Оценка биомассы солончаков с помощью 10-диапазонной камеры дрона MicaSense и LiDAR

Солончаки имеют неоценимое значение для защиты побережья, фильтрации воды и хранения углерода. Эти экосистемы защищают от наводнений и эрозии, удаляют тяжелые металлы из воды и действуют как жизненно важные резервуары голубого углерода, помогая смягчить последствия изменения климата. Защита этих мест обитания имеет важное значение для поддержания здоровья планеты.

Профессора Луис Барберо и Глория Перальта вместе с доктором Андреа Селесте Курсио из Университета Кадиса на юге Испании разрабатывают точные статистические модели для оценки биомассы солончаков. Биомасса, общая масса живых организмов на данной территории, является ключевым индикатором здоровья экосистемы и хранения углерода.

Эти модели помогают выявить растительность, подвергшуюся стрессу, и определить, какой экологический стресс могут выдержать болота, прежде чем они будут повреждены. Они также позволяют различать виды, их уникальные механизмы роста и их вклад в производство биомассы. Кроме того, исследование направлено на расширение возможностей хранения углерода, что имеет решающее значение для смягчения последствий изменения климата.

Задача: спутниковые данные, гиперспектральные или мультиспектральные и интеграция LiDAR?

Инновация проекта заключается в интеграции данных дронов с мультиспектральных датчиков и датчиков LiDAR, создавая передовую технологическую основу. Эта усовершенствованная установка позволяет собирать данные с высоким разрешением, что позволяет точно дифференцировать среду обитания и значительно повышает точность оценок биомассы.

Команда использовала 10-полосный мультиспектральный датчик MicaSense, такой как RedEdge-P двойной, в сочетании с системой DJI Zenmuse L1 LiDAR, установленной на дроне DJI Matrice 300 RTK.

По мнению профессора Луиса Барберо, традиционные спутниковые данные, хотя и эффективны для крупномасштабного мониторинга, не обладают пространственным разрешением, необходимым для захвата мелких деталей прибрежных водно-болотных угодий и экосистем солончаков. Это ограничение часто приводит к неточностям в оценках биомассы и идентификации видов.

Команда признает потенциал гиперспектральных данных в идентификации типов и видов растительности, но подчеркивает, что их подход представляет собой значительное улучшение, поскольку гиперспектральные методы неэффективны из-за избыточности, высоких затрат, сложности и вычислительных требований.

Профессор Луис Барберо

«Использование LiDAR и мультиспектральных данных имеет решающее значение для точного определения первичных болотных местообитаний и создания подробных моделей биомассы с беспрецедентной точностью. Этот метод удобен для пользователя, воспроизводим и экономически эффективен, позволяя изучать солончаки, эволюционные тенденции и реакцию на изменение климата, требуя меньше полевых работ».

Ключевые преимущества подхода мультиспектрального LiDAR:

• Расширенный мультиспектральный анализ: данные, собранные с помощью Камера MicaSense позволил рассчитать различные индексы растительности, что облегчило обнаружение растительных пигментов, таких как антоцианы и хлорофилл. Эти пигменты являются важнейшими индикаторами стресса и биомассы растений.
• Точные модели высот: LiDAR генерировал точные данные о высоте, что является решающим фактором в различении видов на основе высоты среды обитания в солончаках.
• Сезонный мониторинг биомассы: объединение мультиспектральных индексов (например, ARI2, NDVI и SIPI) с данными LiDAR позволило детально отслеживать сезонные изменения биомассы.

Изучите двойную камеру RedEdge-P

Место исследования: Сезонное картирование динамической экосистемы залива.

Исследование было сосредоточено на заливе Кадис, расположенном на юго-западном побережье Испании. Эта мелководная атлантическая экосистема является домом для самых южных прибрежных водно-болотных угодий Европы, характеризующихся динамичной приливной средой, идеально подходящей для изучения сезонных и видовых моделей биомассы.

Чтобы уловить сезонную изменчивость экосистемы, команда провела полевые исследования в течение нескольких сезонов (2022–2023 гг.), Сочетая подробные исследования растительности с данными дронов.

Дрон обследовал территорию площадью 20 гектаров (50 акров) на высоте 100 метров (330 футов), предоставляя данные высокого разрешения с расстоянием отбора проб земли (GSD) 7 см (2,7 дюйма). Двойной датчик MicaSense был настроен на захват изображений с интервалом 2,2 секунды, обеспечивая 80% фронтальное и 70% боковое перекрытие. Два последовательных плана полетов были воспроизведены во всех кампаниях, чтобы обеспечить сопоставимость результатов.

Индексы, используемые для анализа

.

Нормализованный индекс различий растительности (NDVI) был особенно важен. Он создал маскирующий слой, чтобы очертить распределение растительности. Эта маска эффективно исключала области без растительности, такие как вода и голая почва, из всех растровых слоев анализа, обеспечивая точную информацию о растительности.

Другие ключевые индексы включали индекс широкополосной зелености растительности (BBVI), индекс отражения антоцианов (ARI), индекс пигментной растительности листьев (LPVI), индекс эффективности использования света растительности (LUEVI) и узкополосный индекс зелености растительности (NBVI).

Ключевые результаты исследования

1. Улучшенная оценка биомассы:

• Объединив мультиспектральные данные MicaSense с LiDAR, исследование позволило добиться более точных прогнозов биомассы по сравнению с предыдущими моделями, использующими спутниковые данные.
• Индекс отражения антоцианов 2 (ARI2), полученный с помощью двойной камеры MicaSense, в сочетании с цифровой моделью поверхности (DSM), имел решающее значение для идентификации двух доминирующих видов солончаков: Sarcocornia и Sporobolus maritimus. ARI2 был особенно полезен для обнаружения пигментов, связанных с солевым стрессом, которые меняются в зависимости от сезона и различаются у разных видов.
• Оценки биомассы показали разные тенденции для этих двух видов, что позволяет предположить, что они растут и ведут себя по-разному в течение года, что приводит к изменениям в производстве биомассы.

2. Сезонность имеет значение:

• Данные продемонстрировали четкие сезонные тенденции: биомасса достигает максимума летом и падает весной. Эти тенденции, зафиксированные с помощью данных MicaSense, подчеркивают, почему время важно для отбора проб.
• Анализ индексов вегетации показывает, что Sarcocornia и Sporobolus maritimus в течение года демонстрируют разные модели роста. Это показывает, что включение сезонности в модели является ключом к точным прогнозам биомассы.
• Весна была определена как самый стрессовый сезон для растений, с разнообразной реакцией на экологические проблемы. Понимание этих закономерностей важно для управления стрессоустойчивостью растений.

3. Видоспецифическая информация:

• В отличие от общих моделей болот, модели, специфичные для конкретных видов (обеспечиваемые Данные MicaSense) выявили уникальные реакции стресса на условия окружающей среды, такие как засоление и засуха. Этот уровень детализации имеет решающее значение для целенаправленных усилий по сохранению.
• Хотя стресс засоления можно считать основным фактором, влияющим на распространение растений на исследуемой территории, команда учла и другие потенциальные факторы стресса, такие как недостаток кислорода и уплотнение почвы.
• Игнорирование видоспецифичных данных в болотной модели приводит к неправильной интерпретации циклической картины системы.

4. Более широкие применения:

• Модели, разработанные в этом исследовании, могут быть использованы для других солончаков, помогая воспроизвести и оценить биомассу в аналогичных экосистемах.

Заключение: Преобразование мониторинга экосистем

Комбинация мультиспектральных датчиков MicaSense с LiDAR позволила более точно отслеживать экосистемы солончаков и их сезонные изменения, намного превосходя ограничения спутниковых данных. Их подход также преодолевает сложности, связанные с гиперспектральными методами. Это инновационное решение предлагает исследователям, менеджерам по охране окружающей среды и защитникам окружающей среды уникальные идеи для:

• Отслеживайте сезонные изменения биомассы, чтобы улучшить управление болотами.
• Определить и нанести на карту места обитания конкретных видов для целевого сохранения.
• Обнаруживайте ранние признаки стресса растений из-за таких факторов, как засоление или засуха.

В отличие от традиционных полевых работ, которые могут быть инвазивными и трудоемкими, мониторинг с помощью дронов обеспечивает точную и неразрушающую оценку биомассы. Этот подход также снижает затраты и сложность по сравнению со сбором гиперспектральных данных, для обработки которого требуется значительное время, или со спутниковыми изображениями, которым не хватает необходимого пространственного разрешения.

Применяя этот метод, исследователи продвигают мониторинг и сохранение критически важных экосистем.