Heterojen manzaralarda duvardan duvara sulak alan bitki örtüsü haritalaması için hiperspektral verinin değeri

Sulu manzaraların haritalanması neden önemli

Sulak alanlar, gezegenin en üretken ve tehdit altındaki ekosistemlerinden bazılarıdır. Karbon depolar, selleri tamponlar ve nadir bitki ile hayvanlara barınak sağlarlar—ancak ulaşılması zordur ve ayrıntılı olarak yaya gezerek haritalamak daha da zordur. Bu çalışma, park yöneticileri ve koruma uzmanlarının sıkça karşılaştığı pratik bir soruyu ele alıyor: sulak alan bitki örtüsünü anlamak için gerçekten pahalı, en yeni hiperspektral uçuşlara mı ihtiyacımız var, yoksa daha ucuz ve daha yaygın hava görüntüleri işi yeterince iyi yapabilir mi?

Bataklık labirentine yukarıdan bakmak

Araştırmacılar, Avrupa’nın en büyük taşkın ova sulak alan komplekslerinden biri olan Polonya’nın kuzeydoğusundaki Narew Ulusal Parkı’na odaklandı. Burada dallanan, çok kanallı bir nehir, kamışlıklar, saz bataklıkları, ıslak çayırlar, alçak sebat batakları (fenler), söğüt çalılıkları ve kıyı ormanlarıyla dolu düz bir vadiden geçer. Birçok alan karadan erişilmesi zor veya imkânsızdır; aynı zamanda geleneksel tarımın azalması ve su seviyelerinin düşmesiyle bitki örtüsü değişmektedir. Bu değişimleri izlemek için ekip, saha botaniğini 300 kilometre kareyi aşan bir alanda uçakla elde edilen uzaktan algılama verileriyle birleştirdi.

Uçaklar, lazerler ve çok sayıda ışık rengi

2020 yazında, uçaklar park üzerinde üç tür veri topladı. Hiperspektral sensörler görünürden kısa dalga kızılötesine kadar yüzlerce çok dar bant kaydederek yaprak kimyası ve su içeriğindeki ince farkları yakaladı. Bir LiDAR tarayıcı, bitki örtüsünün yükseklik ve örtü karmaşıklığı gibi üç boyutlu yapısını ölçmek için lazer darbeleri gönderdi. Yüksek çözünürlüklü RGBN kamera ise kırmızı, yeşil, mavi ve yakın kızılötesi görüntüleri 10 santimetre ayrıntıyla yakaladı; ekip buradan ayrıca bir bitki indeksini ve piksellerin küçük komşuluklarda nasıl değiştiğini tanımlayan ince ölçekli doku (texture) ölçülerini hesapladı. Arazide ise botanikçiler yaklaşık 2.000 referans parseli haritaladı ve açık su alanından belirli bataklık ve orman topluluklarına kadar uzanan 30 ayrıntılı bitki örtüsü sınıfını ayırt ettiler.

Bir bilgisayara bitki desenlerini tanımayı öğretmek

Bilim insanları sonra her metrekare için bitki örtüsü türünü tahmin etmek üzere bir makine öğrenimi modeli (CatBoost) eğitti ve dört veri kombinasyonunu test etti. En bilgiyi fazla set, hiperspektral veriyi LiDAR ile birleştirdi; ikinci set yalnızca LiDAR kullandı; üçüncü set LiDAR ile RGBN görüntülerini birleştirdi; dördüncü ise bu RGBN‑LiDAR karışımına doku katmanları ekledi. Modeli saha parsellerinin farklı alt kümeleri üzerinde tekrar tekrar eğitip doğrulayarak her sınıfı ne sıklıkla doğru tanımladığı değerlendirildi. Ayrıca ortaya çıkan haritaların birbirine ve parkın mevcut elle çizilmiş bitki örtüsü haritasına ne kadar benzediğini, hem görsel inceleme hem de standart bir örtüşme indeksi kullanarak karşılaştırdılar.

Hiperspektral veri olmadan ne kazanılır, ne kaybedilir

Hiperspektral artı LiDAR birleşik veri seti açıkça en iyi performansı gösterdi; genel olarak yaklaşık yüzde 82 doğrulukla sınıflandırma yaptı ve özellikle ormanlar, kamışlıklar ve söğüt toplulukları gibi birçok bireysel topluluk için güçlü sonuçlar verdi. Yalnızca LiDAR kullanmak doğruluğu yaklaşık yüzde 63’e düşürdü; yazarlar bunun koruma kararları için çok düşük olduğunu değerlendiriyor. Hiperspektrali RGBN görüntülerle değiştirmek, yalnızca LiDAR’a kıyasla önemli bir iyileşme getirdi: doğruluk yaklaşık yüzde 72–73’e yükseldi ve eklenen doku katmanları yalnızca küçük bir ek destek sağladı. Bazı bitki türleri için—örneğin açık su bitkileri, belirli kamışlar ve alçak sebat fenleri—RGBN artı doku yaklaşımı hiperspektral verinin performansına yaklaşabildi. Diğerleri için, özellikle uzun boylu otsu topluluklar ve bazı saz bataklıkları ile çalı türlerinde, hiperspektral ayrıntı kaybı güvenilirlikte belirgin düşüşlere yol açtı.

Saha haritalarının tek başına gösteremediğinden daha fazlasını görmek

Yeni uzaktan algılama haritaları parkın yönetim planında kullanılan geleneksel saha tabanlı bitki örtüsü haritasıyla karşılaştırıldığında farklar çarpıcıydı. Havadan elde edilen veriler, saha haritasının kaçırdığı veya geniş birimlere genelleştirdiği küçük ama ekolojik açıdan önemli birçok yama—örneğin küçük mineral tümseklerdeki çayırlar ve nadir fen bitki örtüsü parçacıkları—gibi alanları ortaya koydu. Uzaktan algılama ayrıca farklı bataklık topluluklarının taşkın ovası boyunca iç içe geçtiği karmaşık mozayikleri yakaladı. Aynı zamanda, botanikçiler tarafından tanımlanan bazı ince taneli çayır tipleri görüntüleme ile ayrılamamaya devam etti ve bu da uzman saha çalışmalarının değerini vurguladı.

Sulak alanların korunması için bunun anlamı

Korunan sulak alanların yöneticileri için çalışma nüanslı bir mesaj veriyor. Bütçeler izin veriyorsa, hiperspektral ve LiDAR verilerini birleştirmek en doğru duvardan duvara haritaları sağlar ve ayrıntılı habitat yönetimini en iyi şekilde destekler. Ancak bu tür gelişmiş uçuşlar çok maliyetliyse, daha uygun maliyetli RGBN görüntülerini LiDAR ile birleştirmek yine de birçok bitki örtüsü tipi için, özellikle doku bilgisiyle güçlendirildiğinde, kullanışlı ve makul doğrulukta haritalar verir. Her şeyden önemlisi, çalışma gösteriyor ki ister en üst düzey ister daha mütevazı olsun havadan uzaktan algılama, geleneksel saha haritalamasını büyük ölçüde zenginleştirebilir ve tamamlayabilir; sulak alan bitki örtüsünün biyoçeşitliliği destekleyen ve daha akıllı koruma kararlarına rehberlik eden ince yamalı dokusunu ortaya koyar.

Atıf: 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

Anahtar kelimeler: sulak alan haritalama, uzaktan algılama, hiperspektral görüntüleme, LiDAR, bitki örtüsü sınıflandırması