αναθεώρηση της 21:18, 16 Ιανουαρίου 2026

Εικόνα: Κόμες μεμονωμένων όρθιων νεκρών δέντρων, όπως εμφανίζονται σε εικόνες με διαφορετική χωρική ανάλυση. Παρότι οι κόμες είναι καθαρά ορατές σε εικόνες υψηλής ανάλυσης (τρεις επάνω εικόνες), η ορατότητά τους μειώνεται σε χαμηλότερες χωρικές αναλύσεις και γίνεται μη αναγνωρίσιμη, όπως στο Sentinel-2.© LWF 2025, πηγή:https://www.lwf.bayern.de/informationstechnologie/fernerkund ung/345521/index.php

Εικόνα: Κόμες μεμονωμένων όρθιων νεκρών δέντρων, όπως εμφανίζονται σε εικόνες με διαφορετική χωρική ανάλυση. Παρότι οι κόμες είναι καθαρά ορατές σε εικόνες υψηλής ανάλυσης (τρεις επάνω εικόνες), η ορατότητά τους μειώνεται σε χαμηλότερες χωρικές αναλύσεις και γίνεται μη αναγνωρίσιμη, όπως στο Sentinel-2.© LWF 2025, πηγή:https://www.lwf.bayern.de/informationstechnologie/fernerkund ung/345521/index.php

Πρωτότυπος τίτλος: Assessing the potential of multi- seasonal Sentinel-2 satellite imagery combined with airborne LiDAR for urban tree species identification

Συγγραφείς: Yunfang Jian, Xianghua Li, Lixian Peng, Chunjing Li & Tao Song.

Δημοσιεύτηκε: Ιούλιος του 2025

Σύνδεσμος πρωτότυπου κειμένου: https://doi.org/10.1038/s41598-025-10971-6

Εισαγωγή

Τα αστικά δέντρα διαδραματίζουν κρίσιμο ρόλο στην παροχή υπηρεσιών στο οικοσύστημα, όπως ο καθαρισμός του αέρα, η μετριασμένη θερμότητα των πόλεων και η βελτίωση της υγείας και της ποιότητας ζωής των ανθρώπων. Η ακριβής αναγνώριση της σύστασης και της κατανομής των ειδών είναι προαπαιτούμενο για την αποτελεσματική σχεδίαση και διαχείριση του αστικού τοπίου. Ωστόσο, η ακριβής απόκτηση χωρικών πληροφοριών για τα αστικά δέντρα σε ιδιαίτερα ετερογενή και πολύπλοκα αστικά περιβάλλοντα αποτελεί σημαντική πρόκληση. Οι επίγειες έρευνες αποτελούν την ακριβέστερη μέθοδο συλλογής δεδομένων, αλλά είναι συχνά δαπανηρές και κατάλληλες μόνο για μικρής κλίμακας μελέτες. Η τηλεπισκόπηση προσφέρει παρατηρήσεις σε διάφορες κλίμακες, δίνοντας τη δυνατότητα αυτοματοποιημένης ταξινόμησης σε μεγάλη κλίμακα. Η δορυφορική ταξινόμηση ειδών έχει μελετηθεί εκτενώς σε φυσικά περιβάλλοντα, αλλά οι αστικές περιοχές παρουσιάζουν επιπλέον προκλήσεις όπως η πολυπλοκότητα χρήσης γης, η ποικιλομορφία της αστικής σύστασης δέντρων και η ποικίλη διαχείριση τα οποία απαιτούν ειδικές προσεγγίσεις. Το Sentinel-2 παρέχει δωρεάν πολυφασματικά δεδομένα με χωρική ανάλυση 10 μέτρων και πενθήμερο κύκλο επανάληψης, καθιστώντας το ιδανικό για εφαρμογές παρακολούθησης αστικών τοπίων. Η ενσωμάτωση δεδομένων LiDAR προσφέρει πρόσθετες δομικές πληροφορίες για την καλύτερη διαφοροποίηση ειδών. Η παρούσα μελέτη διερευνά τη δυνατότητα χρήσης πολυεποχιακής δορυφορικής τηλεπισκόπησης συνδυασμένης με αερομεταφερόμενα δεδομένα LiDAR για την αναγνώριση ειδών αστικών δέντρων σε μεγάλη κλίμακα (> 5000 km2) στη Σαγκάη, μία από τις μεγαλύτερες πόλεις της Κίνας.

Υλικά και Μέθοδοι

Η μελέτη διεξήχθη στο κύριο ηπειρωτικό τμήμα της Σαγκάης (5.439 km2), ένα κλιματολογικά υγρό υποτροπικό περιβάλλον με ετήσια βροχόπτωση περίπου 1.200 mm και μέση ετήσια θερμοκρασία 17,7°C. Η περιοχή χαρακτηρίζεται από κάλυψη δέντρων 26% με ποικιλία 19 κυρίαρχων ειδών. Δεδομένα δορυφορική τηλεπισκόπησης Sentinel-2 συλλέχθησαν για τρεις κρίσιμες εποχές: Άνοιξη (15 Μαΐου, μέρα έτους 135), Καλοκαίρι (11 Αυγούστου, μέρα 223) και Φθινόπωρο (15 Οκτωβρίου, μέρα 288) του 2023, καλύπτοντας την περιοχή μελέτης. Τα δεδομένα Sentinel-2 Level 1C (Top-of-Atmosphere reflectance) μετατράπησαν σε Level 2A (surface reflectance) χρησιμοποιώντας τον επεξεργαστή MAJA. Η προ-επεξεργασία περιλάμβανε resampling, σύνθεση ζωνών, δημιουργία μωσαϊκού, μάσκαρισμα νεφών και συμπλήρωση ελλιπών τιμών χρησιμοποιώντας λογισμικό SNAP και ENVI. Δεδομένα αερομεταφερόμενου LiDAR συλλέχθησαν το καλοκαίρι του 2021 χρησιμοποιώντας UAV (Feima D200) με scanner RIEGL miniVUX-1UAV σε πυκνότητα 52 σημείων/m2. Τρία παράγωγα χαρακτηριστικά εξήχθησαν: ύψος κόμης (CH), κάλυψη κόμης (CC) και δείκτης φυλλικής επιφάνειας (LAI). Δημιουργήθηκαν επτά πειραματικά σχήματα συνδυάζοντας φασματικά χαρακτηριστικά (10 ζώνες και 24 δείκτες), χρονικά χαρακτηριστικά (Seasonal Trajectory Difference Index) και φυσικά χαρακτηριστικά LiDAR. Επιλέχθησαν χαρακτηριστικά χρησιμοποιώντας τη δοκιμή Kruskal-Wallis, ανάλυση πολυσυγγραμμικότητας και αξιολόγηση σημασίας Random Forest. Ένα ιεραρχικό μοντέλο Random Forest ταξινόμησης εφαρμόστηκε σε τρία επίπεδα: κάλυψη γης, τύποι δάσους και ειδικά είδη δέντρων. Χρησιμοποιήθηκαν 80% των δεδομένων για εκπαίδευση και 20% για επικύρωση, με μετρικές αξιολόγησης την Ολική Ακρίβεια (OA), F1-score, Producer Accuracy (PA) και User Accuracy (UA).

Αποτελέσματα

Η ανάλυση κατέδειξε σημαντικές διαφορές στην απόδοση ταξινόμησης μεταξύ φυλλοβόλων και αειθαλών ειδών δέντρων. Για τα φυλλοβόλα φυλλοφόρα δέντρα (DBF), ο συνδυασμός φασματικών, χρονικών και φυσικών χαρακτηριστικών (που προέρχονται από Sentinel-2 και LiDAR) επέτυχε την υψηλότερη ακρίβεια με συνολική ακρίβεια 63,32% και F1-score 0,63. Αυτό αντιπροσωπεύει βελτίωση 29,65% σε σύγκριση με τον χαμηλότερης απόδοσης συνδυασμό που χρησιμοποιούσε μόνο φασματικά χαρακτηριστικά. Για τα αειθαλή φυλλοφόρα δέντρα (EBF), ο συνδυασμός χρονικών και φυσικών χαρακτηριστικών παρήγαγε τα καλύτερα αποτελέσματα με συνολική ακρίβεια 76,77% και F1-score 0,75, υποδεικνύοντας ότι τα αειθαλή είδη είναι ευκολότερα να διαφοροποιηθούν. Η χαρτογράφηση των κυρίαρχων ειδών δέντρων πραγματοποιήθηκε σε ανάλυση 10 μέτρων για ολόκληρη την περιοχή της Σαγκάης. Τα τρία πιο διαδεδομένα είδη—το Cinnamomum camphora (κανέλα), το Metasequoia glyptostroboides (δεντροσίσαμο) και το Salix babylonica (ιτιά)—καταλαμβάνουν το 57,56% της συνολικής δασικής έκτασης. Η λεπτομερής αξιολόγηση ακρίβειας ανά είδος αποκάλυψε σημαντική ποικιλία στην απόδοση ταξινόμησης. Για τα φυλλοβόλα είδη, το Populus alba επέτυχε PA 80,95%, δείχνοντας εξαιρετική ταξινόμηση, ενώ το Zelkova serrata παρουσίασε χαμηλότερη PA 55,38%, υποδεικνύοντας χαρακτηριστικές ομοιότητες με άλλα είδη. Για τα αειθαλή είδη, το Cinnamomum camphora κορυφώθηκε με UA 95,07% και PA 77,59%, αντανακλώντας εξαιρετική απόδοση ταξινόμησης και υψηλή αξιοπιστία. Η ανάλυση σημασίας χαρακτηριστικών κατέδειξε ότι τα φασματικά δεδομένα από την άνοιξη ήταν κυρίαρχα για την ταξινόμηση φυλλοβόλων ειδών, με τα κανάλια που αντιστοιχούν στο πράσινο και τον εγγύς υπέρυθρο (NIR) να είναι ιδιαίτερα σημαντικά. Αυτό αποδίδεται στη δυναμική αλλαγή του πράσινου φυλλώματος κατά την άνοιξη. Για τα αειθαλή είδη, διαφορετικές ζώνες του φάσματος κυριαρχούσαν σε διαφορετικές εποχές του χρόνου, υποδεικνύοντας ότι δεν υπάρχει μία μόνη εποχή που να είναι αρκετή για την αναγνώρισή τους. Το ύψος της κόμης του δέντρου αποδείχθηκε ως το πιο σημαντικό χαρακτηριστικό LiDAR και για τους δύο τύπους δάσους. Η ενσωμάτωση δεδομένων LiDAR βελτίωσε τα αποτελέσματα της ταξινόμησης, με αύξηση ακρίβειας έως 18,75% για τα φυλλοβόλα είδη, υποδεικνύοντας ότι οι δομικές πληροφορίες του δέντρου είναι κρίσιμες για την αναγνώριση φυλλοβόλων ειδών που είναι φασματικά παρόμοια μεταξύ τους.

Συμπεράσματα

Η μελέτη καταδεικνύει ότι ο συνδυασμός πολυεποχιακής δορυφορικής τηλεπισκόπησης Sentinel-2 με αερομεταφερόμενα δεδομένα LiDAR είναι αποτελεσματικός για την αναγνώριση ειδών αστικών δέντρων σε μεγάλες ετερογενείς αστικές περιοχές. Ένα ιεραρχικό μοντέλο Random Forest ταξινόμησης επιτυγχάνει σαφώς διαφοροποιήσιμα αποτελέσματα, με συνολικές ακρίβειες 63,32% για φυλλοβόλα είδη και 76,77% για αειθαλή είδη. Τα πολυεποχιακά φασματικά δεδομένα αποτελούν το κύριο εξηγητικό χαρακτηριστικό, με την άνοιξη να έχει ιδιαίτερη σημασία για τα φυλλοβόλα είδη, ενώ κάθε εποχή έχει το δικό της κυρίαρχο φασματικό περιεχόμενο για τα αειθαλή είδη. Ο συνδυασμός δεδομένων τριών εποχών υπερτερεί έναντι δύο ή μίας εποχής συνδυασμών. Η ενσωμάτωση δομικών μετρήσεων LiDAR παρέχει σημαντικές βελτιώσεις, ιδιαίτερα για φυλλοβόλα είδη που είναι φασματικά παρόμοια. Αυτή η προσέγγιση προσφέρει μια οικονομικά αποδοτική και χρήσιμη μέθοδο δημιουργίας λεπτομερών χαρτών κατανομής αστικών δέντρων σε περιοχές μεγαλύτερες των 5000 km2. Τα ευρήματα έχουν σημαντικές επιπτώσεις για την αστική δασική διαχείριση, τη ποσοτικοποίηση υπηρεσιών οικοσυστήματος, και τη στήριξη πολιτικής αειφορικής ανάπτυξης των πόλεων. Μελλοντικές έρευνες θα μπορούσαν να εξερευνήσουν πυκνότερες χρονικές σειρές δεδομένων και επίγεια δεδομένα LiDAR υψηλής πυκνότητας για περαιτέρω βελτίωση της ακρίβειας ταξινόμησης.