Mappatura delle specie arboree nelle foreste tropicali

Le foreste pluviali tropicali sono famose per la loro ricca varietà di specie. Essere in grado di identificare diversi tipi di alberi usando tecniche speciali di telerilevamento è importante per scienziati e persone che lavorano in tanti settori. Questa abilità permette controlli in tempo reale e monitoraggio della biodiversità e della varietà di specie arboree. Aiuta anche a capire gli ambienti in cui vivono questi alberi e come interagiscono all'interno dell'ecosistema. Queste informazioni possono essere cruciali per gli sforzi di conservazione, poiché aiutano a trovare specie specifiche, stimare il carbonio stoccato nella foresta, tenere d'occhio specie invasive dannose, gestire i bisogni idrici, monitorare parassiti e malattie, e conoscere le migrazioni animali.

Le mappe che mostrano la Chioma degli Alberi sono utili anche per valutare come l'incredibile diversità delle foreste tropicali influisce sui processi ecosistemici, compresa la loro capacità di affrontare il cambiamento climatico. Tuttavia, anche se sappiamo che avere molte specie diverse può rendere gli ecosistemi più stabili, non è ancora chiaro se questa diversità sia essenziale a causa della presenza di alcune specie che possono svolgere ruoli simili.

Sapere dove sono distribuite le diverse specie di alberi è importante per esaminare gli impatti delle attività umane e sviluppare piani efficaci per la gestione sostenibile di questi ecosistemi vitali. Da una prospettiva commerciale, usare il telerilevamento per mappare le specie di alberi può aiutare a velocizzare gli inventari forestali, che aiutano a valutare le risorse disponibili e a pianificare il prelievo sostenibile. Complessivamente, queste intuizioni supportano politiche basate su prove che mirano a bilanciare le attività umane e la protezione ambientale.

#Sfide nel Mappare le Specie di Alberi Individuali

Mappare le chiome degli alberi e identificarne le specie su larga scala in foreste tropicali affollate è una sfida. Delineare accuratamente le chiome degli alberi e classificare i pixel all'interno di quelle chiome richiede metodi avanzati. La prima sfida è trovare e delineare accuratamente le chiome individuali dall'alto, poiché possono sovrapporsi in modi complessi. La maggior parte degli sforzi per identificare alberi singoli si è concentrata su dati lidar aerei, che ha funzionato bene nelle foreste temperate ma fatica nelle intricate chiome delle foreste tropicali.

Le foto RGB possono fornire informazioni sui colori e le texture per differenziare gli alberi, ma gli analisti umani spesso non sono d'accordo su dove si trovano gli alberi e come sono formate le loro chiome. Approcci recenti utilizzando una tecnologia chiamata Mask R-CNN hanno mostrato promesse nell'utilizzare i colori e le texture delle immagini RGB per delineare meglio i bordi delle chiome degli alberi vicini. Tuttavia, variazioni nelle condizioni di illuminazione, il movimento degli alberi, cambiamenti stagionali e incongruenze nell'unione delle immagini possono risultare in una delineazione inaccurata delle chiome.

Pertanto, sono necessari metodi che possano combinare dati provenienti da diverse date e che siano testati rispetto a dati di verità sul campo affidabili.

#Difficoltà nell'Assegnare Le Etichette Alle Specie

Assegnare etichette alle specie nelle chiome degli alberi è difficile anche a causa dell'alto numero di specie, molte delle quali sono rare. Le foreste tropicali hanno molte specie, ma alcune sono comuni mentre la maggior parte ha molto pochi individui per area. In un grande studio che ha coinvolto oltre 640.000 alberi in vari appezzamenti forestali dell'Amazzonia, è emerso che una parte significativa delle specie aveva popolazioni inferiori a 1.000 individui, con solo una piccolissima percentuale che costituiva la metà di tutti gli alberi. Questo squilibrio nella distribuzione minaccia la biodiversità poiché molte specie sono a rischio di estinzione a causa dei loro numeri esigui.

Questa rarità complica gli sforzi per identificare e studiare le specie di alberi utilizzando il telerilevamento, poiché le specie rare potrebbero non avere abbastanza rappresentanza nei dati per essere rilevate o classificate in modo affidabile. Anche se ci sono molte specie di alberi, la clorofilla e altri pigmenti sono presenti nella maggior parte. Questo rende difficile identificare le specie basandosi solo sulla pigmentazione, poiché specie strettamente correlate possono condividere caratteristiche specifiche che influenzano le loro proprietà spettrali. Fattori come la struttura delle foglie e la composizione chimica possono variare tra le famiglie, influenzando le loro proprietà spettrali.

Tuttavia, una significativa variazione nelle proprietà spettrali può verificarsi anche tra specie strettamente correlate a causa di differenze a livello di genere e specie, condizioni ambientali e stato di salute delle piante. Così, mentre alcune somiglianze esistono tra i membri della stessa famiglia, queste non sono assolute, e una classificazione approfondita basata su dati spettrali richiede attenzione a caratteristiche specifiche e tecniche avanzate di Apprendimento Automatico.

#Uso del Telerilevamento Iperspettrale

Il telerilevamento iperspettrale misura l'intensità della luce attraverso molte bande spettrali strette, rendendolo uno strumento potente per mappare le specie di alberi. Le proprietà spettrali degli alberi sono influenzate da diversi fattori, comprese le loro caratteristiche biochimiche e strutturali. Numerosi studi hanno dimostrato che piccole differenze nella riflessione spettrale a causa di queste caratteristiche possono essere identificate nei dati iperspettrali, consentendo la mappatura delle specie e il monitoraggio della salute in sistemi meno diversificati.

Tuttavia, distinguere le specie in foreste tropicali dense si è rivelato più complesso. Alcuni studi hanno differenziato con successo un numero limitato di specie in ambienti tropicali utilizzando dati iperspettrali. Ad esempio, uno studio è riuscito a identificare sette specie in una foresta pluviale della Costa Rica, mentre un altro ha identificato 17 specie nelle foreste tropicali delle Hawaii. L'accuratezza della classificazione è più alta in aree con specie ben rappresentate. Ma le numerose caratteristiche sovrapposte negli spettri rendono difficile individuare specie individuali.

Sviluppare metodi che possano analizzare e separare efficacemente i segnali spettrali in relazione alle caratteristiche delle specie arboree è cruciale per migliorare il rilevamento delle specie.

#Combinare Dati per un Rilevamento Migliorato

Tecniche di visione artificiale che integrano informazioni nel tempo potrebbero migliorare il rilevamento e la segmentazione degli alberi di chioma. I dati RGB tradizionali, pur mancando dei dettagli spettrali offerti dai dati iperspettrali, spesso hanno una risoluzione spaziale superiore, specialmente quando ottenuti da droni che operano vicino alla chioma della foresta. Il costo inferiore di questi sensori rende fattibile condurre sopralluoghi regolari nella stessa area.

Tuttavia, le variazioni nella chioma della foresta, nell'atmosfera e nella luce nel tempo possono significare che le mappe previste delle chiome differiscono significativamente da una data all'altra. Per affrontare questo problema, un approccio di fusione del consenso può combinare le mappe delle chiome degli alberi rilevate in date diverse. Abbinando le chiome di varie date e mediando i loro parametri, è possibile creare mappe che riflettono il consenso sui luoghi e le forme delle chiome, portando potenzialmente a una delineazione più consistente e accurata.

In questo studio, è stato proposto un nuovo metodo per mappare gli alberi della foresta pluviale che si concentra su:

1. Delineare accuratamente le chiome degli alberi individuali.
2. Classificare le specie di ogni albero.

La delineazione automatica delle chiome degli alberi individuali è stata condotta utilizzando detectree2, uno strumento basato su un'architettura di deep learning. Per la prima volta, il metodo combina le chiome degli alberi identificate da ripetuti sondaggi aerei, analizzando se identificare il consenso tra le mappe multiple migliora l'accuratezza.

#Domande di Ricerca

Lo studio esplora diverse domande di ricerca importanti:

1. Combinare informazioni da diverse date può migliorare l'accuratezza delle mappe delle chiome degli alberi da immagini aeree?
2. Un'ampia gamma di specie arboree tropicali può essere classificata accuratamente utilizzando dati iperspettrali?
3. Quale tipo di classificatore di machine learning è più efficace nel prevedere le specie di alberi dai dati iperspettrali?
4. Quanti campioni di una determinata specie sono necessari per ottenere una buona accuratezza di classificazione?
5. Quali lunghezze d'onda specifiche sono più efficaci nel determinare le specie?
6. In che modo gli spettri di riflettanza degli alberi si relazionano alle loro famiglie evolutive?
7. Le proprietà spettrali osservate all'interno delle chiome degli alberi mostrano segnali evolutivi?
8. Le lunghezze d'onda più utili per la classificazione sono anche quelle con forti segnali evolutivi?
9. Le specie strettamente correlate tendono a essere confuse più frequentemente nella loro classificazione rispetto a quelle lontanamente correlate?

Attraverso la combinazione della mappatura delle chiome degli alberi validata sul campo e delle tecniche di machine learning, è stato sviluppato un metodo affidabile e accurato per delineare le chiome degli alberi e prevedere le loro specie. Questo metodo utilizza lavoro di campo tradizionale, machine learning avanzato, dati di telerilevamento ad alta risoluzione e intuizioni dall'evoluzione delle piante, offrendo un nuovo approccio alla mappatura delle specie arboree.

#Area di Studio e Metodi

La ricerca si è svolta nelle foreste della Stazione di Campo di Paracou in Guyana Francese, dove le foreste pluviali tropicali a bassa quota prosperano in suoli poco profondi. L'area riceve circa 3.200 mm di pioggia all'anno, con una stagione secca da metà agosto a metà novembre. La stazione di campo ha numerosi appezzamenti permanenti contenenti un vasto numero di alberi di diverse specie.

I dati sono stati raccolti utilizzando una fotocamera montata su UAV e uno spettrometro di imaging montato su aereo, entrambi allineati con un modello di altezza della chioma prodotto da dati LiDAR. Una rete neurale convoluzionale è stata applicata ai dati RGB da UAV raccolti in più sondaggi per localizzare e delineare le chiome degli alberi individuali. Le immagini iperspettrali sono state poi utilizzate per classificare le specie di queste chiome. Ogni specie di albero riflette e assorbe la luce in modo unico attraverso varie lunghezze d'onda, creando una firma spettrale che può aiutare a distinguere le specie.

I passaggi di acquisizione e elaborazione dei dati includevano immagini RGB ad alta risoluzione raccolte utilizzando UAV a intervalli regolari, mentre i dati iperspettrali sono stati raccolti utilizzando sensori che coprivano un'ampia gamma di lunghezze d'onda. La co-registrazione dei dati ha garantito un allineamento spaziale accurato tra vari dataset per supportare un'analisi affidabile.

#Costruzione del Database di Verità sul Campo

Per addestrare e convalidare i modelli, è stato creato un set di chiome di alberi delineate manualmente insieme a etichette di specie. Questo database è stato costruito nel corso di diverse missioni sul campo sovrapponendo strati di telerilevamento e raffinando i contorni delle chiome degli alberi. Ogni chioma è stata assegnata punteggi di fiducia riguardo alla sua integrità e corrispondenza con specifici alberi nell'inventario.

Il lavoro sul campo ha giocato un ruolo essenziale nell'aggiornare e affinare le chiome basandosi su osservazioni in situ. Il dataset risultante ha fornito un solido riferimento per la Classificazione delle specie e l'addestramento dei modelli.

#Delineazione Automatica delle Chiome e Fusione

Le chiome degli alberi delineate manualmente sono state suddivise in set di addestramento e test basati sulla loro posizione geografica per garantire indipendenza nella valutazione delle prestazioni. Lo strumento detectree2 è stato addestrato sulle chiome disegnate a mano e sulle corrispondenti immagini RGB. Vari modelli sono stati testati per comprendere meglio quale livello di dati di addestramento sia necessario per una mappatura accurata.

I modelli sono stati utilizzati per prevedere e delineare le chiome degli alberi in tutta la regione basandosi sulle scansioni UAV. Le uscite sono state combinate in mappe di consenso per riflettere gli accordi inter-date e migliorare l'accuratezza della segmentazione. Le valutazioni dell'accuratezza della segmentazione sono state condotte misurando le sovrapposizioni tra le previsioni e le chiome di riferimento.

#Classificazione delle Specie

Una volta mappate le chiome degli alberi, è stato necessario assegnare loro etichette di specie. Per raggiungere questo obiettivo, è stato addestrato un classificatore utilizzando dati iperspettrali estratti dalle chiome degli alberi delineate, con un focus sull'identificazione di specie specifiche. Data la rappresentazione varia delle specie nel dataset, è stato impiegato un metodo di campionamento strategico per garantire una valutazione equa tra le specie.

Sono stati valutati vari classificatori per determinare quale fornisse il miglior potere predittivo. L'accuratezza della classificazione è stata anche analizzata in base al numero di chiome di addestramento disponibili per ogni specie.

#Importanza delle Lunghezze d'Onda

Lo studio ha esaminato le lunghezze d'onda più importanti per distinguere accuratamente le specie. Le bande nella gamma del bordo rosso superiore si sono rivelate essenziali per la discriminazione delle specie, mentre altre lunghezze d'onda sono state anche significative per identificare varie caratteristiche.

#Segnali Filogenetici negli Spettri

La ricerca ha esplorato se gli spettri di riflettanza osservati all'interno delle chiome degli alberi mostrino segnali evolutivi. La maggior parte delle bande spettrali ha mostrato segnali filogenetici notevoli, indicando che le specie strettamente correlate riflettono la luce in modi simili. Tuttavia, è stata trovata una correlazione negativa tra la forza dei segnali filogenetici e la loro utilità nella classificazione.

#Confusione Tra Specie Strettamente Correlate

L'analisi ha anche valutato la tendenza delle specie strettamente correlate a essere confuse durante la classificazione. I risultati suggerivano che man mano che la distanza filogenetica tra le specie diminuiva, la probabilità di errata classificazione aumentava.

#Conclusione

Mappare le specie di alberi nelle foreste tropicali è cruciale per comprendere i processi ecologici su scala più ampia. Questo studio ha migliorato la capacità di identificare le specie utilizzando il telerilevamento, raggiungendo una maggiore accuratezza con più specie rispetto agli sforzi precedenti. Concentrandosi su un'ampia gamma di specie e utilizzando dati di alta qualità provenienti da fonti multiple, sono stati fatti progressi significativi nella mappatura accurata delle specie di alberi e delle loro chiome.

Gli sforzi per migliorare la classificazione delle specie, aumentare l'accuratezza della mappatura e affrontare le sfide della trasferibilità tra diverse località forestali hanno gettato le basi per ricerche future. I progressi nei metodi di machine learning combinati con dati di campo affidabili e immagini di alta qualità consentono una comprensione più approfondita delle foreste tropicali, offrendo intuizioni che possono informare gli sforzi di conservazione e sostenere pratiche di gestione sostenibile.