Waarde van hyperspectrale gegevens voor wand-tot-wand kaartlegging van natte vegetatie in heterogene landschappen

Waarom het in kaart brengen van waterrijke landschappen ertoe doet

Wetlands behoren tot de meest productieve en bedreigde ecosystemen op aarde. Ze slaan koolstof op, dempen overstromingen en bieden onderdak aan zeldzame planten en dieren — maar ze zijn ook moeilijk bereikbaar en nog moeilijker gedetailleerd te inventariseren te voet. Deze studie stelt een praktische vraag die parkbeheerders en natuurbeschermers overal bezighoudt: hebben we echt dure, geavanceerde hyperspectrale vluchten nodig om wetlandvegetatie te begrijpen, of volstaan goedkopere, meer gangbare luchtbeelden in voldoende mate?

Een blik op een doolhof van moerassen

De onderzoekers richtten zich op het Nationaal Park Narew in Noordoost-Polen, een van Europa’s grootste overstromingsvlaktecomplexen. Hier slingert een vertakkende, meervoudige rivier door een vlak dal vol rietvelden, zeggeachtige moerassen, vochtige weiden, laagveen, wilgenstruwelen en rivierdalenbossen. Veel gebieden zijn te moeilijk of onmogelijk op de grond te bereiken, terwijl de vegetatie verandert doordat traditionele landbouw vervalt en waterstanden dalen. Om deze verschuivingen te volgen combineerde het team veldbotanie met vliegtuiggedragen remote sensing over meer dan 300 vierkante kilometer.

Vliegtuigen, lasers en veel kleuren licht

In de zomer van 2020 verzamelden vliegtuigen drie soorten gegevens boven het park. Hyperspectrale sensoren registreerden honderden zeer smalle kleurbanden van zichtbaar tot kortgolvig infrarood licht en legden subtiele verschillen in bladchemie en vocht vast. Een LiDAR-scanner zond laserpulsen uit om de driedimensionale structuur van de vegetatie te meten, zoals hoogte en kruindekkingcomplexiteit. Een hoge-resolutie RGBN-camera legde bekende rood-, groen-, blauw- en nabij-infraroodbeelden vast met 10 centimeter detail, waaruit het team ook een vegetatie-index en fijnschalige textuurmaatregelen berekende die beschrijven hoe pixeltonen variëren in kleine buurten. In het veld brachten botanisten bijna 2.000 referentiepercelen in kaart en onderscheidden 30 gedetailleerde vegetatieklassen, variërend van open water tot specifieke moeras- en bosgemeenschappen.

Een computer leren plantpatronen te herkennen

De wetenschappers trainden vervolgens een machine-learningmodel (CatBoost) om voor elke vierkante meter het vegetatietype te voorspellen, waarbij ze vier gegevenscombinaties testten. De meest informatie-rijke set combineerde hyperspectraal met LiDAR; een tweede gebruikte alleen LiDAR; een derde voegde LiDAR samen met RGBN-beelden; en een vierde voegde textuurlagen toe aan die RGBN-LiDAR-mix. Door het model herhaaldelijk te trainen en valideren op verschillende subsets van de veldpercelen, beoordeelden ze hoe vaak het elke klasse correct identificeerde. Ze vergeleken ook hoe vergelijkbaar de resulterende kaarten waren met elkaar en met een bestaand handgetekend vegetatiekaart van het park, met zowel visuele inspectie als een standaard overlapindex.

Wat gewonnen en verloren gaat zonder hyperspectrale data

De gecombineerde hyperspectraal‑plus‑LiDAR-dataset presteerde duidelijk het best: ongeveer 82 procent van de locaties werd correct geclassificeerd en vele individuele gemeenschappen gaven sterke resultaten, vooral bossen, rietvelden en wilgenopstanden. Het gebruik van alleen LiDAR verlaagde de nauwkeurigheid tot ongeveer 63 procent, wat de auteurs te laag achten voor besluitvorming in natuurbeheer. Het vervangen van hyperspectrale gegevens door RGBN-beelden verbeterde de situatie aanzienlijk vergeleken met alleen LiDAR: de nauwkeurigheid steeg naar ongeveer 72–73 procent, waarbij de toegevoegde textuurlagen slechts een kleine extra verbetering boden. Voor sommige vegetatietypen — zoals drijfplanten, bepaalde rietsoorten en laagveen — kwam de RGBN‑plus‑textuurbenadering dicht in de buurt van de prestaties van hyperspectrale data. Voor andere typen, met name hoge kruidachtige gemeenschappen en sommige zegge‑moerassen en struiktypes, veroorzaakte het verlies van hyperspectrale detail duidelijke dalingen in betrouwbaarheid.

Meer zien dan veldkaarten alleen kunnen tonen

Wanneer de nieuwe remote sensing-kaarten werden vergeleken met de traditionele veldgebaseerde vegetatiekaart die in het beheersplan van het park wordt gebruikt, waren de verschillen opvallend. De luchtdata onthulden veel kleine maar ecologisch belangrijke stukjes — zoals weilanden op kleine minerale bultjes en fragmenten van zeldzame veengemeenschappen — die de veldkaart had gemist of had gegeneraliseerd tot brede eenheden. Remote sensing legde ook complexe mozaïeken vast waar verschillende moerasgemeenschappen door elkaar lopen over de stroomvlakte. Tegelijkertijd bleven sommige fijnmazige graslandtypen die door botanisten werden geïdentificeerd lastig te scheiden op beelden alleen, wat de blijvende waarde van deskundig veldwerk benadrukt.

Wat dit betekent voor het beschermen van wetlands

Voor beheerders van beschermde wetlands levert de studie een genuanceerde boodschap. Als de begroting het toelaat, biedt de combinatie van hyperspectrale en LiDAR-gegevens de meest nauwkeurige wand‑tot‑wand kaarten en ondersteunt het het beste gedetailleerd habitatbeheer. Waar zulke geavanceerde vluchten echter te kostbaar zijn, levert het samenvoegen van betaalbaardere RGBN‑beelden met LiDAR nog steeds nuttige, redelijk nauwkeurige kaarten voor veel vegetatietypen, vooral wanneer verrijkt met textuurinformatie. Bovenal toont het werk aan dat vliegtuiggedragen remote sensing — of het nu topklasse of meer bescheiden is — traditionele veldkaarten sterk kan verrijken en aanvullen, en het fijne mozaïek van wetlandvegetatie onthult dat de biodiversiteit ondersteunt en slimmere natuurbeschermingsbeslissingen aanstuurt.

Bronvermelding: Jarocińska, A., Kopeć, D., Niedzielko, J. et al. Value of hyperspectral data for wall to wall wetland vegetation mapping in heterogeneous landscapes. Sci Rep 16, 13947 (2026). https://doi.org/10.1038/s41598-026-44275-0

Trefwoorden: moeraskaartlegging, remote sensing, hyperspectrale beeldvorming, LiDAR, vegetatieclassificatie