1. W
Zrównoważona gospodarka leśna w porównaniu z tradycyjnym zarządzaniem lasami potrzebuje większej ilości informacji opisujących i kwantyfikujących zmien-ne dotyczące lasów (Chirici i in. 2008). Kilka procesów międzynarodowych, np.
Ministerialna Konferencja nt. Ochrony Lasów w Europie (https://foresteurope.
org/) i Proces Montrealski (https://www.montrealprocess.org/), wymaga takich informacji dla celów okresowego raportowania dotyczącego trwałej zrównoważo-nej gospodarki leśzrównoważo-nej. Wskaźniki zrównoważozrównoważo-nej gospodarki leśzrównoważo-nej są tradycyjnie obliczane na podstawie zmiennych dotyczących lasów, uzyskiwanych w drodze czasochłonnych i kosztownych badań terenowych. Informacje te są głównym elementem wspierającym modelowanie i zarządzanie zasobami leśnymi. W szcze-gólności mapy charakterystyk lasów (np. składu gatunkowego, struktury pionowej, biomasy, wysokości drzewostanu, liczby drzew) są ważnymi źródłami danych dla wielu zadań z zakresu modelowania, takich jak: ocena pochłaniania węgla, ocena dogodności siedlisk zwierząt czy ocena różnorodności biologicznej na poziomie krajobrazu (Mura i in. 2015).
Tradycyjne inwentaryzacje oparte na powierzchniach próbnych są w stanie zapewnić właściwą statystyczną ocenę atrybutów lasów, ale biorąc pod uwagę typową intensywność próbkowania, mogą dostarczyć tylko zagregowane szacunki dla dużych obszarów (Chirici i in. 2016). Techniki teledetekcyjne są zatem postrze-gane jako cenne źródło informacji do stworzenia całościowych map (wall-to-wall maps) charakterystyk lasu (składu gatunkowego, biomasy drzewostanu, zwarcia itp.). Potencjał danych satelitarnych w operacyjnym monitorowaniu lasów nie jest
60 Gherardo Chirici
jednak w pełni znany, ponieważ wykorzystanie tych danych często komplikuje ist-nienie kilku oddziałujących czynników, które jednocześnie wpływają na sygnatury spektralne obserwowanych powierzchni leśnych (różnice w gatunkach drzew, wiek i zwarcie, zwarcie koron itp.) (Chirici i in. 2008).
Dalsze komplikacje pojawiają się na obszarach trudnych ze względu na nieregu-larności topograficzne oraz zmienne gleby i roślinność dolnych pięter drzewostanu.
Sytuacja jest szczególnie problematyczna w większości środowisk w rejonie śród-ziemnomorskim, gdzie, ze względu na klimatyczne i edaficzne czynniki ograni-czające, stopień pokrycia koronami jest często niski i występują złożone struktury gatunków roślin, zagęszczenia, wieku i rozmiarów (Maselli i in. 2005).
W niniejszym opracowaniu zamierzaliśmy porównać dwa potencjalnie użyteczne źródła zobrazowań teledetekcyjnych: uzyskane przez satelity SPOT 4/5 i IRS-P6 (tak zwany zbiór danych IMAGE2006) oraz bardziej znane źródło wielospektral-nych zobrazowań optyczwielospektral-nych z sensora Landsat 5 Thematic Mapper (TM). Celem jest stworzenie całościowego oszacowania zasobów drzewnych na pniu w lasach objętych pomiarami terenowymi w trakcie ostatniej krajowej inwentaryzacji lasów na obszarze badań w środkowych Włoszech. Porównanie zostało przeprowadzone za pomocą dobrze znanego algorytmu k najbliższych sąsiadów (k-NN – k-Nearest Neighbours), często używanego do takich zastosowań.
2.
W badaniach wykorzystaliśmy miąższość zasobów drzewnych na pniu, pomie-rzonych na 1350 powierzchniach próbnych w ramach ostatniej dostępnej włoskiej krajowej inwentaryzacji lasów (INFC 2005). Dane terenowe zebrano w latach 2005–2007 na podstawie systematycznego losowania prób w siatce kilometrowej (Fattorini i in. 2006).
Wykorzystaliśmy trzy sceny Landsat 5 TM: 192030 i 192029, zarejestrowane 23 czerwca 2005 r., oraz 193029, zarejestrowaną 30 czerwca 2005 r. Na leśnej części badanej powierzchni wszystkich obrazów nie występowały chmury. Przyjęliśmy wartości radiancji dla górnej granicy atmosfery (TOA – top of atmosphere), bez przeprowadzenia procedury mozaikowania, ponieważ obrazy zostały zarejestro-wane w krótkim odstępie czasowym (ryc. 1).
Wykorzystaliśmy również zbiór danych IMAGE2006, który zawiera zobrazo-wania satelitarne SPOT 4/5 i IRS-P6, użyte do implementacji bazy danych Corine Land Cover 2006. Dalsze informacje dostępne są w opracowaniu Lima i in. (2007).
Listę obrazów wykorzystanych w tym badaniu przedstawiono w tabeli 1.
IMAGE2006 został utworzony w dwóch etapach. Najpierw manualnie usunę-liśmy powierzchnię obrazów pokrytą chmurami i związanymi z nimi cieniami,
61
a następnie skalibrowaliśmy wartości radiometryczne mozaiki za pomocą me-tody dopasowywania histogramu zgodnie z metodą zastosowaną przez Helmer i Ruefenacht (2006). Obrazem wzorcowym była scena IRS 13786. Ostateczna mozaika IMAGE2006 ma rozdzielczość 20 m i 4 pasma spektralne: 3 w zakresach widzialnych i jedno w bliskiej podczerwieni (NIR – near infrared) (ryc. 1). War-tości spektralne wyrażono w warWar-tościach radiancji TOA przy użyciu parametrów kalibracji pochodzących od dostawcy danych.
Rycina 1. Rozmieszczenie powierzchni próbnych włoskiej krajowej inwentaryzacji lasu na tle N I znormalizowanego różnicowego wska nika wegetacji obliczonego na podstawie zobrazowań I G 200 góra oraz pasm Landsat dół
Wstępne porównanie zdjęć IMAGE2006 i Landsat 5 TM do celów całościowego przestrzennego…
62 Gherardo Chirici
abela 1. Obrazy użyte do stworzenia mozaiki I G 200 , wykorzystanej w badaniu
Sensor Scena ata zarejestrowania
SPO 4 HR IR 101 0 2 .0 .200
SPO HRG 1101 42 1.0 .200
SPO HRG 100 42 1.0 .200
IRS P LISS III 2.04.200
IRS P LISS III 9 9 1.0 .200
IRS P LISS III 42 2.0 .200
IRS P LISS III 0 2.0 .200
IRS P LISS III 92 2 1.0 .200
IRS P LISS III 1 1 2 .0 .200
IRS P LISS III 1 1 .0 .200
Dla każdej z 1350 powierzchni krajowej inwentaryzacji lasu wyodrębniliśmy średnią wartość z 3 x 3 sąsiadujących pikseli dla każdego z czterech pasm IMA-GE2006 i sześciu pasm zobrazowań Landsat (wykluczyliśmy pasmo 6 ze zbioru pasm Landsat ze względu na jego słabą rozdzielczość). Taki zbiór danych był następnie analizowany w celu stworzenia prognoz zapasu rosnącego z wykorzy-staniem algorytmu k-NN na podstawie techniki walidacji krzyżowej w wariancie LOO (leave-one-out). Pełniejszy opis procedury LOO przedstawiono w opraco-waniu Chirici i in. (2008).
Estymacje k-NN zostały utworzone na podstawie trzech metryk odległości (euklidesowej, Mahalanobisa, rozmytej) dostępnych w oprogramowaniu K-NN FOREST, działającym w środowisku Terrset. Pełny opis funkcji oprogramowania i metody k-NN przedstawili Chirici i in. (2012).
Dla każdej metody k-NN obliczono średnią kwadratową błędów (RMSE – Root Mean Squared Error) między przewidywaniami opartymi na procedurze LOO a wartościami zmierzonymi. RMSE obliczono jako:
gdzie n jest równe 1350 (liczba powierzchni próbnych), yi jest miąższością zaso-bów na pniu, obserwowaną w terenie, a ŷi jest miąższością przewidywaną przez algorytm k-NN.
63
. W
Wyniki pod względem RMSE szacunków na poziomie pikseli pokazują wy-raźne korzyści z zastosowania zestawu pasm Landsat w porównaniu z zestawem IMAGE2006, niezależnie od trzech rodzajów wielowymiarowych odległości sto-sowanych przez algorytm k-NN (ryc. 2).
Rycina 2. Oszacowanie zapasu rosnącego na poziomie pikseli pod względem R S (m3 ha1 przy różnych metrykach odległości k NN i dla dwóch zbiorów zobrazowań
I G 200 oraz Landsat
Średnia wartość RMSE dla 20 wartości k z odległością euklidesową wynosiła odpowiednio dla Landsat i IMAGE2006: 113,17 i 117,05 m3 ha-1. W przypadku odległości Mahalanobisa było to 113,46 i 121,45, a dla odległości rozmytej 114,5 i 120,96 (ryc. 3).
Rycina . Rozkład oszacowań zasobów na pniu pod względem R S m3 ha1 dla wartości k w zakresie pomiędzy 1 a 20 dla dwóch zestawów zobrazowań I G 200 i Landsat oraz trzech odległości wielowymiarowych euklidesowej,
ahalanobisa, rozmytej
Wstępne porównanie zdjęć IMAGE2006 i Landsat 5 TM do celów całościowego przestrzennego…
64 Gherardo Chirici
Zarówno w przypadku zobrazowań IMAGE2006, jak i Landsat dla odległości euklidesowej zawsze osiągano najlepszy wynik, podczas gdy odległości Mahala-nobisa i rozmyta dawały bardzo podobne wyniki (ryc. 3).
Biorąc pod uwagę wyniki tej wstępnej analizy, lokalnie najlepsze podejście do estymacji z wykorzystaniem algorytmu k-NN wiązało się z zastosowaniem Landsat 5 TM i odległości euklidesowej. W warunkach, gdy k równe jest 8, możliwe było osiągnięcie RMSE 110 m3 ha-1.
4. W
W niniejszym artykule przedstawiliśmy wstępne wyniki porównania obra-zów IMAGE2006 i Landsat 5 TM w celu oszacowania zasobów drzewnych na pniu, pomierzonych w terenie na obszarze badań w środkowych Włoszech. Do porównania szacunków wykorzystaliśmy dobrze znany algorytm k-NN dostępny w oprogramowaniu przedstawionym przez Chirici i in. (2012).
Niezależnie od metryk odległości stosowanych przez algorytm k-NN, wykorzy-stując zobrazowania Landsat 5 TM, zawsze osiągano lepsze wyniki niż w przypadku IMAGE2006. Najprawdopodobniej wynik ten jest związany z innym obszarem objętym obrazami SPOT i IRS, używanymi w mozaice IMAGE2006 w porówna-niu z rozmiarem sceny Landsat 5 TM. Sceny IRS mają wielkość około 140 x 140 km, a sceny SPOT są znacznie mniejsze: około 60 x 60 km. Oznacza to, że do stworzenia pozbawionej chmur mozaiki w IMAGE2006 potrzebna jest duża liczba scen, w wyniku czego są one często uzyskiwane w dłuższym przedziale czasowym.
W tym badaniu utworzono mozaikę IMAGE2006 z 10 scen, a mozaikę Landsat jedynie z 3 scen. Większa liczba scen uzyskanych w dłuższym okresie oznacza większe szumy podczas tworzenia modelu wiążącego miąższość zapasu rosnące-go z wartościami spektralnymi. Ponadto IMAGE2006 składa się tylko z 4 pasm, natomiast Landsat obejmuje 6 pasm (pasmo Landsat 5 TM 6 zostało wykluczone z powodu jego słabej rozdzielczości).
Głównym rezultatem tych prac jest konkluzja, że w przyszłych badaniach ob-razy Landsat 5 TM powinny być używane bez dalszych testów związanych z wy-korzystaniem mozaiki IMAGE2006, która ma stałe ograniczenia dla tego rodzaju zastosowań. Proponujemy, aby obrazy Landsat były połączone z dodatkowymi zmiennymi i innymi metodami szacowania w celu zapewnienia dokładniejszej całościowej przestrzennej oceny miąższości zapasu rosnącego we włoskich lasach.
65
Wstępne porównanie zdjęć IMAGE2006 i Landsat 5 TM do celów całościowego przestrzennego…
Summary
Gherardo Chirici
University of Florence, Italy gherardo.chirici@unifi.it