Πρόβλεψη για τα είδη πτηνών και την ποικιλότητα του μικρο-ενδιαιτήματος μέσα από δορυφορικά δεδομένα

Από RemoteSensing Wiki

Παρούσα αναθεώρηση της 20:06, 1 Φεβρουαρίου 2026

Πρόβλεψη για τα είδη πτηνών και την ποικιλότητα του μικρο-ενδιαιτήματος μέσα από δορυφορικά δεδομένα

Πρωτότυπος τίτλος: Predicting bird species richness and micro-habitat diversity using satellite data

Συγγραφείς: Ibrahim Ozdemir, Ahmet Merta, Ulas Yunus Ozkan, Sengul Aksan, Yasin Unal

Δημοσιεύθηκε: Forest Ecology and Management, Volume 424, 15 September 2018, Pages 483-493

Σύνδεσμος πρωτότυπου κειμένου: [1]

Σκοπός της εργασίας

Μέσα από την παρούσα μελέτη διερευνάται η πιθανότητα για πρόβλεψη των διαφόρων ειδών πτηνών, καθώς και του γενικότερου μίκρο-ενδιαιτήματος σε μία περιοχή, αξιοποιώντας τη χρήση δορυφορικών δεδομένων και την ανάλυση εικόνων μέσα από τις μεταβλητές της. Αναλυτικότερα, λαμβάνονται υπόψη δύο κύριοι άξονες απεικόνισης της βιοποικιλότητας, ο πλούτος των ειδών των πτηνών στην περιοχή μελέτης και η βιοποικιλότητα του μίκρο-ενδιαιτήματος.

Περιοχή μελέτης

Η μελέτη των παρόντων δεικτών αφορά δάσος πεύκου (Pinus brutia Ten) στη νοτιοδυτική μεσογειακή ζώνη της Τουρκίας, με έκταση 22 km2. Πρόκειται για μια περιοχή που παρουσιάζει μεσογειακό κλίμα, δηλαδή υγρούς χειμώνες και ξηρά, ζεστά καλοκαίρια. Περαιτέρω, στη συγκεκριμένη περιοχή συναντώνται παραποτάμιες ζώνες, θαμνώδης βλάστηση και αγροτικές εκτάσεις με ήπια ανθρώπινη παρέμβαση και δραστηριότητα, καθιστώντας την ιδανική για τη μελέτη της πανίδας των πτηνών. Επιπλέον, η ύπαρξη χωρικής και δομικής ετερογένειας εξαιτίας των διαδοχικών σταδίων ανάπτυξης των συστάδων Pinus brutia, αλλά και της ποικιλίας βλάστησης, δημιουργεί ένα κατάλληλο περιβάλλον για την παρατήρηση του ενδιαιτήματος της περιοχής.

Εικόνα 1:Περιοχή μελέτης στη νοτιοδυτική μεσογειακή ζώνη της Τουρκίας (22 km2).

Μεθοδολογία

Η διεξαγωγή της μελέτης πραγματοποιήθηκε μέσα από ορισμένη μεθοδολογία, η οποία θα μπορούσε να διαχωριστεί στα παρακάτω στάδια:

Στάδιο 1ο : Δειγματοληψία

Τα δεδομένα λαμβάνονται από τρία διαφορετικά συστήματα παρακολούθησης της γης. Συγκεκριμένα, μέσα από τους δορυφόρους RapidEye, ASTER και SPOT-5 που καλύπτουν την περιοχή μελέτης, η δειγματοληψία γίνεται με την κατάτμησή της σε κελιά 90x90m, από τα οποία τα 40 επιλέγονται τυχαία ως δοκιμαστικές επιφάνειες. Επιπλέον, πραγματοποιήθηκε επιτόπια έρευνα προκειμένου να διαπιστωθεί εάν τα δείγματα καλύπτουν όλες τις περιπτώσεις συστάδων των Pinus brutia και όλους τους τύπους κάλυψης γης όπως αγροτικές και δασικές εκτάσεις ή θαμνώνες. Τέλος, μετά την τυχαία επιλογή, έγινε αναπροσαρμογή των δειγμάτων πέντε επιφανειών ώστε να καλύπτονται και τα πιο σπάνια ενδιαιτήματα ή λιγότερο συχνές δομές βλάστησης. Αυτό είχε ως αποτέλεσμα τα τελικά δείγματα που αφορούν τον πληθυσμό των πτηνών και την ποικιλία μίκρο-ενδιαιτήματος να είναι οικολογικά αντιπροσωπευτικά.

Στάδιο 2ο : Συλλογή επιτόπιων δεδομένων βιοποικιλότητας

Στο δεύτερο στάδιο της μεθοδολογίας πραγματοποιήθηκε η συλλογή επιτόπιων δεδομένων βιοποικιλότητας, τα οποία χρησιμοποιήθηκαν ως μεταβλητές απόκρισης (response variables) για τη διερεύνηση της σχέσης τους με τηλεπισκοπικούς δείκτες βλάστησης και χωρικής υφής. Συγκεκριμένα, εκτιμήθηκαν ο πλούτος ειδών πτηνών (Bird Species richness – BS richness) και η ποικιλότητα μίκρο-ενδιαιτημάτων (Micro-habitat diversity – MH diversity) σε κάθε δειγματοληπτική επιφάνεια. Η καταγραφή των πτηνών έγινε με τη μέθοδο σημειακών καταμετρήσεων (point count) σε κάθε δειγματοληπτική επιφάνεια, επαναλαμβανόμενα καθ’ όλη τη διάρκεια ενός έτους (Μάρτιος 2016 – Φεβρουάριος 2017) για να καλυφθούν αναπαραγωγική και μη αναπαραγωγική περίοδος. Κάθε επίσκεψη διήρκησε 15 λεπτά, με συνολικά 12 επαναλήψεις ανά επιφάνεια από δύο έμπειρους παρατηρητές, υπό ευνοϊκές καιρικές συνθήκες και χωρίς δασικές παρεμβάσεις. Συνολικά καταγράφηκαν 76 είδη, και ο πλούτος ειδών (BS richness) υπολογίστηκε ως ο αριθμός ειδών ανά επιφάνεια. Η ποικιλότητα μικρο-ενδιαιτημάτων εκτιμήθηκε επιτόπια για την αποτύπωση της δομικής και λειτουργικής ετερογένειας του οικοσυστήματος σε μικρή κλίμακα, η οποία επηρεάζει τον πλούτο και την κατανομή των πτηνών. Καταγράφηκαν 26 τύποι μικρο-ενδιαιτημάτων (18 δενδρικά, 8 μη δενδρικά), που λειτουργούν ως φωλεοποιητικοί χώροι, καταφύγια και πηγές τροφής/νερού. Η ποικιλότητα ποσοτικοποιήθηκε με δείκτες που λαμβάνουν υπόψη αριθμό και λειτουργική διαφοροποίηση, με ομαδοποίηση σε λειτουργικές κατηγορίες ανά οικολογικό ρόλο.

Εικόνα 2: Κατηγορίες μικρο-ενδιαιτημάτων για 26 διαφορετικούς τύπους.

Στάδιο 3ο Τηλεπισκοπικά δεδομένα και χωρικοί δείκτες ετερογένειας τοπίου

Για τη μείωση των εποχικών διαφοροποιήσεων, επιλέχθηκαν δορυφορικές εικόνες του ίδιου έτους και βλαστητικής περιόδου από τους δορυφόρους RapidEye (6,5 m, 16/08/2014), SPOT-5 (10 m, 04/07/2014) και ASTER (15 m, 26/08/2014). Οι εικόνες αποκόπηκαν στα όρια της περιοχής μελέτης (22,2 km²) και γεωαναφέρθηκαν χρησιμοποιώντας GCPs με RMSE < 7,4 m, ενώ οι εικόνες SPOT-5 και ASTER προσαρμόστηκαν στη RapidEye. Για την εκτίμηση της βλάστησης υπολογίστηκε ο NDVI από τις ζώνες του ερυθρού και του εγγύς υπέρυθρου φάσματος. Από τον NDVI υπολογίστηκαν δείκτες πρώτης τάξης (STD – Τυπική Απόκλιση των τιμών NDVI) και δεύτερης τάξης μέσω GLCM (Contrast, Entropy, Correlation) σε τέσσερις κατευθύνσεις (0°, 45°, 90°, 135°) και απόσταση ενός εικονοστοιχείου. Οι τιμές των δεικτών προέκυψαν ως μέσοι όροι των κατευθύνσεων. Οι δείκτες υφής χρησιμοποιήθηκαν ως ανεξάρτητες μεταβλητές για την πρόβλεψη του πλούτου ειδών πτηνών (BS richness) και της ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) μέσω πολλαπλής γραμμικής παλινδρόμησης. Η καταλληλότητα των μοντέλων ελέγχθηκε για γραμμικότητα, ομοσκεδαστικότητα, κανονικότητα υπολειμμάτων και πολυσυγγραμμικότητα (VIF < 5). Η αξιολόγηση της προβλεπτικής ικανότητας έγινε με 4-fold cross-validation, χωρίζοντας τις 40 δειγματοληπτικές επιφάνειες σε 4 υποσύνολα των 10. Σε κάθε επανάληψη το μοντέλο προσαρμόστηκε σε 30 επιφάνειες και χρησιμοποιήθηκε για πρόβλεψη των υπολοίπων 10, επαναλαμβανόμενη ώστε κάθε επιφάνεια να ελεγχθεί μία φορά.

Εικόνα 3: Διάγραμμα ροής που περιγράφει τα βήματα της μελέτης για τη δημιουργία χάρτη βιοποικιλότητας με βάση δορυφορικά δεδομένα.

Στάδιο 4ο : Στατιστική ανάλυση

Οι συσχετίσεις μεταξύ πλούτου ειδών πτηνών (BS richness), ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) και δεικτών υφής εικόνας εξετάστηκαν αρχικά με ανάλυση Pearson (p = 0,05). Στη συνέχεια, χρησιμοποιήθηκε πολλαπλή γραμμική παλινδρόμηση για την πρόβλεψη των BS richness και MH diversity ως συνάρτηση των δεικτών υφής. Η σταθερότητα των μοντέλων ελέγχθηκε με:

- έλεγχο γραμμικότητας μέσω scatterplots

- έλεγχο ετεροσκεδαστικότητας των υπολειμμάτων

- έλεγχο κανονικότητας υπολειμμάτων με QQ plots και Shapiro–Wilk test

- αποκλεισμό μεταβλητών με VIF > 5

Επιπλέον, πραγματοποιήθηκε 4-fold cross-validation, όπου οι 40 δειγματοληπτικές επιφάνειες χωρίστηκαν σε 4 ομάδες των 10. Το μοντέλο προσαρμόστηκε σε 30 επιφάνειες και χρησιμοποιήθηκε για πρόβλεψη των υπόλοιπων 10. Η διαδικασία επαναλήφθηκε ώστε κάθε επιφάνεια να έχει εκτιμηθεί μία φορά. Τα προβλεπόμενα αποτελέσματα συγκρίθηκαν με τις πραγματικές τιμές από τις μετρήσεις πεδίου για αξιολόγηση της ακρίβειας των μοντέλων.

Αποτελέσματα

Οι αναλύσεις συσχέτισης Pearson έδειξαν ότι ο δείκτης STD (τυπική απόκλιση NDVI) παρουσίασε τις ισχυρότερες θετικές συσχετίσεις τόσο με τον πλούτο ειδών πτηνών (BS richness) όσο και με την ποικιλότητα μικρο-ενδιαιτημάτων (MH diversity). Οι συσχετίσεις μειώθηκαν ελαφρά με τη μείωση της χωρικής ανάλυσης των δορυφορικών δεδομένων: για το BS richness, R = 0,85 (RapidEye), 0,82 (SPOT-5) και 0,78 (ASTER), ενώ για τη MH diversity οι R τιμές ήταν περίπου 0,79–0,81. Οι δείκτες GLCM Entropy και Correlation είχαν γενικά μεγαλύτερη συσχέτιση με τις παραμέτρους βιοποικιλότητας από ό,τι η GLCM Homogeneity, αν και οι συσχετίσεις τους ήταν ασθενέστερες από το STD. Ο μέσος NDVI των εικόνων παρουσίασε αρνητική αλλά ασθενή σχέση με τις παραμέτρους βιοποικιλότητας. Η ανάλυση γραμμικής παλινδρόμησης με stepwise multiple regression έδειξε ότι τα μοντέλα εξηγούν σημαντικό ποσοστό της συνολικής διακύμανσης: τα καλύτερα μοντέλα για το BS richness είχαν RCV² = 0,72–0,73, ενώ για τη MH diversity τα καλύτερα μοντέλα έδωσαν RCV² = 0,67–0,73. Σε όλα τα καλύτερα μοντέλα επιλέχθηκε η STD, ενώ οι δείκτες δεύτερης τάξης χρησιμοποιήθηκαν σε πολύ περιορισμένο βαθμό (π.χ. GLCM Homogeneity RapidEye και GLCM Correlation SPOT-5). Ο μέσος NDVI δεν συμπεριλήφθηκε στα τελικά μοντέλα. Η cross-validation επιβεβαίωσε ότι τα μοντέλα δεν υπερεκπαιδεύτηκαν, και η γραμμικότητα, η ομοσκεδαστικότητα και η κανονικότητα των υπολειμμάτων επαληθεύτηκαν μέσω διαγραμμάτων scatterplots και Shapiro–Wilk test. Τα αποτελέσματα υποδηλώνουν ότι οι δείκτες υφής NDVI είναι αποτελεσματικοί προγνωστικοί δείκτες για τον πλούτο ειδών πτηνών και την ποικιλότητα μικρο-ενδιαιτημάτων.

Εικόνα 4: Σύγκριση του πλούτου ειδών πτηνών (BS richness) που μετρήθηκε στο πεδίο με τον προβλεπόμενο από τα μοντέλα και τα σφάλματα πρόβλεψης.

Εικόνα 5: Συγκριτική απεικόνιση της επιτόπιας μετρημένης ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) με την προβλεπόμενη από τα μοντέλα.

Συμπεράσματα

Η μελέτη έδειξε ότι ο πλούτος ειδών πτηνών (BS richness) και η ποικιλότητα μικρο-ενδιαιτημάτων (MH diversity) μπορούν να προβλεφθούν και να χαρτογραφηθούν με χρήση δεικτών υφής από εικόνες NDVI δορυφόρων (RapidEye, SPOT-5, Aster). Η χωρική ανάλυση των εικόνων δεν επηρεάζει σημαντικά την ακρίβεια των προβλέψεων, ενώ η τυπική απόκλιση (STD) των τιμών NDVI εμφανίζεται ως ο ισχυρότερος δείκτης. Οι δείκτες Shannon βάσει υπο-λειτουργιών και ο Functional Attribute Diversity Index είναι κατάλληλοι για την εκτίμηση της MH ποικιλότητας. Η μέθοδος αυτή παρέχει γρήγορη και οικονομική εκτίμηση της βιοποικιλότητας, υποστηρίζοντας τη διαχείριση δασών και τη μακροπρόθεσμη παρακολούθηση, με δυνατότητα περαιτέρω βελτίωσης μέσω συνδυασμού με περιβαλλοντικές μεταβλητές.

Εικόνα 6: Χάρτης πλούτου ειδών πτηνών βασισμένος στην Τυπική Απόκλιση (STD) και την Ομοιογένεια (Homogeneity) του NDVI από εικόνες RapidEye.

Εικόνα 7: Χάρτης ποικιλότητας μικρο-ενδιαιτημάτων βασισμένος στην Τυπική Απόκλιση (STD) και τη Συσχέτιση (Correlation) του NDVI από εικόνες SPOT.