Zmniejszanie rozdzielczości przestrzennej obrazów satelitarnych na podstawie parametrów morfometrycznych w celu oszacowania Topographic Wetness Index przy użyciu narzędzi GIS

Dlaczego ostrzejsze mapy są ważne dla bezpieczeństwa gór

W stromych, deszczowych rejonach górskich drobne różnice w ukształtowaniu terenu decydują o tym, gdzie gromadzi się woda, gdzie gleba nasyca się wodą i gdzie zbocze może nagle się osunąć. Badanie to analizuje, jak wygenerowane komputerowo mapy wysokości terenu można wyostrzyć, aby lepiej odwzorowywały te subtelne formy, tak aby planiści i naukowcy mogli bardziej wiarygodnie wskazywać obszary podatne na powodzie, osuwiska i inne masowe ruchy materiału.

Z rozmytych wysokości do szczegółowego terenu

Praca koncentruje się na Cyfrowych Modelach Terenu (DEM): siatkowych mapach, w których każda komórka przechowuje wysokość terenu. Grube DEM-y, z dużymi komórkami, rozmywają grzbiety, doliny i linie odpływu, podczas gdy drobne DEM-y ujawniają znacznie więcej detali. Jednak dane o wysokiej rozdzielczości nie zawsze są dostępne ani przystępne cenowo, zwłaszcza w odległych górach. Autorzy badania sprawdzili, jak różne podejścia matematyczne mogą „skalować w dół” lub ulepszać grubsze DEM-y do postaci drobniejszej, tworząc ostrzejsze odwzorowania terenu bez nowych badań terenowych.

Zlewisko górskie jako laboratorium naturalne

Naukowcy skupili się na zlewni Jhelum w Azad Jammu i Kaszmirze, surowym, podatnym na osuwiska regionie Pakistanu, który doświadcza intensywnych opadów i nagłych ruchów masowych. Wykorzystali kilka zestawów danych DEM o rozmiarach komórek 30, 20, 12,5 i 1,5 metra, niektóre pochodzące z misji satelitarnych, a inne z szczegółowych badań terenowych. Zestawy te pozwoliły im przetestować, jak dobrze różne metody downscalingu potrafią odtworzyć zaufaną, bardzo szczegółową powierzchnię odniesienia oraz jak to z kolei wpływa na pomiary nachylenia, ekspozycji (kierunku, w którym zwrócone jest zbocze), krzywizny i dróg odpływu wody.

Testowanie metod skalowania

Porównano sześć technik: powszechnie stosowane metody interpolacji, takie jak najbliższy sąsiad, majority, bilinear, bicubic i kriging, oraz bardziej zaawansowane podejście oparte na Hopfield Neural Network (HNN). Każdą metodę użyto do dopracowania grubszych DEM-ów do drobniejszych rozdzielczości, a otrzymane powierzchnie porównano z wysokiej jakości danymi z pomiarów terenowych. Zespół koncentrował się na „czynnikach morfometrycznych” opisujących kształt terenu: jego stromiznę, ekspozycję, konkawność lub wypukłość, sposoby gromadzenia się wody oraz ogólny wzór zlewni. Czynniki te wpływają na Topographic Wetness Index (TWI), szeroko stosowany wskaźnik wskazujący, gdzie woda najprawdopodobniej będzie się gromadzić, a gleby – pozostawać wilgotne lub niestabilne.

Bardziej szczegółowy teren prowadzi do jaśniejszych miejsc wilgotnych

Analiza wykazała, że wszystkie sześć metod w pewnym stopniu poprawiło dokładność DEM-ów, ale interpolacja bicubic, a zwłaszcza metoda HNN, konsekwentnie dawały najlepsze wyniki. Gdy grube dane dopracowywano do średniej rozdzielczości, błędy zmniejszały się w przybliżeniu od jednej czwartej do trzech czwartych; przy dalszym dopracowywaniu w kierunku najdrobniejszej siatki poprawa dokładności w niektórych przypadkach przekraczała 90 procent. Te zyski przekładały się na znacznie lepsze oszacowania podstawowych właściwości terenu, takich jak nachylenie i ekspozycja, które są kluczowe dla modelowania ruchów masowych. Jednak badanie wykazało, że nie każda poprawa dokładności DEM automatycznie polepsza produkty drugiego rzędu, takie jak krzywizna i TWI, w najdrobniejszych skalach; w niektórych przypadkach od średnio do wysokiej rozdzielczości dalsze próbkowanie miało niewielki wpływ, a nawet mogło pogorszyć te bardziej wrażliwe wskaźniki.

Co to oznacza dla osuwisk i powodzi

Dla osoby nietechnicznej kluczowy wniosek jest taki, że nie każde „wyostrzanie” danych wysokościowych jest równe oraz że miejsce zastosowania tej operacji ma znaczenie. Poprzez ostrożny wybór sposobu dopracowywania DEM-ów — faworyzując metody takie jak Hopfield Neural Networks i interpolacja bicubic oraz stosując je głównie przy przejściu z niskiej do średniej rozdzielczości — naukowcy mogą uzyskać bardziej wiarygodne mapy przepływu wody przez krajobrazy górskie i obszarów, które najpewniej pozostaną wilgotne. Te dokładniejsze mapy wilgotności z kolei pomagają poprawić modelowanie powodzi, oceny podatności na osuwiska oraz planowanie zagospodarowania terenu w niebezpiecznych obszarach. Badanie dostarcza praktycznych wskazówek, które techniki działają najlepiej, i ostrzega, że same dążenia do coraz drobniejszych siatek nie zawsze prowadzą do lepszych prognoz miejsc, w których zbocza mogą zawieść.

Cytowanie: Shabbir, H., Ehsan, M., Raza, D. et al. Downscaling the spatial resolution of satellite imagery based on morphometric parameters to estimate the Topographic Wetness Index using GIS tools. Sci Rep 16, 8869 (2026). https://doi.org/10.1038/s41598-026-42557-1

Słowa kluczowe: model wysokości cyfrowej, topograficzny wskaźnik wilgotności, ryzyko osuwisk, skalowanie terenu, hydrologia górska