湿地保護の重要性
湿地は多くの植物や動物種の生息地を提供し、水質を改善し、地下水を涵養し、洪水や干ばつの深刻さを緩和する重要な生態系です。しかし、農業や開発による用途変更、汚染物質の流出、気候変動により、湿地の質と存在が脅かされています。湿地が提供する生態学的価値と湿地の健康に対する継続的な脅威を考慮すると、湿地管理と保全活動は不可欠です。湿地分布図を迅速かつ信頼性高く作成することは、これらの取り組みに役立ちます。湿地識別モデル（WIM）はこれらのデータ作成のために提案されたフレームワークです。
WIMが湿地保護活動を支援する方法
多くの種類の湿地がありますが、すべての湿地は共通の特徴で識別できます。これには、その地域を浸水させる水文条件の存在、飽和土壌条件に適応した植生、および水分豊富な土壌が含まれます。LiDAR（Light detection and ranging）データは、これらの特徴を様々なスケールで観察する新たな機会を提供し、他のリモートセンシング手法よりも高解像度かつ広範囲で利用可能です。LiDARリターンは補間されて高解像度デジタル標高モデル（DEM）を作成でき、それから流れの収束や表層近くの土壌水分を示す地形指標を導出して湿地を示すことができます。さらに、LiDAR DEMから導出した地形指標は粗いDEM（例：2m以上）と比較して飽和範囲マッピングの精度向上が示されています。
WIMはLiDAR DEMから湿地形成の水文的要因を表す地形指標を導出し、それらをランダムフォレストアルゴリズム（Breiman, 2001）による湿地領域予測子として使用します。WIMは主に3つの部分で構成されます：前処理、予測変数計算、および分類と精度評価です。必要な入力データは、高解像度デジタル標高モデル（DEM）と検証済み湿地／非湿地カバレッジ（すなわち現地確認データ）の両方で、TIFF形式です。現在の実装では表流水入力ラスターも必要ですが、将来の実装では入力DEMから直接導出される予定です。最終的なモデル出力は湿地予測と精度レポートです。
- 入力DEMは高解像度DEMから水文パラメータ導出に特化した方法で前処理されます。
- 前処理済みDEMから予測変数：トポグラフィックウェットネス指数（TWI）、曲率、および水までの深さ指数（DTW）が計算されます。
- トレーニングデータは現地確認データから抽出されます。
- トレーニングデータと結合された予測変数を用いてランダムフォレストアルゴリズム（Breiman, 2001）が学習されます。
- モデル学習に使用されなかった現地確認データで予測精度が評価されます。生成される精度指標は、不均衡なターゲットクラスによるモデル性能評価の偏りを最小化するよう選択されます。
WIMの過去の性能と潜在的応用
WIMはバージニア大学での独自研究により作成されました。環境計画用途向けに開発・評価され、特に正確な湿地インベントリを提供して手動調査を可能性が高い湿地区域に限定することで湿地許可プロセスを効率化することを目的としていました。バージニア州内4地域で管轄確認済み湿地・非湿地の豊富な現地確認データセットで較正後、WIMは各サイトで真の湿地のおよそ80～90％を識別できました。正しい湿地予測割合は22～69％でした。全体として結果はWIMが湿地区分に強い可能性を示唆しています。ただし他地域での成功はDEMおよび利用可能な現地確認データの質に依存します。これらデータは特定地域向けWIMパラメータ較正に必要です。この反復プロセスにより、その地域特有の土地表面表現向上につながる独自DEM前処理パラメータが明らかになるでしょう。さらに信頼性高く豊富な現地確認データがあれば、多様な湿地特性学習と代表的精度評価が可能になります。
WIM開始方法
WIMはArc Hydro Pro 2.5以降に実装されています。Arc HydroツールセットとしてのWIM詳細ドキュメントについてはArc Hydro 020年版 - Wetland Identification Modelをご覧ください。なおWIMツール実装にはPro Python環境へのScikit-Learn pythonパッケージインストールが必要です。
さらなる参考文献
WIM開発および評価について詳しく知りたい方は以下文献をご参照ください：
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.
引用文献
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
