Gatunki inwazyjne stanowią dziś jedno z największych zagrożeń dla różnorodności biologicznej. Skuteczna walka z tym zagrożeniem wymaga rzetelnej informacji na temat ich faktycznego występowania.
W artykule opisano doświadczenia w mapowaniu inwazyjnych gatunków roślin z wykorzystaniem danych hiperspektralnych z powietrza, opracowanych w ramach projektu HabitARS. Projekt realizowany był w latach 2016-2019 i był współfinansowany przez Narodowe Centrum Badań i Rozwoju (NCBR) oraz MGGP Aero.
Metodykę opracowano analizując ponad 1600 km2 pozyskanych w czasie sześciu kolekcji danych lotniczych, obejmujących dwa sezony wegetacyjne, tj. trzy pory roku (wiosna, lato i jesień) oraz wykonując eksperymenty klasyfikacyjne na 18 wybranych inwazyjnych gatunkach roślin. Gatunki te dobrano tak, aby reprezentowały różne formy wzrostu, zajmowane siedliska oraz fenologię. Uzyskane wyniki wskazują, że konsorcjum HabitARS wypracowało powtarzalną i obiektywną metodę precyzyjnego monitorowania zagrożenia inwazją.
Dlaczego dane hiperspektralne z pułapu lotniczego?
Liczne publikacje naukowe dowodzą, że mapowanie gatunków inwazyjnych z wykorzystaniem uczenia maszynowego jest możliwe zarówno na danych multispektralnych jaki i hiperspektralnych pozyskanych z pułapu UAV, satelity jak i samolotu. Dlaczego więc postanowiono prowadzić badania z wykorzystaniem danych hiperspektralnych pozyskanych z pułapu lotniczego?
- Ponieważ dane hiperspektralne mają największy potencjał informacyjny i założyliśmy, że to przełoży się na możliwość precyzyjnego mapowania wszystkich badanych gatunków - mówi Łukasz Sławik - Kierownik Projektu i jednocześnie Dyrektor Działu Teledetekcji w firmie MGGP Aero.
Do identyfikacji gatunków wykorzystano zjawisko spektralnej odrębności poszczególnych taksonów. Reflektancja promieniowania elektromagnetycznego mierzona dla powierzchni pokrytej roślinnością w zakresie od 400-2500 nm zapisana została w 430 wąskich kanałach z wykorzystaniem sensorów HySpex. Jako platformę do pozyskania danych wybraliśmy samolot, ponieważ zapewnia on pozyskanie danych dla stosunkowo dużych obszarów, w bardzo wysokiej rozdzielczości (my stosowaliśmy rozdzielczość 1 m) i pozwala sprawnie zarządzać terminami pozyskania danych, w krótkim okresie optimum fenologicznego, nawet przy dużej zmienności pogody i dynamicznie zmieniającym się zachmurzeniu.
Wszystko zależy od celu mapowania
Czytając prace naukowe poświęcone mapowaniu inwazyjnych gatunków roślin z wykorzystaniem teledetekcji można mieć mylne przeświadczenie, że gatunki inwazyjne to przede wszystkim drzewa, krzewy i okazałe, wieloletnie rośliny zielne. Dlaczego tak jest? To oczywiste - klasyfikacja takich gatunków jest możliwa na danych satelitarnych, które są szeroko dostępne. A co z roślinami inwazyjnymi o drobnym pokroju, osiągających niskie zwarcie, czy roślin jednorocznych cechujących się dużą dynamiką wzrostu? Czy ich mapowanie z wykorzystaniem teledetekcji jest możliwe? Postanowiliśmy to sprawdzić, ponieważ potencjał aplikacyjny tej metody jest tym większy im więcej gatunków jednocześnie obejmujemy mapowaniem.
W ramach projektu HabitARS podjęliśmy się więc ciężkiego zadania, sprawdzenia możliwości mapowania bardzo zróżnicowanej grupy gatunków, od drzew (np. Robinia pseudoacacia) poprzez krzewy (np. Spiraea tomentosa), okazałe byliny (np. Solidago gigantea) aż po niskie, jednoroczne rośliny (np. Erigeron annuus) i jednoroczne pnącza o dużej rocznej dynamice wzrostu (Echinocystis lobata).
Czy wszystkie gatunki klasyfikuję się z podobną dokładnością?
W ramach projektu analizowaliśmy wpływ następujących zmiennych: klasyfikatora, zestawu danych rastrowych, terminu pozyskania danych oraz jakości zbioru treningowego na wyniki klasyfikacji. Najniższą dokładność mapowania (f1 - 44 %) uzyskano dla gatunków, które charakteryzują się niewielkimi rozmiarami (np. Erigeron annuus) i jednocześnie osiągały niskie procentowe pokrycie w pikselu.
Szczegółowa analiza wyników pokazała, że przy zastosowaniu optymalnych terminów badań, odpowiednich algorytmów uczenia maszynowego i zestawów danych rastrowych można otrzymać dla większości gatunków zadowalające wyniki predykcji, przy założeniu, że zwarcie osobników przekracza 30% powierzchni piksela. Natomiast wzorcowe wyniki predykcji otrzymano dopiero od 70% pokrycia pędów gatunku w pikselu.
Stopień wykrywalności większości badanych gatunków jest też silnie związany z fazą rozwoju danego gatunku rośliny w trakcie pozyskania danych hiperspektralnych. Ekstremalnym przykładem potwierdzającym tę zasadę, mogą być wyniki osiągnięte podczas mapowania Echinocystis lobata. Różnica w dokładności klasyfikacji tego gatunku pomiędzy wiosną (okres kiełkowania i rozwoju pędów wegetatywnych) a latem (okres kwitnienia) wynosi aż 30%. Okres letni w przypadku większości gatunków okazał się optymalnym terminem pozyskania danych. Związane jest to z występującą wówczas największą biomasą pędów badanych gatunków roślin oraz ich kwitnieniem. Jednakże, dla części z analizowanych gatunków optymalnym terminem mapowania okazała się jesień - okres owocowania i przebarwiania się pędów nadziemnych (np. Spiraea tomentosa).
Wdrożenie
Dzięki swoim licznym zaletom, w tym precyzji i obiektywizmowi metoda ta bardzo szybko doczekała się wdrożenia. Obecnie realizujemy projekty, których celem jest identyfikacja gatunków inwazyjnych na obszarach trzech parków narodowych w Polsce - Tatrzańskiego, Wielkopolskiego oraz Parku Narodowego “Ujście Warty”.
Autorzy: Dominik Kopeć, Jan Niedzielko, Maria Niedzielko, Justyna Wylazłowska, Anna Halladin-Dąbrowska, Jaromir Borzuchowski, Martyna Wietecha, Agnieszka Lech, Łukasz Sławik.
Badanie było współfinansowane przez Narodowe Centrum Badań i Rozwoju (NCBR) oraz MGGP Aero w ramach programu „Środowisko naturalne, rolnictwo i leśnictwo” BIOSTRATEG/Konkurs II.: Innowacyjne podejście wspierające monitoring nieleśnych siedlisk przyrodniczych Natura 2000 z wykorzystaniem metod teledetekcyjnych (HabitARS), numer projektu: DZP/BIOSTRATEG-II/390/2015. Liderem Konsorcjum jest MGGP Aero. Partnerami projektu są Uniwersytet Łódzki, Uniwersytet Warszawski, Szkoła Główna Gospodarstwa Wiejskiego, Instytut Technologiczno-Przyrodniczy, Uniwersytet Śląski w Katowicach, Politechnika Warszawska.
Więcej szczegółów znajdziesz w naszych publikacjach:
- Marcinkowska-Ochtyra, A.; Jarocińska, A.; Bzdęga, K.; Tokarska-Guzik, B. Classification of Expansive Grassland Species in Different Growth Stages Based on Hyperspectral and LiDAR Data. Remote Sens. 2018, 10, 2019.
- Kopeć, D.; Zakrzewska, A.; Halladin-Dąbrowska, A.; Wylazłowska, J.; Kania, A.; Niedzielko, J. Using Airborne Hyperspectral Imaging Spectroscopy to Accurately Monitor Invasive and Expansive Herb Plants: Limitations and Requirements of the Method. Sensors 2019, 19, 2871.
- Sabat-Tomala, A.; Raczko, E.; Zagajewski, B. Comparison of Support Vector Machine and Random Forest Algorithms for Invasive and Expansive Species Classification Using Airborne Hyperspectral Data. Remote Sens. 2020, 12, 516.
