Význam ochrany mokřadů
Mokřady jsou důležitým ekosystémem, který poskytuje útočiště mnoha druhům rostlin a živočichů, zlepšuje kvalitu vody, doplňuje podzemní vody a zmírňuje závažnost povodní a sucha. Kvalita a existence mokřadů je však ohrožena zemědělským nebo rozvojovým přeměňováním, odtokem znečišťujících látek a změnou klimatu. Vzhledem k ekologické hodnotě mokřadů a trvajícím hrozbám pro jejich zdraví jsou nezbytné snahy o správu a ochranu mokřadů. Rychlá a spolehlivá tvorba map rozšíření mokřadů může těmto snahám prospět. Model identifikace mokřadů (WIM) je navržený rámec pro vytváření těchto dat.
Jak WIM podporuje snahy o ochranu mokřadů
Ačkoli existuje mnoho typů mokřadů, všechny lze identifikovat podle společných znaků, včetně přítomnosti hydrologických podmínek zaplavujících oblast, vegetace přizpůsobené životu v nasycené půdě a hydrických půd. Data Light detection and ranging (LiDAR) nabízejí nové možnosti pozorování těchto znaků v různých měřítcích a poskytují vyšší rozlišení a širší dostupnost než jiné možnosti dálkového průzkumu. Návraty LiDAR lze interpolovat k vytvoření vysoce rozlišených digitálních modelů terénu (DEM), které lze následně použít k odvození topografických metrik popisujících konvergenci toku a vlhkost půdy blízko povrchu indikující mokřady. Dále bylo prokázáno, že odvození topografických metrik z LiDAR DEM zvyšuje přesnost mapování rozsahu nasycení ve srovnání s hrubšími DEM (tj. > 2 m).
WIM používá LiDAR DEM k odvození topografických metrik popisujících hydrologické faktory tvorby mokřadů a tyto používá jako prediktory oblastí mokřadů prostřednictvím algoritmu random forests (Breiman, 2001). WIM se skládá ze tří hlavních částí: předzpracování, výpočtu prediktorových proměnných a klasifikace a hodnocení přesnosti. Požadovanými vstupními daty jsou vysoce rozlišený digitální model terénu (DEM) a ověřené pokrytí mokřadů/nenmokřadů (tj. data ground truth), obojí ve formátu TIFF. Současná implementace také vyžaduje vstupní rastrová data povrchové vody, i když budoucí implementace toto budou odvozovat přímo z vstupního DEM. Konečnými výstupy modelu jsou predikce mokřadů a zpráva o přesnosti.
- Vstupní DEM je předzpracován pomocí metod specifických pro odvození hydrologických parametrů z vysoce rozlišených DEM.
- Předzpracované DEM se používá k výpočtu prediktorových proměnných: topografického indexu vlhkosti (TWI), křivosti a kartografického indexu hloubky k vodě (DTW).
- Tréninková data jsou odvozena z ground truth dat.
- Tréninková data jsou spojena se sloučenými prediktorovými proměnnými pro natrénování algoritmu random forests (Breiman, 2001).
- Ground truth data, která nebyla použita k tréninku modelu, slouží k hodnocení přesnosti predikcí. Generované metriky přesnosti jsou vybírány tak, aby minimalizovaly nereprezentativní hodnocení výkonu modelu kvůli nevyváženým cílovým třídám.
Předchozí výkon WIM a potenciální aplikace
WIM byl vytvořen prostřednictvím původního výzkumu na University of Virginia. Původně byl vyvinut a hodnocen pro aplikace environmentálního plánování, konkrétně ke zjednodušení procesu povolování mokřadů poskytováním přesných inventur mokřadů, které omezují manuální průzkum na pravděpodobné oblasti mokřadů. Po kalibraci pro čtyři geografické oblasti ve Virginii za použití bohaté ground truth databáze jurisdikčně potvrzených mokřadů a nenmokřadů byl WIM schopen identifikovat 80–90 % skutečných mokřadů napříč lokalitami. Podíl správných predikcí mokřadů se pohyboval od 22 do 69 %. Celkově výsledky naznačují silný potenciál WIM podporovat vymezení mokřadů. Úspěch v jiných krajinách však bude záviset na kvalitě DEM a dostupných ground truth datech. Tato data umožňují nezbytnou kalibraci parametrů WIM na specifické krajiny. Tento iterativní proces pravděpodobně odhalí jedinečné parametry předzpracování DEM, které zlepší reprezentaci povrchu země pro mokřady specifické pro daný region. Dále spolehlivá a bohatá ground truth data umožní modelu naučit se řadu charakteristik mokřadů a poskytnout reprezentativní hodnocení přesnosti.
Začínáme s WIM
WIM byl implementován v rámci Arc Hydro Pro 2.5 a vyšších verzí. Pro další dokumentaci o WIM jako nástroji Arc Hydro viz Arc Hydro – Wetland Identification Model. Upozorňujeme, že implementace nástrojů WIM vyžaduje instalaci python balíčku Scikit-Learn do python prostředí Pro.
Další literatura
Pro další čtení o vývoji a hodnocení WIM viz následující publikace:
O'Neil, G. L., Goodall, J. L., Behl, M., Saby, L. (2020). Deep Learning using Physically-Informed Input Data for Wetland Identification. Environmental Modelling and Software. 104665. https://doi.org/10.1016/j.envsoft.2020.104665.
O'Neil, G. L., Saby, L., Band, L. E., Goodall, J. L. (2019). Effects of LiDAR DEM Smoothing and Conditioning
Techniques on a Topography-Based Wetland Identification Model. Water Resources Research, 55. https://doi.org/10.1029/2019WR024784.
O'Neil, G. L., Goodall, J. L., Watson, L. T. (2018). Evaluating the potential for site-specific modification of LiDAR DEM derivatives to improve environmental planning-scale wetland identification using random forest classification. Journal of Hydrology, 559, 192-208.
https://doi.org/10.1016/j.jhydrol.2018.02.009.
Citace
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
