Ταχεία ταυτοποίηση των κύριων τύπων βλάστησης στο φυσικό καταφύγιο του βουνού Lingkong
Από RemoteSensing Wiki
| Γραμμή 22: | Γραμμή 22: | ||
Τα φυσικά καταφύγια είναι από τις περιοχές με τη μεγαλύτερη βιοποικιλότητα παγκοσμίως και η ταχεία και ακριβής ταυτοποίηση είναι απαραίτητη προϋπόθεση για τη διαχείρισή τους. Με βάση το σύνολο δεδομένων Sentinel-2 η παρούσα μελέτη παρουσιάζει τρείς διαφορετικούς πολυχρονικούς τροποποιημένους δείκτες οι οποίοι είναι οι εξής: α)MTM-NDQI ( Multi-Temporal Modified normalized difference Quercus wutaishanica index), β)MTM-DSI (multi-temporal modified difference scrub grass index) και γ) MTM-DSI (multi-temporal modified ratio shaw index). Αυτοί οι τρεις δείκτες ενσωματώνουν τα πλεονεκτήματα τόσο των τυπικών δεικτών βλάστησης και των πολυχρονικών δεδομένων τηλεπισκόπησης και επιτυγχάνουν μεγάλα ποσοστά ακρίβειας. | Τα φυσικά καταφύγια είναι από τις περιοχές με τη μεγαλύτερη βιοποικιλότητα παγκοσμίως και η ταχεία και ακριβής ταυτοποίηση είναι απαραίτητη προϋπόθεση για τη διαχείρισή τους. Με βάση το σύνολο δεδομένων Sentinel-2 η παρούσα μελέτη παρουσιάζει τρείς διαφορετικούς πολυχρονικούς τροποποιημένους δείκτες οι οποίοι είναι οι εξής: α)MTM-NDQI ( Multi-Temporal Modified normalized difference Quercus wutaishanica index), β)MTM-DSI (multi-temporal modified difference scrub grass index) και γ) MTM-DSI (multi-temporal modified ratio shaw index). Αυτοί οι τρεις δείκτες ενσωματώνουν τα πλεονεκτήματα τόσο των τυπικών δεικτών βλάστησης και των πολυχρονικών δεδομένων τηλεπισκόπησης και επιτυγχάνουν μεγάλα ποσοστά ακρίβειας. | ||
| - | [[Εικόνα:galanou_mar_5.1. | + | [[Εικόνα:galanou_mar_5.1.PNG | thumb| right|'''Εικόνα 1:''' Τοποθεσία της περιοχής μελέτης.]] |
Αναθεώρηση της 20:58, 26 Φεβρουαρίου 2023
Πρωτότυπος τίτλος: Rapid Identification of Main Vegetation Types in the Lingkong Mountain Nature Reserve Based on Multi-Temporal Modified Vegetation Indices.
Συγγραφείς: Wenjing Fang, Hongfen Zhu , Shuai Li, Haoxi Ding and Rutian Bi
Δημοσιεύθηκε: Published: 6 January 2023, MDPI, Journals, Sensors , Volume 23, Issue 2, 10.3390/s23020659 . https://doi.org/10.3390/ s23020659
Σύνδεσμος πρωτότυπου κειμένου: https://www.mdpi.com/1424-8220/23/2/659
Λέξεις-κλειδιά: φυσικό καταφύγιο, δείκτης βλάστησης, βέλτιστο χαρακτηριστικό, τυχαίο δάσος
1. Περίληψη:
Τα φυσικά καταφύγια είναι από τις περιοχές με τη μεγαλύτερη βιοποικιλότητα παγκοσμίως και η ταχεία και ακριβής ταυτοποίηση είναι απαραίτητη προϋπόθεση για τη διαχείρισή τους. Με βάση το σύνολο δεδομένων Sentinel-2 η παρούσα μελέτη παρουσιάζει τρείς διαφορετικούς πολυχρονικούς τροποποιημένους δείκτες οι οποίοι είναι οι εξής: α)MTM-NDQI ( Multi-Temporal Modified normalized difference Quercus wutaishanica index), β)MTM-DSI (multi-temporal modified difference scrub grass index) και γ) MTM-DSI (multi-temporal modified ratio shaw index). Αυτοί οι τρεις δείκτες ενσωματώνουν τα πλεονεκτήματα τόσο των τυπικών δεικτών βλάστησης και των πολυχρονικών δεδομένων τηλεπισκόπησης και επιτυγχάνουν μεγάλα ποσοστά ακρίβειας.
2. Εισαγωγή:
Το βουνό Λίνγκογκ της Κίνας, είναι ένα εθνικό φυσικό καταφύγιο, όπου τα εύκρατα λιβάδια διαπλέκονται με τα φυλλοβόλα πλατύφυλλα δάση. Ένα υψηλό επίπεδο βιοποικιλότητας στο LMNR (Lingkong Mountain Nature Reserve)(Εικόνα 1)είναι ζωτικής σημασίας για της διατήρηση της οικολογικής του σταθερότητας. Στην προσπάθεια δημιουργίας ενός πλαισίου διαχείρισης, το πρώτο βήμα είναι ο εντοπισμός , η περιγραφή και η ταξινόμηση των μονάδων βλάστησης ολόκληρου του πεδίου. Οι μέχρι τώρα έρευνες είναι περιορισμένες τόσο σε έκταση όσο και σε δεδομένα. Οι εξελίξεις στην τηλεπισκόπηση παρέχουν αποτελεσματική λύση στο πρόβλημα αυτό, καθώς διαθέτουν μια ευρεία γκάμα εργαλείων και μεθόδων ανίχνευσης και ταυτόχρονα επιτρέπουν την ταχεία απόκτηση δεδομένων μεγάλης κλίμακας ιδίως σε απομακρυσμένες περιοχές. Επίσης μια σημαντική πράμετρος είναι αυτή της συνέχειας των δεδομένων την οποία καλύπτουν οι χρονοσειρές . Μέσω αυτών δημιουργείται το υπόβαθρο παρακολούθησης της ανάπτυξης της βλάστησης και της εποχικότητας. Οι σταθμοί ανάκτησης δεδομένων που αφορούν τη βλάστηση συνήθως είναι ο Sentinel -2 , Landsat -8 και MODIS. Οι δείκτες που χρησιμοποιούνται στη διαδικασία διάκρισης των φυτικών ειδών οι RVI( δείκτης αναλογίας βλάστησης ), DVI(δείκτης διαφοράς βλάστησης), NDVI ( ο κανονικοποιημένος δείκτης διαφοράς βλάστησης), σε αυτούς προστέθηκαν και κάποιοι βελτιωμένοι όπως ο SAVI (προσαρμοσμένος στο έδαφος δείκτης βλάστησης), ο EVI (ενισχυμένος δείκτης βλάστησης) και ο, ARVI (ατμοσφαιρικά ανθεκτικός δείκτης βλάστησης). Ωστόσο, οι περισσότεροι τύποι βλάστησης μοιράζονται έναν παρόμοιο τρόπο ανάκλασης, όπου το ορατό κόκκινο φως απορροφάται και το υπέρυθρο φως ανακλάται, επομένως, οι μέθοδοι ταξινόμησης που βασίζονται σε τους ανωτέρω δείκτες βλάστησης δεν μπορούν να παρέχουν ακριβή αποτελέσματα. Για την επίλυση αυτού του προβλήματος, τα τελευταία χρόνια, οι ερευνητές έχουν αναπτύξει μερικούς δείκτες για τον προσδιορισμό ορισμένων τύπων βλάστησης σύμφωνα με τα ιδιαίτερα φυσιολογικά και αυξητικά χαρακτηριστικά της αντικειμένων ταυτοποίησης. Οι τροποποιημένοι δείκτες είναι ο MVI (δείκτης βλάστησης των μαγκρόβιων φυτών ), ο NDYI ( δείκτης κανονικοποιημένης διαφοράς κίτρινου). Η ανάπτυξη τροποποιημένων δεικτών αποτελεί στόχο της παρούσας μελέτης τόσο για να χρησιμοποιηθούν για τη γρήγορη και ακριβή διερεύνηση της κατάστασης της βλάστησης στην LMNR αλλά και να αποτελέσουν τεχνικό μέσο για τη διασφάλιση της αποτελεσματικής διαχείριση και επιστημονική αξιοποίηση των περιφερειακών πόρων.
3.Υλικά και μέθοδοι
Πολυχρονικά δεδομένα τηλεπισκόπησης Επιλέξαμε έξι εικόνες Sentinel-2 L2A (με ημερομηνίες 19/02, 25/04, 04/06,28/08, 17 /10 και 21 /12 : 2021) που καλύπτουν την περιοχή μελέτης, με λιγότερο από 5% νεφώσεις. Τα δεδομένα τηλεπισκόπησης Sentinel-2 παρασχέθηκαν από το κέντρο δεδομένων (https://scihub.copernicus.eu/dhus/, πρόσβαση στις 28 Απριλίου 2021) του Ευρωπαϊκού Διαστημικού Agency (ESA), και τα δεδομένα του προϊόντος της κατηγορίας L2A ήταν ραδιομετρικά βαθμονομημένα και ατμοσφαιρικά διορθωμένα. Στην παρούσα μελέτη, οι ζώνες 1, 9 και 10 εξαιρέθηκαν λόγω των χαμηλής χωρικής ανάλυσης (60 m), και όλες οι εικόνες με ανάλυση 20 m επαναπροσδιορίστηκαν σε εικόνες με ανάλυση 10 m μέσω παρεμβολής του πλησιέστερου γείτονα.
3.1 Δεδομένα έρευνας πεδίου
Για την καλύτερη διερεύνηση της χωρικής κατανομής των φυτοκοινοτήτων, οι ερευνητές διεξήγαγαν έρευνα πεδίου των πρωτογενών τύπων βλάστησης στο LMNR από τις 10 Σεπτεμβρίου έως τις 15 Σεπτεμβρίου 2021. Επιπλέον, ορισμένες περιοχές που ήταν απρόσιτες για τον άνθρωπο φωτογραφήθηκαν από αέρος με τη χρήση μη επανδρωμένων αεροσκαφών. Δεδομένου του ανάγλυφου των βουνών το οποίο μπορεί να επηρεάσει τα σήματα των δορυφορικών αισθητήρων, έγινε προσεκτική επιλογή των σημείων δειγματοληψίας αφού πρώτα συνδυάστηκαν DEM ( κλίσεων, διεύθυνσης κλίσεων και υψομέτρου ) και δορυφορικές εικόνες. Τελικά , αντλήθηκαν 270 δείγματα κάτω από επτά κύριους τύπους βλάστησης, που περιελάμβαναν συνολικά 2430 pixels. τα δεδομένα της έρευνας πεδίου χρησιμοποιήθηκαν για την εκπαίδευση και την επαλήθευση σε αναλογία 6:4.
3.2 Μεθοδολογία
Με βάση το σκοπό μελέτης και τις διαθέσιμες πληροφορίες από τα δεδομένα του Sentinel-2, τρείς τυπικοί δείκτες βλάστησης συμπεριλαμβανομένων των χρονοσειρών RVI (RVI = RED/NIR)ευαίσθητος στη βλάστηση όταν η φυτοκάλυψη είναι υψηλή , DVI (DVI = NIR – RED) ευαίσθητος στις μεταβολές του εδάφους και NDVI (NDVI = (NIR - RED)/(NIR + RED) ευαίσθητος στην πράσινη βλάστηση ακόμα και όταν η φυτοκάληψη είναι χαμηλή, επιλέχθηκαν για να αξιολογηθεί η ικανότητά τους να προσδιορίσουν τους τύπους βλάστησης στο LMNR. Με βάση τα δεδομένα εικόνας Sentinel-2A που αποκτήθηκαν για έξι περιόδους, αναλύθηκαν στατιστικά οι μέσες φασματικές τιμές επτά τύπων βλάστησης (Εικόνα 2). Οι φασματικές διαφορές μεταξύ των επιφανειακών χαρακτηριστικών αναλύθηκαν σύμφωνα με τις καμπύλες των φασματικών χαρακτηριστικών (Εικόνα 3). Κατά τη διάρκεια του Φεβρουαρίου και Δεκεμβρίου. Χρησιμοποιώντας το πρώτο φυτικό είδος, το κόκκινο κινέζικο πεύκο (Pinus tabuliformis ) είναι φανερό πως είναι εύκολο με τους τυπικούς δείκτες είναι εύκολο να αναγνωριστεί σε σχέση με τις καλλιέργειες . Συγκρίνοντας στη συνέχεια το θαμνώδες γρασίδι, τη Μογγολική βελανιδιά (Quercus wutaishanica), τα μικτά δάση πεύκου-δρυός, το Λάρικα (Larix principis-rupprechtii) και το Επτακώδειο (shaw) είχαν παρόμοιες τιμές ανακλαστικότητας στις NIR ζώνες και οι τυπικοί δείκτες δεν επαρκούσαν για περεταίρω διαχωρισμό. Στο σημείο αυτό κρίθηκε αναγκαίο να αναπτυχθούν κι άλλοι δείκτες βλάστησης οι οποίοι θα βοηθούσαν στο διαχωρισμό αυτό. Έτσι ακολούθησε η παρακάτω συλλογιστική: Πρώτον, μέσω φασματικής ανάλυσης, επιλέξαμε τον τύπο βλάστησης με μοναδικά φασματικά χαρακτηριστικά, ο οποίος ήταν αυτός με τη μεγαλύτερη φασματική διαφορά μεταξύ των άλλων τύπων βλάστησης που επρόκειτο να αναγνωριστούν (Εικόνα 4). Στη συνέχει εξετάστηκαν οι τυπικές αποκλίσεις και επιλέχθηκε ο συνδυασμός με το μικρότερο άθροισμα τυπικών αποκλίσεων. Έτσι για τα μεικτά δάση πεύκης –δρυός, το το Quercus wutaishanica, το θαμνώδες γρασίδι και το Shaw ο δείκτης διαμορφώθηκε ως εξής: UTM-DMI = RE4&Feb - SWIR-1&Feb, (όπου RE4&Feb δηλώνει την ανακλαστικότητα της ζώνης RE4 τον Φεβρουάριο, και SWIR-1&Feb δηλώνει την ανακλαστικότητα της ζώνης SWIR-1 τον Φεβρουάριο). Για την Quercus wutaishanica, το θαμνώδες γρασίδι, το Larix principis-rupprechtii, και το shaw: MTM-NDQI = (1 - RE4&June - RE4&Oct)/(RE4&June + RE4&Oct). Για το θαμνώδες γρασίδι, το Larix principisrupprechtii και το shaw MTM-DSI = RE2&Ιούνιος - RE2&Aύγουστος. Και για το Larix principis-rupprechtii και shaw MTM-RSI = (RE2&Ιούνιος - RE2&Οκτώβριος)/RE2&Οκτώβριος. Σε κάθε χρονική φάση, η τυπικοί δείκτες βλάστησης οποιουδήποτε από τους πέντε άλλους τύπους βλάστησης (συμπεριλαμβανομένου του θαμνώδους χόρτου, Quercus wutaishanica, μικτά δάση πεύκης-δρυός, Larix principis-rupprechtii και shaw) επικαλύπτονται με άλλον τύπο βλάστησης- τα επικαλυπτόμενα δείγματα αντιπροσωπεύουν περισσότερο από το 25% των των συνολικών δειγμάτων, με χαμηλή διαχωρισιμότητα μεταξύ τους. Συνοψίζοντας, ο NDVI τον Δεκέμβριο και ο NDVI τον Απρίλιο μπορούν εύκολα να προσδιορίσουν το Pinus tabuliformis και τις καλλιέργειες. Ως εκ τούτου, ο NDVI τον Δεκέμβριο, ο NDVI τον Απρίλιο και τα UTMDMI, MTM-NDQI, MTM-DSI και MTM-RSI μαζί με τη χρήση του αλγορίθμου τυχαίου δάσους (random forest algorithm )αποτελούν το βέλτιστο σύνολο εργαλείων για την ταξινόμηση της βλάστησης με τηλεπισκόπηση στο LMNR.
4. Αποτελέσματα:
Στην παρούσα μελέτη, ο αλγόριθμος τυχαίου δάσους χρησιμοποιήθηκε για την ταξινόμηση του βέλτιστου συνόλου χαρακτηριστικών, στις χρονοσειρές RVI, DVI και NDVI. Το βέλτιστο σύνολο χαρακτηριστικών έχει τον υψηλότερο συντελεστή OA και Kappa που για τις υπό μελέτη χρονοσειρές ακολουθούν την φθίνουσα σειρά NDVI>RVI>DVI. Για την επίδραση ταξινόμησης των διαφορετικών τύπων βλάστησης, μόνο το Pinus tabuliformis επιτυγχάνει την υψηλότερη ακρίβεια ταξινόμησηςόσον αφορά τη χρονοσειρά DVI, με τα PA και UA να είναι 100% και 100%, αντίστοιχα. Καλλιέργειες, θαμνόχορτο, Quercus wutaishanica, μικτά δάση πεύκης-δρυός, Larix principis-rupprechtii, και shaw απέκτησαν την υψηλότερη ακρίβεια ταξινόμησης όσον αφορά το βέλτιστο σύνολο χαρακτηριστικών, με τις τιμές PA και UA να είναι 100%, 98,61%, 99,21%, 97,44%, 95,83% και 96,83%, όπως καθώς και 98,44%, 100%, 97,66%, 100%, 100% και 93,85%, αντίστοιχα. Εντός των 630 επιλεγμένων σημείων επαλήθευσης, υπάρχουν 62 δείγματα καλλιέργειας, τα οποία έχουν όλα ταξινομηθεί σωστά. Υπάρχουν 72 δείγματα θαμνώδους χόρτου, τα οποία έχουν όλα ταξινομηθεί σωστά, 117 δείγματα Pinus tabuliformis, τα οποία έχουν όλα ταξινομηθεί σωστά, 135 δείγματα Quercus wutaishanica, μεταξύ των οποίων 125 δείγματα έχουν καταταγεί σωστά και 10 έχουν ταξινομηθεί λανθασμένα, 125 μικτού δάσους Πεύκης-δρυός μεταξύ των οποίων 108 δείγματα έχουν ταξινομηθεί σωστά και 17 δείγματα έχουν λανθασμένη ταξινόμηση, 59 δείγματα Larix principis-rupprechtii, μεταξύ των οποίων 58 έχουν ληφθεί σωστά και ένα δείγμα έχει ταξινομηθεί λανθασμένα και τέλος 60 δείγματα Shaw, τα οποία έχουν όλα ταξινομηθεί σωστά. Όσον αφορά τα UA και PA, η ακρίβεια ταξινόμησης όλων των τύπων βλάστησης είναι υψηλότερη από 80%. Ο συντελεστής OA και ο συντελεστής Kappa είναι αντίστοιχα, 95,56% και 0,95, αντίστοιχα, υποδεικνύοντας ένα καλό αποτέλεσμα ταξινόμησης (Εικόνα 5).
5. Συζήτηση:
Η παρούσα μελέτη είχε ως στόχο την ταχεία ταυτοποίηση των κύριων τύπων βλάστησης στο φυσικό καταφύγιο του βουνού Lingkong. Αυτό επιτεύχθηκε μέσω της ανάπτυξης πολυχρονικών τροποποιημένων δεικτών οι οποίοι ενίσχυσαν τη φασματική διαφορά μεταξύ βλάστησης-στόχου και άλλων επιφανειακών χαρακτηριστικών του πεδίου. Η ενίσχυση αυτή επιτεύχθηκε με την εκτέλεση φασματικών αλλαγών ή και την ενίσχυση της φασματικής πληροφορίας κάθε ζώνης. Οι ζώνες των χαρακτηριστικών επιλέχθηκαν με βάση τις ειδικά φυσιολογικά και αυξητικά μοτίβα συγκεκριμένων αντικειμένων αναγνώρισης. Λόγω των αλλαγών στη μορφολογία των φυτών και των συγκέντρωσης χλωροφύλλης σε διαφορετικές περιόδους ανάπτυξης η βλάστηση παρουσιάζει διαφορετικά χαρακτηριστικά ανάκλασης σε εικόνες τηλεπισκόπησης διαφορετικών φάσεων. Μέσω του συνδυασμού των πολυχρονικών ζωνών της βλάστησης-στόχου, οι φαινολογικές πληροφορίες μπορούν να εισαχθούν και να προβάλλονται σε ένα σαφώς αναγνωρίσιμο εύρος τιμών χαμηλής διάστασης χωρίς την ανάγκη πρόσθετων δεδομένων, βελτιώνοντας περαιτέρω την ακρίβεια της ταξινόμησης. Αξίζει να αναφερθεί ότι η ακρίβεια ταξινόμησης του αλγορίθμου δέντρου απόφασης είναι χαμηλότερη από εκείνη του αλγορίθμου τυχαίου δάσους στην παρούσα μελέτη όταν το βέλτιστο χαρακτηριστικό σύνολο χρησιμοποιήθηκε ως χαρακτηριστικό ταξινόμησης. Οι περισσότερες μελέτες υποστηρίζουν πως άλλοι αλγόριθμοι μηχανικής μάθησης παρέχουν μεγαλύτερη ακρίβεια στην ταξινόμηση αλλά αυτό δεν αποδεικνύεται σε ταξινομήσεις σε πολύπλοκα ορεινά τοπία. Σε μελλοντικές μελέτες οι αναλύσεις θα γίνονται με συνδυασμό πολλών παραμέτρων.
6. Συμπεράσματα:
Με βάση το πολυ-χρονικό σύνολο δεδομένων Sentinel-2, αναπτύξαμε τρεις πολυ-χρονικούς τροποποιημένους δείκτες βλάστησης για τη βελτίωση της ακρίβειας ταξινόμησης της βλάστησης στο LMNR. Με βάση τα πλεονεκτήματα των τυπικών δεικτών βλάστησης (π.χ. ενίσχυση των φασματικών διαφορών και μείωση της διαστατικότητας του φασματικού χώρου), οι πολυχρονικοί τροποποιημένοι δείκτες βλάστησης ενσωματώνουν τις φαινολογικές πληροφορίες της περιφερειακής βλάστησης, επιτυγχάνοντας έτσι καλύτερες επιδόσεις στην ταξινόμηση της βλάστησης μέσω τηλεπισκόπησης. Σε σύγκριση με αλγορίθμους μηχανικής μάθησης (π.χ. τυχαίο δάσος), το δέντρο αποφάσεων με βάση τους δείκτες βλάστησης απλοποιεί τη διαδικασία ταξινόμησης και βελτιώνει τη λειτουργικότητά της, καθιστώντας την κατάλληλη μέθοδο για την παρακολούθηση της βλάστησης σε περιφερειακή κλίμακα. Με βάση τα πλεονεκτήματα των δεικτών βλάστησης και των πολυχρονικών δεδομένων τηλεπισκόπησης, η παρούσα μελέτη ανέπτυξε πολυχρονικούς τροποποιημένους δείκτες βλάστησης, βελτιώνοντας έτσι τη συμβατική μέθοδο για την ανάπτυξη δεικτών βλάστησης που βασίζονται μόνο σε μονοχρονικές ζώνες. Τα ευρήματα αυτής της μελέτης παρέχουν μια νέα προσέγγιση για την ανάπτυξη δεικτών βλάστησης που μπορεί να βελτιώσει την ακρίβεια της ταξινόμησης της βλάστησης μέσω της τηλεπισκόπησης με βάση πολυχρονικά τηλεπισκοπικά δεδομένα.
