Ένα μοντέλο τηλεπισκόπησης για τα ενδιαιτήματα στρατολόγησης κοραλλιών

Από RemoteSensing Wiki

Πρωτότυπος τίτλος: A remote sensing model for coral recruitment habitat

Συγγραφείς: Ben Radford, Marji Puotinen, Defne Sahin, Nader Boutros, Mathew Wyatt, James Gilmour

Πηγή: https://www.sciencedirect.com/science/article/abs/pii/S0034425724002499

Λέξεις κλειδιά: Τηλεπισκόπηση, Κοραλλιογενείς ύφαλοι, Στρατολόγηση κοραλλιών, Μηχανική μάθηση, Μέθοδοι συνόλων, Αποκατάσταση

1. Εισαγωγή

Η μείωση της κάλυψης των κοραλλιών λόγω υπερθέρμανσης και οξίνισης των ωκεανών έχει αναδείξει την ανάγκη για αποφασιστική δράση για την προστασία των κοραλλιογενών υφάλων. Οι ειδικοί τονίζουν την αποκατάσταση των κοραλλιογενών υφάλων ως άμεση τοπική παρέμβαση, που συμπληρώνει τις ευρύτερες προσπάθειες για την προστασία των οικοσυστημάτων τους. Καινοτόμες ερευνητικές πρωτοβουλίες στοχεύουν στην ενίσχυση της ανθεκτικότητας των κοραλλιογενών υφάλων στην κλιματική αλλαγή, με το κόστος αποκατάστασης να φτάνει τα 400.000 δολάρια ΗΠΑ ανά εκτάριο. Η τηλεπισκόπηση μπορεί να προσφέρει οικονομικά αποδοτικότερη χαρτογράφηση των οικοσυστημάτων, εντοπίζοντας κρίσιμες παραμέτρους όπως το βάθος και η γεωμορφική δομή.

Η μελέτη αυτή αναπτύσσει νέες χωρικά προγνωστικά μοντέλα για ρηχά ενδιαιτήματα (<15 μ.) στους υφάλους Scott, ανοιχτά της βόρειας Δυτικής Αυστραλίας. Αυτοί οι ύφαλοι αποτελούν ένα σημαντικό διασυνδεδεμένο σύμπλεγμα υφάλων με υψηλή ποικιλότητα, που καλύπτει 365 km². Στόχος είναι η χαρτογράφηση των βέλτιστων περιοχών στρατολόγησης κοραλλιών, εστιάζοντας σε περιοχές με συνδυασμό κρουστώδους κοραλλίνης άλγης, χαλικιών και ελάχιστης κάλυψης από αλγοτάπητες. Χρησιμοποιώντας δεδομένα Sentinel 2 και απλές τεχνικές συλλογής δεδομένων, παρουσιάζεται μια κλιμακούμενη και οικονομικά αποδοτική μέθοδος για την ενίσχυση των προσπαθειών αποκατάστασης, προσφέροντας βελτιωμένη πρόβλεψη των κρίσιμων ενδιαιτημάτων.

2. Εργαλεία και Μεθοδολογία

Εικόνα 1: Διάγραμμα διαδικασίας για τη μοντελοποίηση του ενδιαιτήματος του υπόγειου υφάλου για την πρόσληψη κοραλλιών. Δορυφορικές εικόνες (1) χρησιμοποιήθηκαν για την εξαγωγή της βαθυμετρίας (2) και των μετρήσεων τραχύτητας (3). Οι μετρήσεις αυτές χρησιμοποιήθηκαν για τον σχεδιασμό του δείγματος των ερευνών πεδίου με κάμερες (4). Τα δεδομένα πεδίου χωρίστηκαν σε σύνολα δεδομένων εκπαίδευσης (5) και δοκιμών (7). Δεδομένα εκπαίδευσης (4) και οι χάρτες πρόβλεψης (3) χρησιμοποιήθηκαν σε ένα μοντέλο τυχαίου δάσους (6) για την πρόβλεψη της πιθανότητας ύπαρξης μιας σειράς ενδιαιτημάτων (7) σχετικών με την πρόσληψη κοραλλιών. Δοκιμή δεδομένα (7) χρησιμοποιήθηκαν με χάρτες πιθανότητας ύπαρξης (8-a) και πιθανής ύπαρξης (8-b) για την εκτίμηση της ακρίβειας ταξινόμησης και τη χαρτογράφηση της χωρικής κατανομής της (9).

Η μελέτη επικεντρώνεται στη μοντελοποίηση των οικοτόπων του υποστρώματος υφάλων για την πρόσληψη κοραλλιών χρησιμοποιώντας ανάλυση δορυφορικών δεδομένων και μετρήσεις γεωμορφολογίας. Ενσωματώνονται τιμές ανάκλασης δορυφορικών ζωνών (Sentinel-2) για την εκτίμηση του βάθους και γεωμορφολογικές παραμέτρους, όπως η τραχύτητα, σε πολυκλιμακωτό επίπεδο. Αντί για παραδοσιακές μεθόδους ταξινόμησης, εφαρμόστηκε ένα μοντέλο "randomForest" που συνδυάζει δεδομένα δορυφορικής προέλευσης με in situ δεδομένα από 3.828 σημεία στους υφάλους Seringapatam και Βόρειου και του Νότιου Scott (πράσινα σημεία στην Εικόνα 2).

Εικόνα 2: Θέσεις έρευνας πεδίου σε όλο το σύμπλεγμα του υφάλου Scott: Α - Seringapatam (n = 811), Β - North Scott (n = 1551), Γ - South Scott (n = 1466). Η εικόνα φόντου ελήφθη από το Sentinel 2. Φιλτράρεται από τα σύννεφα και διορθώνεται η επιφανειακή ακτινοβολία για να παραχθεί μια μέση σύνθετη εικόνα εικονοστοιχείου 10 m για όλα τα 2020.

Η συλλογή δεδομένων έγινε το διάστημα από 15 έως 30 Οκτωβριου 2021 και περιελάμβανε κάμερα τύπου "drop" που καταγράφει εικόνες υψηλής ανάλυσης κοντά στο υπόστρωμα για να καταγράψει σημαντικά στοιχεία για τη διατήρηση και πρόσληψη κοραλλιών, όπως τα κοραλλιογενή φύκη και ο ελεύθερος χώρος. Τα δεδομένα αυτά ταξινομήθηκαν αρχικά από οικολογικούς ειδικούς και εν συνεχεία μέσω της πλατφόρμας ReefCloud.

Για τη δημιουργία των μοντέλων χρησιμοποιήθηκαν τα δεδομένα βάθους και παράγωγα, όπως κλίση και πολυκλιμακωτή τραχύτητα. Εφαρμόστηκε τυχαία στρωματοποιημένη δειγματοληψία χρησιμοποιώντας τον Γενικευμένο Στρατηγικό Σχεδιασμό Δειγματοληψίας Τυχαιοποιημένων Θραυσμάτων (GRTS), ενώ τα δεδομένα δοκιμάστηκαν για ακρίβεια ταξινόμησης. Το αποτέλεσμα ήταν η χαρτογράφηση οικοτόπων κατάλληλων και μη κατάλληλων για την αποκατάσταση κοραλλιών. Η μέθοδος συγκρίθηκε με υπάρχοντα μοντέλα για την αξιολόγηση της ακρίβειάς της.

Μεθοδολογία:

• Δορυφορική εκτίμηση βάθους μέσω μεθόδου Stumpf.
• Συλλογή δεδομένων με χρήση κάμερας σε συγκεκριμένα σημεία.
• Εξαγωγή γεωμορφολογικών δεικτών (π.χ. τραχύτητα, κλίση).
• Ανάλυση και ταξινόμηση δεδομένων μέσω μοντέλου Random Forest.
• Επαλήθευση με in situ δεδομένα και μοντέλα σύγκρισης.

Αυτή η προσέγγιση επιτρέπει τον ακριβή εντοπισμό περιοχών κρίσιμων για την αποκατάσταση των κοραλλιών.

3. Αποτελέσματα

Η σύγκριση των προγνώσεων των μοντέλων οικοτόπων με τα δεδομένα της "hold-out" ομάδας (33%) έδειξε ότι τα καλύτερα μοντέλα είχαν απόδοση (kappa ≥0,6) για τα εξής: Άμμος (0,71), Κοραλλιογενής Άλγη (0,69), Ενδιαιτήματα Ανάπτυξης κοραλλιών (0,66) και Άλγη Τύρφης (0,65). Αυτά τα μοντέλα είχαν μικρότερη διαφορά μεταξύ της ευαισθησίας και της ειδικότητας, υποδεικνύοντας ότι μπορούσαν να προβλέψουν τόσο την παρουσία όσο και την απουσία των οικοτόπων. Τα μοντέλα για τα είδη κοραλλιών όπως τα Acropora, Porites και ο συνδυασμός τους, παρόλο που είχαν κατώτερα αποτελέσματα Kappa (0.3–0.45), έδειξαν καλή ικανότητα διάκρισης της παρουσίας και απουσίας (AUC > 0.8).

Η σημαντικότητα των μεταβλητών για την πρόβλεψη της κατανομής των οικοτόπων διαφέρει ανάλογα με το είδος του οικοτόπου και περιλαμβάνει παραμέτρους όπως η τραχύτητα του υφάλου (rugosity) και το βάθος. Για παράδειγμα, η κατανομή του οικοτόπου ανάπτυξης κοραλλιών συνδέεται κυρίως με την τραχύτητα του υφάλου σε κλίμακες 250 m και 100 m.

Τα μοντέλα προβλέπουν με καλό βαθμό επιτυχίας τις κατανομές οικοτόπων για πέντε μεγάλες κατηγορίες: Οικότοπος Ανάπτυξης Κοραλλιών (Kappa = 0.66), Κοραλλιογενής Άλγη (Kappa = 0.69), Άλγη Τύρφης (Kappa = 0.65), Ράμπλ (Kappa = 0.54) και Άμμος (Kappa = 0.71). Αντίθετα, τα μοντέλα για τα συγκεκριμένα είδη κοραλλιών είχαν χαμηλότερη αξιοπιστία.

Εικόνα 3: Χωρική κατανομή της ακρίβειας ταξινόμησης του μοντέλου (kappa) ανά κατηγορία οικοτόπων: C - κοραλλιογενή φύκη με κρούστα, D - φύκη με χλοοτάπητα, E - κοραλλιογενή φύκη μπάζα και ΣΤ - άμμος. Ο πίνακας Α δείχνει τις θέσεις των θέσεων μέσα σε κάθε ύφαλο. Οι βαθμολογίες <0,6 (από το πιο ανοιχτό πράσινο έως το μωβ) είναι μη διακριτικές και λιγότερο αξιόπιστες. Χωρική kappa κάλυψη σε ολόκληρη την περιοχή μελέτης είναι ελλιπής λόγω της αραιής σειράς δειγμάτων πεδίου που συλλέχθηκαν.

Οι χάρτες των προγνωστικών μοντέλων δείχνουν ότι ο οικότοπος ανάπτυξης κοραλλιών και άλλοι σημαντικοί οικότοποι εμφανίζονται πιο συχνά στις πλαγιές των υφάλων και λιγότερο στις λιμνοθάλασσες. Οι προβλέψεις αυτές ενδέχεται να χρειάζονται επικύρωση μέσω επιπλέον επιτόπιων δεδομένων για να γίνουν πιο αξιόπιστες, ειδικά για πιο συγκεκριμένα είδη κοραλλιών. Η ακρίβεια του μοντέλου ενδιαιτήματος εξαρτάται τόσο από την χωρική κάλυψη σε όλες τις τοποθεσίες όσο και από την αφθονία των διαφορετικών ενδιαιτημάτων σε κάθε μία από αυτές τις τοποθεσίες.

Στη σύγκριση με το μοντέλο Allen Atlas, το νέο μοντέλο είχε καλύτερη διακριτική ικανότητα και μεγαλύτερη κάλυψη των οικοτόπων, ιδιαίτερα για τον οικότοπο ανάπτυξης κοραλλιών. Το μοντέλο Allen Atlas έχει περιορισμούς λόγω της μεθόδου ανάλυσης που χρησιμοποιεί και των περιορισμένων δεδομένων εκπαίδευσης που διαθέτει.

4. Συζήτηση

Αυτή η μελέτη επικεντρώνεται στη δημιουργία και βελτίωση μοντέλων κατανομής θαλάσσιων οικοτόπων για τη βελτιστοποίηση των προσπαθειών αποκατάστασης των κοραλλιογενών υφάλων. Η χρήση αυτών των χωρικών μοντέλων μπορεί να βοηθήσει στον καλύτερο προσδιορισμό των περιοχών για αποκατάσταση, μειώνοντας τις απαιτήσεις πόρων και αυξάνοντας την αποτελεσματικότητα των έργων αποκατάστασης.

Η καινοτόμος τεχνική μοντελοποίησης που παρουσιάζεται στην έρευνα συνδυάζει τη χρήση της Crustose Coralline Algae (CCA) και του επιφλοιωτικού κοραλλιού ως δείκτες για την πρόβλεψη περιοχών κατάλληλων για αποκατάσταση. Αυτή η προσέγγιση δείχνει ότι είναι πιο αποδοτική από τις υπάρχουσες μεθόδους, καθώς ενσωματώνει πολλαπλές κλίμακες της τραχύτητας του υφάλου, και έτσι μπορεί να προσδιορίσει καλύτερα περιοχές που ενδείκνυνται για αναπαραγωγή κοραλλιών.

Η τραχύτητα του υφάλου είναι σημαντική για την κατανομή των θαλάσσιων κοινοτήτων και χρησιμοποιείται για την πρόβλεψη της κατανομής βασικών οικοτόπων κοραλλιών. Με την χρήση δορυφορικών δεδομένων και μέτρων τραχύτητας σε διαφορετικές κλίμακες, η έρευνα δείχνει ότι μπορούμε να προσδιορίσουμε περιοχές όπου είναι πιο πιθανό να εμφανιστούν κοραλλιογενείς αποικίες. Ειδικότερα, τα μοντέλα που βασίζονται στην τραχύτητα σε κλίμακες των 10-100 μέτρων μπορούν να προβλέψουν καλύτερα την κατανομή των οικοτόπων που είναι κατάλληλοι για την αναπαραγωγή κοραλλιών.

Παράλληλα, η έρευνα τονίζει τις περιορισμένες δυνατότητες του υπάρχοντος δορυφορικού εξοπλισμού, όπως τα δεδομένα Sentinel 2, τα οποία έχουν χαμηλή ανάλυση και δεν μπορούν να αποτυπώσουν μικρές, λεπτομερείς δομές κοραλλιογενών υφάλων. Η λύση που προτείνεται για να ξεπεραστεί αυτό το πρόβλημα περιλαμβάνει τη χρήση πιο προηγμένων δορυφορικών εικόνων με υψηλότερη ανάλυση, όπως αυτές από από Lidar και αερομεταφερόμενους αισθητήρες (drones).

Η μελέτη δείχνει ότι τα μοντέλα που αναπτύχθηκαν έχουν υψηλή ακρίβεια στην πρόβλεψη των κατάλληλων περιοχών για αποκατάσταση, με τη βοήθεια δεδομένων πεδίου και μηχανικής μάθησης. Οι προτεινόμενες μέθοδοι είναι εφαρμόσιμες σε άλλους υφάλους παγκοσμίως, και η έρευνα ενθαρρύνει τη συνεχιζόμενη συνεργασία με τοπικούς ερευνητές και οργανισμούς για να βελτιωθούν τα μοντέλα και να εφαρμοστούν με μεγαλύτερη επιτυχία σε διάφορους τύπους υφάλων.

5. Συμπεράσματα

Τέλος, η μελέτη παρουσιάζει μια νέα μέθοδο χωρικής μοντελοποίησης για την ταυτοποίηση των βέλτιστων περιοχών αποκατάστασης υφάλων, επικεντρωμένη στις περιοχές αναπαραγωγής κοραλλιών. Η προσέγγιση βασίζεται σε ελεύθερα διαθέσιμα δορυφορικά δεδομένα, μεθόδους μηχανικής μάθησης και δεδομένα πεδίου για την παραγωγή αξιόπιστων μοντέλων υποβρύχιων οικοτόπων. Τα μοντέλα πληρούν πρότυπα ακρίβειας και παρέχουν καλύτερες πληροφορίες για περιοχές στόχους όπως τα κοράλλια και τα Crustose Coralline Algae, ενώ εντοπίζουν και περιοχές λιγότερο κατάλληλες για αποκατάσταση, όπως οι περιοχές με άλγη. Τα αποτελέσματα δείχνουν ότι τα μοντέλα είναι πιο αποδοτικά από υπάρχουσες μεθόδους για τα Scott Reefs και είναι εφαρμοστέα σε παρόμοια συστήματα υφάλων παγκοσμίως.