Analiza rozdzielczości przestrzenno‑spektralnej z wykorzystaniem hiperspektralnych zdjęć z drona i multispektralnych obrazów satelitarnych do monitorowania płytkich wód przybrzeżnych

Dlaczego to badanie przybrzeża ma znaczenie

Płytkie wody przybrzeżne są siedliskiem łąk trawy morskiej, raf i łanów glonów, które chronią linie brzegowe, wspierają rybołówstwo i magazynują węgiel. Jednak te siedliska trudno jest często mapować i monitorować wyłącznie z użyciem łodzi. Badanie pokazuje, jak zastosowanie hiperspektralnej kamery na dronie w połączeniu z widokami satelitarnymi może dostarczyć szczegółowych, powtarzalnych map głębokości wody i dna morskiego, pomagając społecznościom zarządzać wrażliwymi wybrzeżami w obliczu rosnącej presji ze strony ludzi i zmian klimatu.

Patrząc na morze z góry

Naukowcy skupili się na plaży Las Canteras, miejskim odcinku wybrzeża na Gran Canarii chronionym ze względu na bogactwo życia morskiego, ale intensywnie użytkowanym przez mieszkańców i turystów. Naturalny skalny próg uspokaja fale i sprawia, że dno jest dobrze widoczne z góry, co jest idealne dla optycznego teledetekcji. Historycznie teren ten był porośnięty rozległymi łąkami trawy morskiej, które w dużej mierze zanikły w wyniku zabudowy wybrzeża i zmian w ruchu piasku. Dziś płaty zielonych, brązowych i czerwonych glonów oraz piasku i skały tworzą mozaikę na dnie, odzwierciedlając zarówno naturalne zmiany, jak i wpływ człowieka.

Testowanie różnych „oczu” nad wodą

W centrum pracy znajduje się sprytne doświadczenie: zamiast porównywać bezpośrednio różne kamery zarejestrowane w różnych momentach, zespół zaczął od jednego bardzo szczegółowego obrazu z drona wykonanego hiperspektralnym sensorem (97 wąskich pasm przy rozdzielczości 10 cm). Z tego pojedynczego odniesienia matematycznie „degradowali” dane, aby naśladować komercyjnego satelitę z 8 szerszymi pasmami oraz prostą kamerę RGB z tylko 3 pasmami, każdą w wariantach zarówno drobnej (10 cm), jak i grubszej (2 m) wielkości piksela. W ten sposób powstało sześć kontrolowanych wersji tej samej sceny, wolnych od różnic w pogodzie, przejrzystości wody czy pływach. Następnie użyli tych obrazów do oszacowania głębokości (batymetrii) i klasyfikacji typów dna (roślinność, piasek i skała), stosując mieszankę dobrze znanych wzorów i współczesnych metod uczenia maszynowego.

Odczytywanie głębokości i siedlisk z koloru

Aby odtworzyć głębokość, badanie porównało ustaloną metodę matematyczną, która wiąże światło w dwóch pasmach kolorystycznych z głębokością, z bardziej elastycznym modelem uczenia maszynowego, który uczy się wzorców z wielu pasm jednocześnie. Dla siedlisk dennych wytrenowano dwa typy klasyfikatorów: maszyny wektorów nośnych i sieci neuronowe typu feedforward, oba sterowane danymi z pomiarów w wodzie i zdjęć dna. We wszystkich testach dane hiperspektralne z drona dawały najbardziej dokładne wyniki, z błędami w pomiarze głębokości sięgającymi około 15 centymetrów i około 94% poprawnej klasyfikacji siedlisk. Obrazy multispektralne, podobne do tych z powszechnych satelitów komercyjnych, wypadły niemal równie dobrze, oferując silny kompromis między szczegółowością, zasięgiem a kosztem. Prostszą wersję RGB można uznać za wystarczającą do pomiaru głębokości, lecz miała trudności z wiarygodnym rozróżnieniem różnych typów dna w tym złożonym siedlisku, szczególnie przy rozróżnianiu podobnych gatunków glonów.

Co ma większe znaczenie: ostrość czy bogactwo barw?

Jednym z kluczowych pytań było to, czy większy wpływ ma drobniejszy rozmiar piksela, czy bogatsza informacja spektralna. W przypadku głębokości odpowiedź jest zaskakująca: zmiana rozmiaru piksela z 10 cm na 2 m niewiele zmieniała dokładność. Ponieważ głębokość jest kontrolowana głównie przez tłumienie światła w wodzie, bardzo wysoka rozdzielczość przestrzenna dodaje niewiele, gdy wody mają tylko kilka metrów głębokości i są stosunkowo gładkie. W przypadku mapowania siedlisk jednak zarówno bogactwo przestrzenne, jak i spektralne mają większe znaczenie. Drobniejsze piksele zmniejszają mieszanie się piasku, skały i roślin w obrębie pojedynczego piksela, ułatwiając rozdzielenie klas. A kiedy celem jest rozróżnienie podobnych gatunków glonów, dodatkowe pasma spektralne wyraźnie pomagają. Model sieci neuronowej najlepiej wykorzystał tę dodatkową informację, przewyższając bardziej tradycyjny klasyfikator.

Śledzenie niepokojącej utraty zieleni morskiej

Poza testami metod zespół porównał także prawdziwe zdjęcie satelitarne z 2016 roku z danymi z drona z 2023 roku, dostosowanymi do gorszej rozdzielczości satelity. Wykryto szacunkową utratę około 7 200 metrów kwadratowych roślinności morskiej, z czego dużą część prawdopodobnie stanowiły łany zielonego glonu Cymopolia barbata. W połączeniu z już udokumentowanym zanikiem historycznych łąk trawy morskiej oraz lokalnym ociepleniem temperatury powierzchni morza, intensywnym użytkowaniem rekreacyjnym i okresowymi problemami z jakością wody, wyniki sugerują, że ta miejska rafa znajduje się pod znaczną presją.

Co to oznacza dla wybrzeży i społeczności

Dla czytelników niebędących specjalistami przekaz jest dwojaki. Po pierwsze, nowoczesne obrazowanie z dronów i satelitów analizowane za pomocą uczenia maszynowego może dziś dostarczać dokładnych, powtarzalnych map głębokości płytkich wód i życia na dnie bez ciągłych pomiarów z łodzi. Umożliwia to praktyczne śledzenie zmian siedlisk przybrzeżnych na przestrzeni lat, a nawet sezonów. Po drugie, przypadek Las Canteras pokazuje, dlaczego takie monitorowanie jest pilne: cenne podwodne „lasy” mogą kurczyć się cicho pod wpływem ocieplających się mórz i lokalnej presji ludzkiej. Opisane podejście oferuje praktyczne narzędzie dla miast i agencji ochrony przyrody, by baczniej obserwować swoje podwodne sąsiedztwa i działać zanim kluczowe siedliska zostaną utracone.

Cytowanie: Mederos-Barrera, A., Eugenio, F. & Marcello, J. Spatial-spectral resolution analysis using drone hyperspectral and satellite multispectral imagery for shallow coastal water monitoring. Sci Rep 16, 14511 (2026). https://doi.org/10.1038/s41598-026-38166-7

Słowa kluczowe: mapowanie wybrzeża, hiperspektralne obrazowanie z drona, batymetria płytkich wód, monitoring siedlisk dennych, utrata roślinności morskiej