Opracowanie i optymalizacja modelu morfodywersyjności dla obszarów górskich z wykorzystaniem klasyfikacji nadzorowanej i sztucznych sieci neuronowych

Dlaczego kształt gór ma znaczenie

Gdy myślimy o ochronie przyrody, zwykle wyobrażamy sobie rzadkie rośliny i zwierzęta. Tymczasem podłoże — urwiska, doliny, grzbiety i przełomy rzeczne — cicho determinuje, gdzie organizmy mogą się rozwijać. W artykule opisano sposób precyzyjnego i zautomatyzowanego mierzenia tej fizycznej różnorodności, zwanej morfodywersyjnością. Skupiając się na Pieninach, autor pokazuje, jak nowoczesne techniki komputerowe, w tym sztuczne sieci neuronowe, potrafią przekształcić szczegółowe dane wysokościowe w wiarygodne mapy wspierające planowanie ochrony przyrody i zagospodarowania terenu.

Górskie laboratorium różnorodności krajobrazu

Pieniny, leżące na pograniczu polsko‑słowackim, to niewielkie, lecz niezwykle zróżnicowane pasmo. Strome wapienne urwiska, głębokie wąwozy takie jak słynny przełom Dunajca, łagodniejsze stoki fliszowe, skały wulkaniczne i płaskie dno kotlin występują tu obok siebie. To połączenie typów skał i form terenu tworzy mozaikę siedlisk — od nasłonecznionych skał po zacienione doliny — co sprzyja bogactwu biologicznemu. Ponieważ obszar jest dobrze zmapowany i szczegółowo zbadany, stanowi idealne „laboratorium” do testowania nowych metod ilościowego opisu zróżnicowania krajobrazu, daleko wykraczających poza to, co łatwo ocenić wzrokiem z mapy czy punktu widokowego.

Od surowych danych wysokościowych do mierzalnej różnorodności terenu

Badanie zaczyna się od wysokorozdzielczego modelu terenu — szczegółowego, trójwymiarowego opisu powierzchni. Z niego autor wyprowadza siedem podstawowych cech terenu: wysokość bezwzględną, nachylenie, ekspozycję zbocza (kierunek, w którym zbocze jest skierowane), dwa rodzaje krzywizny (sposób zaginania powierzchni), lokalne różnice wysokości oraz obecność wychodni skalnych. Region dzieli się następnie na tysiące regularnych sześciokątnych komórek. W każdej komórce komputer mierzy, jak bardzo te cechy terenu zmieniają się między pikselami. Zamiast jedynie zliczać, ile „typów” form terenu występuje, metoda traktuje samą zmienność jako sygnał: im więcej zmian wysokości, stromizny czy ekspozycji w obrębie komórki, tym większe prawdopodobieństwo, że jest ona morfodywersyjna.

Uczenie cyfrowego klasyfikatora rozpoznającego złożony teren

Aby przekształcić te liczby w użyteczną mapę, w badaniu zastosowano klasyfikację nadzorowaną i sztuczne sieci neuronowe — modele komputerowe luźno inspirowane sposobem, w jaki mózg uczy się wzorców. Eksperci ludzie najpierw oznaczają przykładowe komórki jako wyraźnie „morfodywersyjne” (surowe szczyty, skaliste grzbiety, głęboko wcięte doliny, strome ściany przełomów) lub „niemorfodywersyjne” (płaskie dno dolin, powierzchnie jezior, szerokie łagodne stoki). Te oznaczone przykłady uczą sieć, jakie kombinacje wysokości, nachylenia i innych cech zwykle odpowiadają skomplikowanemu terenowi. Po wytrenowaniu sieć przypisuje każdej komórce prawdopodobieństwo przynależności do klasy morfodywersyjnej. Wynikiem jest mapa ciągła, którą można później pogrupować w intuicyjne kategorie od bardzo niskiej do bardzo wysokiej morfodywersyjności.

Przycinanie danych, aby zachować tylko to, co istotne

Starsze metody często sumowały wiele wskaźników terenu, nieumyślnie licząc te same informacje wielokrotnie i zacierając obraz. W pracy tę niedoskonałość rozwiązano, łącząc sieci neuronowe z globalną analizą wrażliwości — techniką sprawdzającą, ile wkładu w rzeczywiste prognozy wnosi każdy wejściowy parametr. Stopniowo „wyłączając” zmienne i obserwując zmiany błędu modelu, autor identyfikuje cechy niosące rzeczywiste informacje oraz te, które są w dużej mierze redundantne. Modele po optymalizacji pokazują, że zaledwie kilka czynników — różnice wysokości w obrębie komórki, ogólna wysokość, nachylenie, rozkład kierunków nachylenia oraz obecność wychodni skalnych — wystarcza do uchwycenia istotnej struktury morfodywersyjności. Nawet po usunięciu słabowartościowych wejść uproszczone modele wciąż bardzo wiernie odwzorowują wersje pełne, z korelacjami sięgającymi 0,96–0,98.

Co wyniki oznaczają dla ochrony przyrody

Udoskonalony model, w szczególności wersja RCMSC–ANN–M, generuje mapy zgodne z wiedzą geomorfologów o Pieninach. Wyróżnia nie tylko spektakularne wysokie grzbiety i ściany przełomów, lecz także morfologicznie złożone fragmenty zboczy i podgórza, które mogłyby zostać przeoczone. Ponieważ metoda opiera się na powszechnie dostępnych danych wysokościowych i kompaktowym zbiorze kluczowych zmiennych, można ją dostosować do innych regionów górskich na świecie. Dla planistów ochrony stanowi to obiektywny sposób lokalizacji i porównywania obszarów „geologicznie bogatych”, które wspierają bioróżnorodność i wartość krajobrazową, pomagając priorytetyzować działania ochronne, zarządzanie ruchem turystycznym lub szczegółowe inwentaryzacje terenowe.

Cytowanie: Bartuś, T. Development and optimization of a morphodiversity model for mountainous areas using supervised classification and artificial neural networks. Sci Rep 16, 6009 (2026). https://doi.org/10.1038/s41598-026-36326-3

Słowa kluczowe: georóżnorodność, morfodywersyjność, krajobrazy górskie, sieci neuronowe, geokonserwacja