Από RemoteSensing Wiki

Πώς οι επιλογές τηλεπισκόπησης επηρεάζουν τα αποτελέσματα παρακολούθησης και αξιολόγησης οικοσυστημικών υπηρεσιών σε παρεμβάσεις οικολογικής αποκατάστασης

Πρωτότυπος τίτλος: How remote sensing choices influence ecosystem services monitoring and evaluation results of ecological restoration interventions

Μεταφρασμένος τίτλος Πώς οι επιλογές τηλεπισκόπησης επηρεάζουν τα αποτελέσματα παρακολούθησης και αξιολόγησης οικοσυστημικών υπηρεσιών σε παρεμβάσεις οικολογικής αποκατάστασης

Συγγραφείς: Trinidad del Río-Mena, Louise Willemen, Anton Vrieling, Andy Nelson

Δημοσιεύθηκε: MDPI Open Access Journals, Ecosystem Services 64 (2023) 101565

Σύνδεσμος πρωτότυπου κειμένου: [1]

Λέξεις-Κλειδιά: Τηλεπισκόπηση, Οικοσυστημικές υπηρεσίες, Οικολογική αποκατάσταση, Παρακολούθηση και αξιολόγηση, Δείκτες βλάστησης

1. Εισαγωγή

Η υποβάθμιση του παγκόσμιου περιβάλλοντος (εδάφη, αέρας, υδάτινοι πόροι) αποτελεί μία από τις σημαντικότερες περιβαλλοντικές προκλήσεις του 21ου αιώνα, επηρεάζοντας άμεσα τη βιοποικιλότητα, τη σταθερότητα των οικοσυστημάτων και την ανθρώπινη ευημερία. Στο πλαίσιο της «Δεκαετίας των Ηνωμένων Εθνών για την Αποκατάσταση των Οικοσυστημάτων» (2021–2030), η οικολογική αποκατάσταση αναγνωρίζεται ως βασική στρατηγική για την αντιστροφή της περιβαλλοντικής υποβάθμισης. Ωστόσο, η αποτελεσματικότητα των παρεμβάσεων αποκατάστασης πρέπει να τεκμηριώνεται με αξιόπιστες μεθόδους παρακολούθησης και αξιολόγησης. Η τηλεπισκόπηση (Remote Sensing – RS), μέσω δορυφορικών δεδομένων όπως των αποστολών Landsat και Sentinel-2, προσφέρει τη δυνατότητα συνεχούς, χωρικά εκτεταμένης και χρονικά επαναλαμβανόμενης παρακολούθησης οικοσυστημικών υπηρεσιών. Παρά τα πλεονεκτήματα αυτά, η πληθώρα διαθέσιμων δεδομένων και μεθοδολογικών επιλογών συνεπάγεται πως πρέπει να ληφθούν κρίσιμες αποφάσεις σχετικά με την επιλογή δεικτών, χρονικών περιόδων, σημείων ελέγχου και αισθητήρων. Σκοπός του άρθρου είναι η διερεύνηση για το πώς αυτές οι επιλογές τηλεπισκόπησης επηρεάζουν τα αποτελέσματα αξιολόγησης παρεμβάσεων οικολογικής αποκατάστασης, χρησιμοποιώντας ως μελέτη περίπτωσης την περιοχή Baviaanskloof στην Νότια Αφρική.

2. Μεθοδολογία Η έρευνα βασίστηκε σε παρεμβάσεις αναβλάστησης που πραγματοποιήθηκαν μεταξύ 2010–2015 στην περιοχή Baviaanskloof (Eastern Cape, Νότια Αφρική), με φύτευση του είδους Portulacaria afra (spekboom), ενός ανθεκτικού και ιδιαίτερα εύγευστου φυτού για την άγρια πανίδα.

Εικόνα 1: Σημεία αποκατάστασης στην περιοχή Baviaanskloof Hartland Bawarea, Νότια Αφρική

Restoration intervention sites in the in the Baviaanskloof Hartland Bawarea Conservancy study area in South Africa.

Αξιολογήθηκαν δύο οικοσυστημικές υπηρεσίες:

-Παροχή βοσκής (forage provision)

-Πρόληψη διάβρωσης (erosion prevention) Αρχικά πραγματοποιήθηκαν επιτόπιες μετρήσεις (2017) για την εκτίμηση της φυτοκάλυψης και της πράσινης βιομάζας. Στη συνέχεια αναπτύχθηκαν μοντέλα συσχέτισης μεταξύ δεικτών τηλεπισκόπησης (π.χ. NBR, BSI, IRECI) και των μετρούμενων υπηρεσιών. Για την αξιολόγηση των παρεμβάσεων εφαρμόστηκε το σχήμα Before-After-Control-Impact (BACI), το οποίο συγκρίνει τις μεταβολές σε περιοχές παρέμβασης και ελέγχου πριν και μετά την εφαρμογή της αποκατάστασης. Η μελέτη εξέτασε πέντε βασικές επιλογές τηλεπισκόπησης:

-Αριθμός σημείων ελέγχου (20 vs 100 pixels)

-Χωρική κατανομή σημείων ελέγχου

-Ενδοετήσια επιλογή εικόνων (ελάχιστες ή μέγιστες ετήσιες τιμές)

-Επιλογή περιόδου αναφοράς (“before period”)

-Επιλογή δορυφορικού αισθητήρα (Landsat-8 OLI vs Sentinel-2 MSI) Τα δεδομένα επεξεργάστηκαν μέσω Google Earth Engine και υπολογίστηκαν οι αντίστοιχοι δείκτες βλάστησης. Επιπλέον, χρησιμοποιήθηκε ταξινόμηση ISODATA για τον προσδιορισμό συστάδων βλάστησης με διαφορετικά επίπεδα υποβάθμισης πριν την παρέμβαση. 3. Αποτελέσματα

Πίνακας 1:Περίληψη των ειδών, των δεδομένων τηλεμετρίας, του προϊόντος τηλεπισκοπικών δεδομένων που χρησιμοποιήθηκε και του χρόνου επεξεργασίας για την εξαγωγή των τιμών των pixels σε κάθε θέση GPS.

Εικόνα 2:Τιμές MODIS NDVI που εξάγονται από δεδομένα ενός έτους για τον αφρικανικό βούβαλο, τον αφρικανικό ελέφαντα και το μπλε γκνου, που παρακολουθούνται με μονάδες τηλεμετρίας GPS. Τα αποτελέσματα δείχνουν μεγάλες αποκλίσεις μεταξύ του ετήσιου μέσου NDVI (κόκκινο) και του χρονικά προσαρμοσμένου NDVI (μπλε), που εξάγεται σε όλες τις θέσεις των ζώων.

• Μελέτη περίπτωσης α’ : Για τα 6 ζώα που συμπεριλήφθηκαν χρειάστηκαν περίπου 3 λεπτά για την επεξεργασία των 12.344 θέσεων GPS (βλ. Πίνακα 1). Το αποτέλεσμα που εξάγαμε, συγκρίνοντας το μέσο ετήσιο NDVI (annual mean) με τον χρονικά προσαρμοσμένο NDVI (time match), ήταν η αποτυχία του πρώτου να λάβει υπόψη την εποχιακή διακύμανση της παραγωγικότητας της βλάστησης που αντιμετωπίζουν τα ζώα (βλ. Εικόνα 2).

• Μελέτη περίπτωσης β’ : Για τα 12 γκνου που συμπεριλήφθηκαν στη συλλογή δεδομένων, χρειάστηκαν περίπου 34 λεπτά (0,06 sec ανά σημείο) για την επεξεργασία των 33.074 θέσεων GPS (βλ. Πίνακα 1). Το σύνολο δεδομένων θερμοκρασίας αέρα ERA5-Land είχε υψηλή συσχέτιση με τη θερμοκρασία που καταγράφηκε στα περιλαίμια των ζώων. Το αποτέλεσμα που εξάγαμε ήταν ότι τα γκνου μετακινούνται λιγότερο, καθώς αυξάνεται η θερμοκρασία (Εικόνα 3).

Εικόνα 3:Σχέση μεταξύ του βήματος και της θερμοκρασίας του αέρα για το μπλε γκνου. Τα δεδομένα εντοπισμού GPS ελήθησαν για τα 12 άτομα από τους τρεις πληθυμσούς στην Κένυα: πεδιάδες Maasai Mara/Loita (πράσινο), πεδιάδες Athi-Kaputiei (μπλε) και λέκανη Amboseli (κόκκινο). Η ωριαία θερμοκρασία του αέρα στα 2m πάνω από το έδαφος λήφθηκε από το σύνολο δεδομένων ERA5-Land. Όλα τα δεδομένα είναι από το 2011.

4. Συζήτηση – Συμπεράσματα

Τα τελευταία χρόνια αυξήθηκε ραγδαία ο όγκος δεδομένων οικολογίας, όπως είναι η παρακολούθηση της θέσης των ζώων, χάρη στην τηλεπισκόπηση. Σε αυτή τη μελέτη, παρουσιάσαμε παραδείγματα που ενσωματώνουν δύο επίπεδα περιβαλλοντικών δεδομένων για την εξήγηση της κίνησης και της συμπεριφοράς των μεγάλων φυτοφάγων ζώων της Αφρικής. Εναλλακτικά, άλλες συλλογές εικόνων που είναι διαθέσιμες μέσω του GEE, όπως είναι η διαθεσιμότητα επιφανειακών υδάτων ή άλλοι δείκτες βλάστησης, μπορούν να αντικατασταθούν στον κώδικα. Επιπλέον, η ευελιξία του GEE καθιστά δυνατή την ενσωμάτωση πληροφοριών που προέρχονται από πολυφασματικές εικόνες όπως το Landsat ή το Sentinel, ως πιθανές συνδιακυμάνσεις για δεδομένα κίνησης ζώων.