Ενσωμάτωση αισθητήρων τηλεπισκόπισης για χαρτογράφηση της εξάπλωσης ασθενειών του δάσους και θνησιμότητας δέντρων
Από RemoteSensing Wiki
Πρωτότυπος τίτλος: Integrating multi-sensor remote sensing and species distribution modeling to map the spread of emerging forest disease and tree mortality
Συγγραφείς: Yinan He, Gang Chen, Christopher Potter, Ross K. Meentemeyer
Πηγή: Remote Sensing of Environment, 2019, Issue 231 [1]
Πίνακας περιεχομένων |
Αντικείμενο
Στην παρούσα εργασία χρησιμοποιήθηκε η τηλεπισκόπηση πολλαπλών αισθητήρων και η μοντελοποίηση διανομής ειδών για την χαρτογράφηση της θνησιμότητας των δέντρων από ασθένειες σε μια δασώδη περιοχή της Καλιφόρνια από το 2005 μέχρι το 2016. Η ασθένεια που εξετάστηκε είναι ο ‘’ ξαφνικός θάνατος ‘’ της βελανιδιάς, η οποία οφείλεται για τον θάνατο εκατομμυρίων βελανιδιών στην Καλιφόρνια τις τελευταίες δεκαετίες. Για την ισορροπία της παρακολούθησης σε λεπτή κλίμακα των σχεδίων διανομής ασθενειών και ικανοποιητικής κάλυψης σε ευρείες κλίμακες, εφαρμόστηκε φασματικός διαχωρισμός για την εξαγωγή παρουσίας ασθένειας από εικονοστοιχεία. Τα αποτελέσματα βελτιώθηκαν χρησιμοποιώντας την πιθανότητα της μόλυνσης από την ασθένεια, παραγόμενη από ένα μοντέλο διανομής των ειδών.
Μεθοδολογία
Την τελευταία δεκαετία, παρατηρείται έξαρση των αναδυόμενων μολυσματικών ασθενειών ( EID ) της βλάστησης σε δασικές εκτάσεις, το οποίο έχει συμβάλλει στη θνησιμότητα των δέντρων σε πρωτοφανή επίπεδα. Η εξ αποστάσεως ανίχνευση της θνησιμότητας λόγω EID μπορεί να είναι μια αποτελεσματική και ακριβής μέθοδος για να κλιμακωθούν οι μετρήσεις του πεδίου στην κλίμακα του τοπίου. Η χαρτογράφηση διαταράξεων λόγω παθογόνων επιτρέπει στους ιδιοκτήτες να λάβουν δράση για την αντιμετώπισή τους σε συγκεκριμένα σημεία της γης των μεγάλων εκτάσεων τους. Ο επιτυχημένος εντοπισμός βασίζεται στο γεγονός ότι τα μολυσμένα δέντρα παρουσιάζουν διακριτά φασματικά, χωρικά ή/και χρονικά συμπτώματα, που μπορεί να σχετίζονται με πτώσεις στην σύσταση χλωροφύλλης και νερού στα φυλλώματα, αποχρωματισμό των φύλλων, αποφύλλωση ή κενά στα σώματα των δέντρων. Οι βελανιδιές παρουσιάζονται ως λυοφιλοποιημένες εξαιτίας του ‘’ ξαφνικού θανάτου ‘’, που προκαλείται από το παθογόνο Plytophthora ramorum. Τη σημερινή εποχή, η συγκεκριμένη ασθένεια αγγίζει διαστάσεις επιδημίας σε πολλά δάση της περιοχής της Αμερικής πλησίον της ακτής του Ειρηνικού. Η έκρηξη των EID είναι τυπικά σύνδεση χρόνιου στρες βλάστησης, που επικαλύπτεται πιθανώς με χωριστά γεγονότα, όπως η ξηρασία και οι πυρκαγιές που συμβαίνουν παράλληλα στην ίδια περιοχή. Τα κατεστραμμένα δέντρα συνήθως επιδεικνύουν παρόμοια φασματικά ή χωρικά συμπτώματα, κάνοντας δύσκολη την χαρτογράφηση των δέντρων που πάσχουν από ασθένειες. Η μοντελοποίηση της διανομής ειδών ( SDM ) χρησιμοποιείται ευρέως στον τομέα της οικολογίας και της βιολογίας για την πρόβλεψη της στατιστικής πιθανότητας του διασκορπισμού των ειδών στον χώρο και τον χρόνο. Η απόδοση των προσεγγίσεων του μοντέλου εξαρτάται από τις αβιοτικές συνθήκες και την διανομή των δειγματικών παρατηρήσεων, που είναι κρίσιμες για την αποτελεσματική αξιολόγηση του μοντέλου. Παρά την δημοφιλία του, το συγκεκριμένο μοντέλο μπορεί να οδηγήσει σε μεγάλες αβεβαιότητες και πλαστά αποτελέσματα, χωρίς την αξιόπιστη γνώση του εύρους των ειδών, που αποκτάται τυπικά από έρευνες στο πεδίο. Η επιτυχής χαρτογράφηση της θνησιμότητας των δέντρων λόγω των EID, συνδυάζοντας την τηλεπισκόπηση και το SDM, αποτελεί μια προοπτική, που αξίζει να εξεταστεί. Η περιοχή εξέτασης βρίσκεται στο Big Sur της Καλιφόρνια, στην δυτική ακτή των Ηνωμένων Πολιτειών. Είναι μια περιοχή εμβαδού 80000 εκταρίων περίπου στα πιο απόκρημνα βουνά, με μέγιστο υψόμετρο έως 1600 μέτρα εντός 4.5 χιλιομέτρων της ακτής. Η ασθένεια του ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς αποτελεί την κύρια διατάραξη της βλάστησης στην περιοχή που εξετάζουμε, όμως κύριες διαταράξεις αποτελούν η ξηρασία και οι πυρκαγιές.
Η κύρια εργασία εξετάζει δύο είδη δεδομένων αναφοράς, τα δεδομένα του πεδίου και δεδομένα τηλεπισκόπησης από δείγματα εικόνων υψηλών ανάλυσης του Google Earth και τοπικές εναέριες φωτογραφίες. Συγκεκριμένα, εγκαταστήθηκαν 85 μόνιμα οικόπεδα διαστάσεων 50 x 50 μέτρων από το καλοκαίρι του 2006, τα οποία σχεδιάστηκαν για να ακολουθήσουν ένα τυχαίως στρωματοποιημένο δειγματικό σχεδιάγραμμα και εξεταζόντουσαν κάθε χρόνο για την παρακολούθηση της μόλυνσης από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς και του αντίκτυπου της στην αλλαγή της δομής του δάσους.
Για την συμπλήρωση του περιορισμένου αριθμού των δειγμάτων της ασθένειας εκ του πεδίου, εξήχθησαν ασθενή και υγειά οικόπεδα από εικόνες εναέριες ( NAIP ) και από το Google Earth μέσω ερμηνείας εικόνας. Η ερμηνεία βασίστηκε σε χωρικά, φασματικά και χρονικά συμπτώματα της ασθένειας που διαφέρουν από αυτά που οφείλονται σε ξηρασία ή πυρκαγιές. Στην εικόνα 2 παρουσιάζονται παραδείγματα απομονωμένων ασθενών δέντρων που περικλείονται από υγιή δέντρα σε πολύ-χρονικές, υψηλής ανάλυσης και με πραγματικά χρώματα εικόνες. Για την ποσοτικοποίηση των φασματικών, χρονικών και χωρικών σχεδίων της ασθένειας, χρησιμοποιήθηκαν δύο δείκτες. Πρώτον, το φύλλωμα των δέντρων αλλάζει χρώμα αισθητά από πράσινο σε καφέ εντός ενός ή δύο ετών και ύστερα σε γκρι, υποδεικνύωντας αποξήρανση φύλλων και κατάρρευση χρώματος. Χρησιμοποιήθηκε ο δείκτης Red-Green Index ( RGI ) για την σύλληψη της αλλαγής του χρώματος. Δεύτερον, η θνησιμότητα των δέντρων από την συγκεκριμένη ασθένεια επιδεικνύει απομονωμένα, ανομοιόμορφα σχέδια διανομής, που σταδιακά αυξάνουν την πυκνότητα και μειώνουν την μεταξύ τους απόσταση. Για την ανάλυση αυτών των σχεδίων, χρησιμοποιήθηκε ο δείκτης της μέσης εγγύτητας PROX_MN για την εκτίμηση του βαθμού της απομόνωσης και θρυμματισμού του αντίστοιχου τύπου στην εξεταζόμενη γη μέσα στα χρόνια, με τις υψηλές τιμές να εκφράζουν χαμηλά επίπεδα θρυμματισμού και αντιστρόφως:
όπου το aijs είναι η περιοχή του τεμάχιου γης ijs εντός μιας συγκεκριμένης περιοχής του τεμάχιου ij, hijs είναι η απόσταση μεταξύ του τεμάχιου ijs και ij και n είναι ο αριθμός των συνολικών τεμαχίων γης μέσα στη συγκεκριμένη περιοχή. Στην παρούσα εργασία, ο δείκτης χρησιμοποιήθηκε εντός περιοχής με ακτίνα αναζήτησης 200 μέτρων. Στην εικόνα 4 παρουσιάζεται η τροχιά των τιμών του δείκτη μέσα στα χρόνια.
Στη συνέχεια, έγινε συλλογή δεδομένων AVIRIS ( Airborne Visible / Infrared Imaging Spectrometer ) στις 24 Σεπτεμβρίου 2008. To AVIRIS είναι ένας εναέριος υπερφασματικός αισθητήρας που αποτελείται από 224 φασματικές ζώνες εντός εύρους 360 nm και 2500 nm με μέσo εύρος ζώνης 10 nm. Επιπροσθέτως, έγινε χρήση 8 εικόνων Landsat 5 TM και 5 εικόνων Landsat 8 OLI για την ανάκτηση χωρικών και χρονικών σχεδίων της προόδου της ασθένειας του ‘’ ξαφνικού θανάτου ‘’ βελανιδιάς ετησίως από το 2005 έως το 2016. Παρόλο που υπάρχουν διαφορές στα μήκη κύματος μεταξύ των αισθητήρων, χρησιμοποιήθηκαν τα κανάλια blue, green, red, NIR, SWIR-1 και SWIR-2. Όλες οι εικόνες λήφθηκαν την καλλιεργητική περίοδο ( Απρίλιος – Ιούνιος ). Επιπλέον, εικόνες τύπου NAIP ( Airborne Visible / Infrared Imaging Spectrometer ) ελήφθησαν το 2005 με ανάλυση 1 μέτρου, με οριζόντια ακρίβεια που ταιριάζει εντός 6 μέτρων αναγνωρίσιμων σημείων ελέγχου εδάφους, αποτελούμενο από μωσαικό εικόνων 3 καναλιών RGB υψηλής ποιότητας. Τέλος, χρησιμοποιήθηκαν 2 είδη περιβαλλοντικών μεταβλητών που είναι γνωστό ότι επηρεάζουν την μετάδοση του παθογόνου P. ramorum, κλιματικές ( κατακρημνίσεις, θερμοκρασία και σχετική υγρασία ) και τοπογραφικές μεταβλητές ( ανύψωση, κλίση, ηλιοφάνεια και υγρότητα ). Για το κλίμα, κάθε μεταβλητή υπολογίστηκε τα δεδομένα κάθε μήνα κατά την αναπαραγωγική περίοδο της ασθένειας από τον Δεκέμβρη ως τον Μάη πριν από κάθε μεταβατική κατάσταση εντός περιόδου 10 χρόνων. Για τις τοπογραφικές συνθήκες, υπολογίστηκαν 4 μεταβλητές από μια ανάλυση DEM 30 μέτρων.
Η δομή της έρευνας βασίστηκε σε 2 βήματα: την ανάπτυξη του μοντέλου και την εφαρμογή του μοντέλου στην πολυχρονική χαρτογράφηση διανομής της ασθένειας. Στην εικόνα 5 φαίνονται τα κύρια μέρη της ανάπτυξης μοντέλου και εφαρμογής. Για τις ανάγκες της εργασίας, δημιουργήθηκε μια φασματική βιβλιοθήκη που περιλαμβάνει τα φάσματα 4 στοιχείων στην περιοχή που εξετάζουμε: πράσινη βλάστηση ( GV ), μη-φωτοσυνθετική βλάστηση ( NPV ), έδαφος και απόχρωση. Για την επιλογή των πιο κατάλληλων στοιχείων για την παρούσα εργασία, πρώτα χρησιμοποιήθηκαν εικόνες Google Earth Worldview-1 ως αναφορά για την μείωση του αριθμού των εικονοστοιχείων των στοιχείων στα 47 και η ταξινόμησή τους έγινε ως εξής: 17 GV, 13 NPV, 14 έδαφος και 3 απόχρωση. Για την καλύτερη εκκαθάριση του αποτελέσματος, χρησιμοποιήθηκαν οι παρακάτω 3 δείκτες:
1) Μέσο τετραγωνικό σφάλμα στοιχείου ( EAR )
Το EAR χρησιμοποιήθηκε για να επιλέξει το πιο αντιπροσωπευτικό στοιχείο για κάθε τάξη κάλυψης εδάφους. Υπολογίστηκε για κάθε στοιχείο υπολογίζοντας το μέσο τετραγωνικό σφάλμα της ομάδας των μοντέλων που χρησιμοποίησαν το στοιχείο για τον διαχωρισμό των φασμάτων που ανήκουν στην ίδια τάξη κάλυψης γης
όπου i είναι το στοιχείο, j το μοντελοποιημένο φάσμα, N το σύνολο των στοιχείων και n το νούμερο του μοντελοποιημένου φάσματος. Ο δείκτης EAR χρησιμοποιήθηκε για να εκτιμήσει την ικανότητα κάθε στοιχείου να μοντελοποιήσει το φάσμα εντός της δικής του τάξης. Το ελάχιστο EAR στοιχείο είναι το πιο αντιπροσωπευτικό της τάξης.
2) Μέση ελάχιστη φασματική γωνία ( MASA )
Το MASA σε μια τάξη υπολογίστηκε ως η μέση φασματική γωνία μεταξύ του φάσματος αναφοράς και όλων των άλλων φασμάτων εντός της ίδιας τάξης. Ως η καλύτερη επιλέχτηκε αυτή που παρήγαγε τη μέση χαμηλότερη φασματική γωνία.
όπου ρλ είναι η ανακλαστικότητα ενός στοιχείου, ρ’λ η ανακλαστικότητα ενός μοντελοποιημένου φάσματος, Lρ το μήκος του διανύσματος του στοιχείου και Lρ’ είναι το μήκος διανύσματος του μοντελοποιημένου φάσματος.
3) Επιλογή στοιχείου βασισμένο σε μετρήσεις ( CoB )
Το CoB χρησιμοποιήθηκε για την επιλογή των άριστων στοιχείων ως τα μέλη μιας βιβλιοθήκης που μοντελοποιούν τον μεγαλύτερο αριθμό φασμάτων εντός της τάξης τους, ενώ εκτιμούν αν τα υποψήφια μοντέλα συναντήσουν κλάσμα, το RMSE και περιορισμούς υπολοίπου, όταν ξεχωρίζονται τα φάσματα στην βιβλιοθήκη. To CoB χρησιμοποιεί το σκεπτικό του MESMA για την επιλογή στοιχείων βασισμένα στον αριθμό των φασμάτων της βιβλιοθήκης, καθορίζοντας τον αριθμό των φασμάτων που μοντελοποιήθηκαν από ένα στοιχείο εντός της τάξης του στοιχείου ( InCoB ) και εκτός της τάξης του στοιχείου ( OutCoB ). Το ιδανικό μοντέλο παρουσιάζει το μέγιστο InCoB και το ελάχιστο OutCoB.
Για την αποσύνθεση κάθε εικονοστοιχείου Landsat, ο φασματικός διαχωρισμός εφαρμόστηκε με τον κλασικό αλγόριθμο ανάλυσης φασματικού μίγματος πολλαπλών στοιχείων ( MESMA ), που εξετάζει την φασματική μεταβλητότητα, επιτρέποντας τον αριθμό και τον τύπο των στοιχείων να ποικίλουν σε μια βάση ανά εικονοστοιχείο. Το κριτήριο που χρησιμοποιείται για να καθορίσει τα πιο ταιριαστά μοντέλα περιλαμβάνει κλάσματα του στοιχείου, κλάσματα μέγιστης απόχρωσης και RMSE. Επιλέχθηκαν τα παρακάτω όρια: -0.05 και 1.05 για ελάχιστες και μέγιστες τιμές επιτρεπόμενων κλασμάτων, αντίστοιχα, 0.8 για μέγιστη επιτρεπόμενη τιμή κλάσματος απόχρωσης και 0.025 για μέγιστο επιτρεπόμενο RMSE. Έγινε εκτίμηση όλων των λογικών συνδυασμών στοιχείων και επιλέχθηκε το πιο ταιριαστό μοντέλο. Όταν πολλά μοντέλα κάλυπταν τα συγκεκριμένα κριτήρια, επιλέχτηκε αυτό με το χαμηλότερο RMSE. Παρήχθη ένας χάρτης υψηλής ανάλυσης διανομής της ασθένειας για το 2005. Για την δημιουργία του χάρτη, εφαρμόστηκε η δομή μιας γεωγραφικής ανάλυσης εικόνων βασισμένη σε αντικείμενα ( GEOBIA ). Η GEOBIA χρησιμοποιεί εικόνες – αντικείμενα σαν βασικές μονάδες μελέτης για να μειώσει τα λάθη που προκαλούνται από την φασματική μεταβλητότητα εντός κάθε γεωγραφικού αντικειμένου και έχει δύο συστατικά: την κατάτμηση εικόνας και την ταξινόμηση βάσει αντικειμένου.
Για την ανάλυση του βαθμού στον οποίο οι οικολογικές συνθήκες επηρεάζουν την πιθανότητα μόλυνσης από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς, αναπτύχθηκε ένα γραμμικό μοντέλο, βάσει 7 περιβαλλοντικών μεταβλητών. Ο λογαριθμικός μετασχηματισμός της πιθανότητας pi ότι ένα ευαίσθητο οικόπεδο i προσβάλλεται περιγράφεται ως:
όπου β0 και βi είναι συντελεστές παλινδρόμησης και xj μια από τις περιβαλλοντικές μεταβλητές.
Αποτελέσματα
Η φασματική ανακλαστικότητα για τα εξαχθέντα 6 GV, 5 NPV και 6 εδάφους στοιχεία παρουσιάζονται στην εικόνα 6. Παρατηρείται ότι τα στοιχεία GV παρουσίασαν υψηλότερη intra-class μεταβλητότητα από τα στοιχεία NPV και εδάφους. Αυτό συνέβη κατά κύριο λόγο επειδή τα δέντρα στην περιοχή που εξετάζουμε περιλαμβάνουν μια ποικιλία ειδών. Συγκρινόντάς τα με τα υγιή δέντρα, τα νεκρά δέντρα και το έδαφος ήταν σχετικά ομοιογενή όσον αφορά τις φασματικές υπογραφές τους. Ειδικά όσον αφορά τα νεκρά δέντρα, οι τιμές της φασματικής ανακλαστικότητάς τους ήταν εξαιρετικά χαμηλές στο τμήμα του εγγύς υπερύθρου του φάσματος και υψηλές στο τμήμα του βραχέος υπερύθρου, κάνοντας το NPV πιο διακριτό σε σχέση με το GV και το έδαφος. Οι κλασματικοί χάρτες που αντιστοιχούν στα 3 στοιχεία GV, NPV και έδαφος για το έτος 2005 παρουσιάζονται στην εικόνα 7.
Η μέση ακρίβεια των αποτελεσμάτων της ταξινόμησης μέσω της χρήσης εικόνων 2005 NAIP και την δομή αντικειμένου – εικόνας ήταν 88.33 % με Kappa statistic της τάξεως του 0.82. Όπως παρουσιάζεται στην εικόνα 9, σε σύγκριση με τις μη-δασικές περιοχές, η οριζόντια και κάθετη δομή των δασικών ήταν μεγαλύτερης περιπλοκότητας και ανομοιογένειας, οδηγώντας σε μεγαλύτερη φασματική μεταβλητότητα. Εν συγκρίσει με τα υγιή δάση, τα ασθενή δάση ήταν πιο δύσκολο να χαρτογραφηθούν δείχνοντας σχετικά μικρότερες ακρίβειες. Επειδή η ασθένεια που εξετάζουμε εμφανίζει ένα όχι τυχαίο, υψηλά συγκεντρωτικό σχέδιο διανομής, κάποιες μικρές ομάδες δέντρων περιτριγυρίζονται από υγιή δέντρα., Επίσης, τα δέντρα που έχουν μολυνθεί αλλάζουν χρώμα προοδευτικά μέσα στα χρόνια, κάτι που δυσκολεύει την διαδικασία διαχωρισμού τους.
Ακολουθώντας την εφαρμογή της προτεινόμενης μεθόδου χαρτογράφησης, οι χάρτες θνησιμότητας των βελανιδιών από ‘’ ξαφνικό θάνατο ‘’ πέτυχαν ακρίβειες μεταξύ 0.7 και 0.9, ενώ οι ακρίβειες χαρτογράφησης για τις χρονιές 2005, 2013, 2014 και 2016 ήταν υψηλότερες του 80 %, όπως φαίνεται και στην εικόνα 10. Ύστερα από εφαρμογή του δημιουργημένου SDM σε όλη την περιοχή που εξετάζουμε και παραγωγή ενός χάρτη πιθανότητας μόλυνσης από την ασθένεια, παρατηρήθηκε ότι η εφαρμοστικότητα βιοτόπου με μεγάλη πιθανότητα ήταν αρκετά καλύτερη ( p < 0.05 ) στα μολυσμένα οικόπεδα. Οι 11 χάρτες θνησιμότητας των δέντρων παρουσιάζονται στην εικόνα 12, που δείχνει την ετήσια μόλυνση των δέντρων από την ασθένεια για την περίοδο 2015 – 2016 στην περιοχή που εξετάζουμε.
Συμπεράσματα
Τα αποτελέσματα δείχνουν ότι το μοντέλο διανομής ειδών μείωσε αισθητά την υπερτίμηση της θνησιμότητας των βελανιδιών από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ που παρατηρήθηκε με εικόνες Landsat. Παρόλα αυτά, λόγω της έλλειψης λεπτομερούς παρακολούθησης του πεδίου, παρουσιάστηκε δυσκολία στην εκτίμηση του ποσοστού της υπερτίμησης που οφείλονταν σε άλλες αιτίες, πέραν της ασθένειας που μελετούμε. Η ερμηνεία ότι η υπερεκτιμημένη θνησιμότητα δέντρων συνδεόταν κυρίως με ξηρασία ή / και πυρκαγιά βασιζόταν σε αναφερόμενα καιρικά γεγονότα της περιοχής. Παρ’ όλα αυτά, η παρούσα εργασία παρουσιάζει τον καλύτερο τρόπο σύνδεσης πολύ-κλιμακωτών παρατηρήσεων τηλεπισκόπησης για την ανάδειξη περιοχών που πιθανώς δεν έχουν μολυνθεί από τον ‘’ ξαφνικό θάνατο ‘’ της βελανιδιάς, ώστε οι προσπάθειες εντοπισμού αυτής να ενταθούν σε άλλες περιοχές που υπάρχει ανάγκη. Οι τελικοί ετήσιοι χάρτες θνησιμότητας δέντρων δείχνουν ακρίβειες που κυμαίνονται μεταξύ 75.5 και 82.5 %.
