Die Bedeutung des Schutzes von Feuchtgebieten
Feuchtgebiete sind ein wichtiges Ökosystem, das Lebensraum für viele Pflanzen- und Tierarten bietet, die Wasserqualität verbessert, das Grundwasser auffüllt und die Schwere von Überschwemmungen und Dürren mildert. Allerdings sind die Qualität und das Bestehen von Feuchtgebieten durch landwirtschaftliche oder bauliche Umnutzung, Schadstoffeinträge und den Klimawandel bedroht. Angesichts des ökologischen Werts, den Feuchtgebiete bieten, und der anhaltenden Bedrohung ihrer Gesundheit sind Maßnahmen zum Management und Schutz von Feuchtgebieten unerlässlich. Die schnelle und zuverlässige Erstellung von Verbreitungskarten für Feuchtgebiete kann diese Bemühungen unterstützen. Das Wetland Identification Model (WIM) ist ein vorgeschlagenes Rahmenwerk zur Erstellung dieser Daten.
Wie das WIM den Schutz von Feuchtgebieten unterstützen soll
Obwohl es viele Arten von Feuchtgebieten gibt, können alle Feuchtgebiete anhand gemeinsamer Merkmale identifiziert werden, darunter das Vorhandensein hydrologischer Bedingungen, die das Gebiet überfluten, Vegetation, die an Leben in gesättigten Bodenbedingungen angepasst ist, und hydromorphe Böden. Light detection and ranging (LiDAR)-Daten bieten neue Möglichkeiten, diese Merkmale in unterschiedlichen Maßstäben zu beobachten und bieten eine höhere Auflösung sowie eine breitere Verfügbarkeit als andere Fernerkundungsoptionen. LiDAR-Rückgaben können interpoliert werden, um hochauflösende digitale Höhenmodelle (DEMs) zu erstellen, die dann verwendet werden können, um topografische Metriken abzuleiten, welche Flusskonvergenz und bodennahe Bodenfeuchtigkeit beschreiben, um Feuchtgebiete anzuzeigen. Darüber hinaus wurde gezeigt, dass die Ableitung topografischer Metriken aus LiDAR-DEMs die Genauigkeit der Kartierung der Sättigungsausdehnung im Vergleich zu gröberen DEMs (d.h. > 2 m) erhöht.
Das WIM verwendet LiDAR-DEMs zur Ableitung topografischer Metriken, die hydrologische Treiber der Feuchtgebietsentstehung beschreiben, und nutzt diese als Prädiktoren für Feuchtgebietsflächen durch den Random Forests Algorithmus (Breiman, 2001). Das WIM besteht aus drei Hauptteilen: Vorverarbeitung, Berechnung der Prädiktorvariablen sowie Klassifikation und Genauigkeitsbewertung. Erforderliche Eingabedaten sind ein hochauflösendes digitales Höhenmodell (DEM) und verifizierte Feuchtgebiet-/Nicht-Feuchtgebiet-Abdeckung (d.h. Ground Truth-Daten), beide im TIFF-Format. Die aktuelle Implementierung erfordert außerdem ein Oberflächenwasser-Eingaberaster, obwohl zukünftige Implementierungen dieses direkt aus dem Eingabe-DEM ableiten werden. Die endgültigen Modellausgaben sind Feuchtgebietsvorhersagen und ein Genauigkeitsbericht.
- Das Eingabe-DEM wird mit Methoden vorverarbeitet, die speziell für die Ableitung hydrologischer Parameter aus hochauflösenden DEMs entwickelt wurden.
- Das vorverarbeitete DEM wird verwendet, um die Prädiktorvariablen zu berechnen: den Topographic Wetness Index (TWI), Krümmung und den kartographischen Depth-to-Water Index (DTW).
- Trainingsdaten werden aus den Ground Truth-Daten abgeleitet.
- Die Trainingsdaten werden mit den zusammengeführten Prädiktorvariablen gekoppelt, um den Random Forests Algorithmus (Breiman, 2001) zu trainieren.
- Die Ground Truth-Daten, die nicht zum Training des Modells verwendet wurden, dienen zur Bewertung der Genauigkeit der Vorhersagen. Die generierten Genauigkeitsmetriken werden so gewählt, dass unrepräsentative Bewertungen der Modellleistung aufgrund unausgewogener Zielklassen minimiert werden.
Bisherige Leistung des WIM und potenzielle Anwendungen
Das WIM wurde durch Originalforschung an der University of Virginia erstellt. Es wurde ursprünglich für Umweltplanungsanwendungen entwickelt und bewertet, insbesondere um den Genehmigungsprozess für Feuchtgebiete zu vereinfachen, indem genaue Feuchtgebietsinventare bereitgestellt werden, die manuelle Vermessungen auf wahrscheinliche Feuchtgebietsbereiche beschränken. Nach der Kalibrierung für vier geografische Regionen in Virginia unter Verwendung eines umfangreichen Ground Truth-Datensatzes von juristisch bestätigten Feuchtgebieten und Nicht-Feuchtgebieten konnte das WIM 80–90 % der tatsächlichen Feuchtgebiete an den Standorten identifizieren. Der Anteil der korrekten Feuchtgebietsvorhersagen variierte zwischen 22 % und 69 %. Insgesamt deuten die Ergebnisse auf ein starkes Potenzial des WIM hin, die Abgrenzung von Feuchtgebieten zu unterstützen. Der Erfolg in anderen Landschaften hängt jedoch von der Qualität des DEMs und verfügbaren Ground Truth-Daten ab. Diese Daten ermöglichen die notwendige Kalibrierung der WIM-Parameter auf spezifische Landschaften. Dieser iterative Prozess wird wahrscheinlich einzigartige DEM-Vorverarbeitungsparameter aufdecken, die die Darstellung der Landoberfläche für regionalspezifische Feuchtgebiete verbessern. Zudem ermöglichen zuverlässige und umfangreiche Ground Truth-Daten dem Modell das Erlernen einer Bandbreite von Feuchtgebietseigenschaften sowie repräsentative Genauigkeitsbewertungen.
Erste Schritte mit dem WIM
Das WIM wurde in Arc Hydro Pro 2.5 und höher implementiert. Für weitere Dokumentationen zum WIM als Arc Hydro Toolset siehe Arc Hydro – Wetland Identification Model. Beachten Sie, dass für die Implementierung der WIM-Werkzeuge die Installation des Scikit-Learn Python-Pakets in der Pro-Python-Umgebung erforderlich ist.
Weiterführende Literatur
Für weiterführende Literatur zur Entwicklung und Bewertung des WIM siehe folgende Veröffentlichungen:
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.
Zitate
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
