Wartość danych hiperspektralnych do mapowania roślinności mokradeł „od ściany do ściany” w zróżnicowanych krajobrazach

Dlaczego mapowanie terenów wodnistych ma znaczenie

Mokradła należą do najbardziej produktywnych i jednocześnie zagrożonych ekosystemów na Ziemi. Magazynują węgiel, łagodzą powodzie i chronią rzadkie gatunki roślin i zwierząt — są jednak trudne do osiągnięcia i jeszcze trudniejsze do szczegółowego zmapowania pieszo. Badanie to stawia praktyczne pytanie, z którym mierzą się zarządcy parków i ochroniarze przyrody na całym świecie: czy naprawdę potrzebne są kosztowne, zaawansowane loty hiperspektralne, by zrozumieć roślinność mokradeł, czy tańsze, powszechniejsze obrazy lotnicze wystarczą wystarczająco dobrze?

Widok z lotu ptaka na labirynt trzcinowisk

Naukowcy skupili się na Narwiańskim Parku Narodowym na północnym wschodzie Polski, jednym z największych kompleksów terenów zalewowych w Europie. Tutaj wielonurtowa, rozgałęziająca się rzeka meandruje przez płaską dolinę wypełnioną trzcinowiskami, turzycowiskami, łąkami wilgotnymi, niskopiennymi torfowiskami, zaroślami wierzbowymi i lasami nadrzecznymi. Wiele obszarów jest trudnych lub niemożliwych do przejścia na piechotę, a jednocześnie roślinność zmienia się w miarę zaniku tradycyjnego rolnictwa i spadku poziomu wód. Aby śledzić te zmiany, zespół połączył badania botaniczne w terenie z teledetekcją lotniczą na obszarze ponad 300 kilometrów kwadratowych.

Samoloty, lasery i wiele barw światła

Latem 2020 roku samoloty zebrały nad parkiem trzy rodzaje danych. Czujniki hiperspektralne zarejestrowały setki bardzo wąskich pasm spektralnych od światła widzialnego po krótkofalową podczerwień, uchwytując subtelne różnice w chemii liści i zawartości wilgoci. Skaner LiDAR wysyłał impulsy laserowe, mierząc trójwymiarową strukturę roślinności, taką jak wysokość i złożoność pokrywy. Kamera RGBN o wysokiej rozdzielczości zarejestrowała znane obrazy czerwieni, zieleni, błękitu i bliskiej podczerwieni z rozdzielczością 10 centymetrów, z których zespół obliczył również indeksy roślinności i drobnoskalowe miary tekstury opisujące, jak odcienie pikseli zmieniają się w małych sąsiedztwach. W terenie botanicy zmapowali prawie 2000 punktów referencyjnych, wyróżniając 30 szczegółowych klas roślinności, od otwartej wody po określone zespoły trzcinowisk i leśne.

Nauka komputera rozpoznawania wzorców roślinnych

Następnie naukowcy wytrenowali model uczenia maszynowego (CatBoost), by przewidywał typ roślinności dla każdego metra kwadratowego, testując cztery kombinacje danych. Najbogatszy w informacje zestaw łączył dane hiperspektralne z LiDAR; drugi używał wyłącznie LiDAR; trzeci łączył LiDAR z obrazami RGBN; a czwarty dodał warstwy tekstury do tego połączenia RGBN‑LiDAR. Przez wielokrotne trenowanie i walidację modelu na różnych podzbiorach punktów terenowych oceniali, jak często poprawnie identyfikował każdą klasę. Porównali także, jak podobne były powstałe mapy między sobą oraz w stosunku do istniejącej ręcznie rysowanej mapy roślinności parku, używając zarówno inspekcji wizualnej, jak i standardowego wskaźnika nakładania.

Co zyskujemy, a co tracimy bez danych hiperspektralnych

Połączenie danych hiperspektralnych z LiDAR wyraźnie wypadło najlepiej, klasyfikując poprawnie około 82 procent miejsc ogółem i dając silne wyniki dla wielu pojedynczych zespołów, szczególnie lasów, trzcinowisk i zarośli wierzb. Użycie samego LiDAR spadło do około 63 procent dokładności, co autorzy uznają za zbyt niskie do decyzji ochronnych. Zastąpienie danych hiperspektralnych obrazami RGBN znacznie poprawiło wyniki w porównaniu z samym LiDAR: dokładność wzrosła do około 72–73 procent, przy czym dodanie warstw tekstury przyniosło tylko niewielki dodatkowy wzrost. Dla niektórych typów roślinności — takich jak rośliny wodne, niektóre trzcinowiska i niskopienne torfowiska — podejście RGBN‑plus‑tekstura zbliżyło się do wydajności danych hiperspektralnych. Dla innych, szczególnie zespołów wysokich ziół oraz niektórych turzycowisk i typów zarośli, utrata informacji hiperspektralnej powodowała wyraźne spadki wiarygodności.

Widzimy więcej niż sama mapa terenowa

Gdy nowe mapy teledetekcyjne porównano z tradycyjną mapą roślinności opracowaną na podstawie badań terenowych i używaną w planie zarządzania parkiem, różnice były uderzające. Dane lotnicze ujawniły wiele małych, ale ekologicznie istotnych fragmentów — na przykład łąki na maleńkich mineralnych kopczykach i fragmenty rzadkiej roślinności torfowiskowej — które mapa terenowa pominęła lub uogólniła do szerokich jednostek. Teledetekcja uchwyciła także złożone mozaiki, gdzie różne zespoły bagienne przeplatają się na terasie zalewowej. Jednocześnie niektóre drobnoziarniste typy łąk rozpoznane przez botaników nadal były trudne do oddzielenia jedynie na podstawie obrazów, podkreślając ciągłą wartość pracy eksperckiej w terenie.

Co to oznacza dla ochrony mokradeł

Dla zarządców chronionych mokradeł badanie przynosi wyważony przekaz. Jeśli budżet na to pozwala, połączenie danych hiperspektralnych i LiDAR daje najdokładniejsze mapy „od ściany do ściany” i najlepiej wspiera szczegółowe zarządzanie siedliskami. Jednak tam, gdzie takie zaawansowane loty są zbyt kosztowne, połączenie bardziej przystępnych obrazów RGBN z LiDAR wciąż dostarcza użytecznych, stosunkowo dokładnych map dla wielu typów roślinności, zwłaszcza gdy są wzbogacone informacjami o teksturze. Przede wszystkim praca pokazuje, że teledetekcja lotnicza — czy to najwyższej klasy, czy bardziej umiarkowana — może znacząco wzbogacić i uzupełnić tradycyjne mapowanie terenowe, ujawniając drobną mozaikę roślinności mokradeł, która leży u podstaw bioróżnorodności i wspiera mądrzejsze decyzje w ochronie przyrody.

Cytowanie: 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

Słowa kluczowe: mapowanie mokradeł, teledetekcja, obrazowanie hiperspektralne, LiDAR, klasyfikacja roślinności