Μοντέλο ενδιαιτημάτων και βιοποικιλότητας βασισμένο στην τηλεπισκόπηση και στα ΓΣΠ, στο οικοσύστημα Greater Yellowstone, ΗΠΑ
Από RemoteSensing Wiki
Αντικείμενο της εφαρμογής
Καθώς γίνεται ολοένα και πιο ανησυχητική η εξαφάνιση ζωικών και φυτικών ειδών (Wilson 1988, Reid and Miller 1989) οι βιολόγοι προσπαθούν να ανιχνεύσουν ενδιαιτήματα σημαντικά για τη διατήρηση της βιοποικιλότητας. Ένας σημαντικός σύμμαχος στη διατήρηση της βιοποικιλότητας είναι η κατανόηση των περιβαλλοντικών παραμέτρων που καθορίζουν την κατανομή των ειδών. Πολλές μελέτες έχουν προτείνει ελέγξιμες υποθέσεις που σχετίζονται με τη μεταβολή της σχέσης γήινων ειδών και παρατηρημένων ή συμπερασμένων μεταβολών φυσικών περιβαλλοντικών παραγόντων (e.g. Simpson 1964, Terborgh 1970, James 1971, Pyle 1982, Owen 1990, Debinski and Brussard 1992, Kindscher 1994, Kindscher and Wells 1995). Εντούτοις, οι επιστήμονες έχουν αρχίσει να χρησιμοποιούν τη βοήθεια των δορυφόρων από τις αρχές της δεκαετίας του ’80 (Saxon 1983, De Wulf et al. 1988, Scott et al. 1993, Stoms and Estes 1993). Η ανάλυση στο επίπεδο του τοπίου των ενδιαιτημάτων, χρησιμοποιώντας τηλεπισκόπηση και ΓΣΠ μπορεί να βοηθήσει στην εξήγηση του προτύπου διαφοροποίησης των ειδών σε χαμηλές διακριτικές ικανότητες (Urban et al. 1987, Turner 1989). Επιπλέον, η ανάλυση αυτή, μπορεί να βοηθήσει στη βελτιστοποίηση της στρατηγικής της δειγματοληψίας έτσι ώστε να πιστοποιείται ότι έχει παρθεί δείγμα από κάθε τύπο ενδιαιτήματος ή επιτρέπει τον έλεγχο των υποθέσεων που σχετίζονται με τη χωρική αντιστοιχία των προτύπων διαφοροποίησης των ειδών ανάμεσα στις ταξινομικές ομάδες (e.g. Prendergast et al. 1993). Η gap analysis (Scott et al. 1993) βασίζεται στη χρήση τηλεπισκόπησης και ΓΣΠ για να κατηγοριοποιήσει τα ενδιαιτήματα και έπειτα να προβλέψει τις συναθροίσεις των ειδών που προβλέπεται να απαντηθούν στο συγκεκριμένο τύπο ενδιαιτήματος. Ο στόχος της gap analysis είναι να συγκρίνει τις προβλεπόμενες τοποθεσίες των ενδιαιτημάτων φυτών και ζώων με τις προϋπάρχουσες, ανιχνεύοντας έτσι τα γεωγραφικά κενά στα ενδιαιτήματα ή/ και στην προστασία των ειδών. Ένα από τα προβλήματα αυτής της τεχνικής είναι ότι δεν έχει ελεγχθεί διεξοδικά ως προς την ακρίβεια των προβλέψεών της (Flather et al. 1995).
Στόχος της εφαρμογής
Στη μελέτη χρησιμοποιήθηκαν δεδομένα τηλεπισκόπησης και ΓΣΠ για να κατασκευαστούν χάρτες που θα βοηθούσαν στο διαχωρισμό των ενδιαιτημάτων διευκολύνοντας τη μελέτη των δειγμάτων της βιοποικιλότητας στο Greater Yellowstone Ecosystem, ΗΠΑ. Οι σκοποί της έρευνας ήταν: (1) ο προσδιορισμός των σχέσεων μεταξύ των διαφορετικών κατηγοριών ενδιαιτημάτων, με βάση τα πρότυπα φασματικής αντανάκλασης, και τα πρότυπα εξάπλωσης των φυτικών ή ζωικών ειδών, και (2) ο έλεγχος της χωρικής αντιστοιχίας μεταξύ των ταξινομικών ομάδων σε περιοχές με μεγάλη ποικιλότητα ειδών.
Περιοχή μελέτης
Η περιοχή μελέτης αυτής της έρευνας ήταν μια περιοχή 32.375ha στη βορειο-δυτική γωνία του Greater Yellowstone Ecosystem. Το μέρος αυτό επιλέχτηκε καθώς είναι ένα από τα μεγαλύτερα ανέπαφα οικοσυστήματα των ΗΠΑ.
Μέθοδοι
Η μεθοδολογία αυτής της μελέτης επιλέχθηκε με σκοπό την παραγωγή ενός χάρτη που θα απεικόνιζε τις φασματικά διαφορετικές τάξεις βλάστησης στην περιοχή μελέτης. Σήμερα στις ΗΠΑ χρησιμοποιούνται δεδομένα του Θεματικού Χαρτογράφου του δορυφόρου Landsat (Thematic Mapper, TM) για την απεικόνιση της βλάστησης στις περισσότερες μελέτες που πραγματεύονται κάλυψη ή χρήσεις γης. Ο ΤΜ αποτελείται από έξι φασματικά κανάλια (μπλε, πράσινο, κόκκινο, εγγύς υπέρυθρο και δύο μέσα υπέρυθρα) με μέγεθος εικονοστοιχείου 30m. Το θερμικό κανάλι δε χρησιμοποιήθηκε στη συγκεκριμένη μελέτη. Τα ΤΜ δεδομένα για την περιοχή μελέτης της 31ης Ιουλίου 1991 μετατράπηκαν από μονάδες φωτεινότητας (brightness values) σε μονάδες ακτινοβολίας (units of radiance) (mWcm-2 sr-1 μm-1) (Markham and Barker 1986). Στα δορυφορικά δεδομένα έγινε γεωαναφορά με ακρίβεια ± 0,5 εικονοστοιχείο (15m) και μετατροπή τους στο σύστημα αναφοράς Universal Transverse Mercator (εγκάρσια μερκατορική προβολή – UTM) ώστε να ταιριάζουν με τους τοπογραφικούς χάρτες της περιοχής. Ένας επαναληπτικός, αυτοοργανούμενος αναλυτής δεδομένων (Iterative Self – Organizing Data Analysis, ISODATA) αλγόριθμος συσσωμάτωσης χρησιμοποιήθηκε στην εικόνα των τεσσάρων καναλιών για να προσδιορίσει φασματικά όμοια εικονοστοιχεία. Ο αλγόριθμος ISODATA λειτουργεί παρέχοντας αρχικά ένα συγκεκριμένο αριθμό από κέντρα συσσωρεύσεων (cluster centroids) στο φασματικό χώρο χαρακτηριστικών. Η ευκλείδεια απόσταση ανάμεσα σε κάθε εικονοστοιχείο και κάθε κέντρο συσσώρευσης υπολογίζεται και το εικονοστοιχείο αποδίδεται σε ένα κέντρο συσσώρευσης (τάξη). Έπειτα από την αξιολόγηση κάθε εικονοστοιχείου, μια νέα σειρά από κέντρα συσσωρεύσεων υπολογίζεται βασισμένη στη στατιστική των εικονοστοιχείων που αποδίδονται σε κάθε κέντρο. Η διαδικασία επαναλαμβάνεται μέχρι που ένα ποσοστό (συνήθως 95%) εικονοστοιχείων δεν αλλάζει τάξη. Πενήντα αρχικά κέντρα συσσώρευσης προσδιορίστηκαν, δημιουργώντας ένα χάρτη πενήντα φασματικών τάξεων, έτσι ώστε να αποτυπώνεται κάθε τύπος κάλυψης γης. Έπειτα, κάθε φασματική τάξη προσδιορίστηκε χρησιμοποιώντας αεροφωτογραφίες και προσωπική γνώση της περιοχής και αποδόθηκε σε μια πληροφοριακή τάξη που αντιπροσώπευε έναν τύπο βλάστησης, δημιουργώντας έναν τελικό χάρτη φασματικά διαχωρισμένων τάξεων βλάστησης. Καθώς τα πολύγωνα των κλάσεων που ήταν μικρότερα από 1ha ήταν δύσκολο να ανιχνευθούν με βεβαιότητα στο πεδίο, ο τελικός χάρτης της βλάστησης μετατράπηκε σε διανυσματική Arc/Info μορφή και γενικεύτηκε σε μια ελάχιστη χαρτογραφική μονάδα 1ha (περίπου 11 ΤΜ εικονοστοιχεία). Στη συνέχεια, με βάση τα δεδομένα του χάρτη επιλέχθηκαν συγκεκριμένα σημεία-δείγματα στα οποία μελετήθηκαν τα πουλιά, οι πεταλούδες και τα φυτά.
Συμπεράσματα και αξιολόγηση των μεθόδων
Καθώς οι τηλεπισκοπικές εικόνες μετρούν την ενέργεια που ανακλάται από τα φυτά και την επιφάνεια του εδάφους και τα φυτικά δεδομένα ήταν πιο ποσοτικοποιημένα από τα δεδομένα για τα ζώα, αναμενόταν οι ταξινόμηση των ενδιαιτημάτων που βασιζόταν σε αυτά τα πρότυπα ανάκλασης να δείξει ισχυρές σχέσεις με το πρότυπο κατανομής των φυτικών ειδών. Αναμενόταν, επίσης, οι σχέσεις να είναι λιγότερο ισχυρές μεταξύ των ζωικών ειδών και των ενδιαιτημάτων, καθώς, όταν μετρήθηκαν τα ζωικά δεδομένα, τα ζώα μπορεί να ήταν παρόντα ή απόντα από την περιοχή. Τα αποτελέσματα επαλήθευσαν τις προβλέψεις. Το 20 ± 30% των ζωικών τάξων και το 65 ± 100% των κυρίαρχων φυτικών ειδών σχετίζονταν σημαντικά με ένα ή περισσότερα ενδιαιτήματα. Κάποια από τα είδη που παρουσίαζαν σημαντικές σχέσεις ήταν πολύ κοινά. Παρ’ όλ’ αυτά, σπάνια ζωικά είδη παρουσίασαν ισχυρή σχέση με τύπους ενδιαιτημάτων αν είχαν υψηλή εξειδίκευση για τη χρήση του συγκεκριμένου ενδιαιτήματος (e.g., E. gillettii). Τα αποτελέσματα αυτά, είναι σε ένα βαθμό συνάρτηση του κλάσματος της δειγματολειψίας. Έτσι, για να δημιουργηθούν μοντέλα πρόβλεψης της σχέσης ενδιαιτημάτων και ειδών, χρησιμοποιώντας τηλεπισκοπικά δεδομένα και μεθόδους ΓΣΠ, ένα είδος πρέπει να είναι πολύ κοινό ή/ και πολύ εξειδικευμένο για έναν ή περισσότερους τύπους ενδιαιτημάτων. Για το λόγο αυτό, στη διαχείριση της βιοποικιλότητας, τα σπάνια είδη πρέπει να ερευνώνται χρησιμοποιώντας περισσότερο μεθόδους πεδίου. Η προσέγγιση αυτή μπορεί να αποδειχθεί πολύ χρήσιμη για τον προσδιορισμό πιθανών περιοχών για είδη με εξειδικευμένες απαιτήσεις ως προς τα ενδαιτήματα ή σε μεγάλα πάρκα όπου η εξάπλωση της χλωρίδας και της πανίδας δεν είναι ευρέως γνωστή.
