Het belang van bescherming van wetlands
Wetlands zijn een belangrijk ecosysteem dat habitat biedt aan vele plant- en diersoorten, de waterkwaliteit verbetert, grondwater aanvult en de ernst van overstromingen en droogte verzacht. De kwaliteit en het voortbestaan van wetlands worden echter bedreigd door landbouw of herbestemming voor ontwikkeling, vervuilende afspoeling en klimaatverandering. Gezien de ecologische waarde die wetlands bieden en de voortdurende bedreiging voor de gezondheid van wetlands, zijn beheer- en conserveringsinspanningen voor wetlands noodzakelijk. Snelle en betrouwbare creatie van verspreidingskaarten van wetlands kan deze inspanningen ten goede komen. Het Wetland Identification Model (WIM) is een voorgesteld kader voor het creëren van deze gegevens.
Hoe het WIM de bescherming van wetlands wil ondersteunen
Hoewel er veel soorten wetlands zijn, kunnen alle wetlands worden geïdentificeerd aan de hand van gemeenschappelijke kenmerken, waaronder de aanwezigheid van hydrologische omstandigheden die het gebied onder water zetten, vegetatie aangepast aan leven in verzadigde bodemomstandigheden en hydromorfe bodems. Light detection and ranging (LiDAR)-gegevens bieden nieuwe mogelijkheden om deze kenmerken op verschillende schalen waar te nemen en bieden een hogere resolutie en bredere beschikbaarheid dan andere remote sensing-opties. LiDAR-terugkaatsingen kunnen worden geïnterpoleerd om hoogresolutie digitale hoogtemodellen (DEMs) te creëren, die vervolgens kunnen worden gebruikt om topografische metrieken af te leiden die stroomconvergentie en near-surface bodemvocht beschrijven om wetlands aan te geven. Bovendien is aangetoond dat het afleiden van topografische metrieken uit LiDAR DEMs de nauwkeurigheid van verzadigingsomvangmapping verhoogt in vergelijking met grovere DEMs (d.w.z. > 2 m).
Het WIM gebruikt LiDAR DEMs om topografische metrieken af te leiden die hydrologische drijfveren van wetlandvorming beschrijven en gebruikt deze als voorspellers van wetlandgebieden via het random forests-algoritme (Breiman, 2001). Het WIM bestaat uit drie hoofdonderdelen: preprocessing, berekening van voorspellervariabelen en classificatie en nauwkeurigheidsbeoordeling. Vereiste invoergegevens zijn een hoogresolutie digitaal hoogtemodel (DEM) en geverifieerde wetland/niet-wetland dekking (d.w.z. grondwaarheidsgegevens), beide in TIFF-formaat. De huidige implementatie vereist ook een oppervlaktewater-invoerraster, hoewel toekomstige implementaties dit rechtstreeks uit het invoer-DEM zullen afleiden. De uiteindelijke modeluitvoer bestaat uit wetlandvoorspellingen en een nauwkeurigheidsrapport.
- Het invoer-DEM wordt voorbewerkt met methoden die specifiek zijn voor het afleiden van hydrologische parameters uit hoogresolutie DEMs.
- Het voorbewerkte DEM wordt gebruikt om de voorspellervariabelen te berekenen: de topografische natheidindex (TWI), kromming en cartografische diepte-tot-water index (DTW).
- Trainingsgegevens worden afgeleid uit de grondwaarheidsgegevens.
- De trainingsgegevens worden gekoppeld aan de samengevoegde voorspellervariabelen om het random forests-algoritme te trainen (Breiman, 2001).
- De grondwaarheidsgegevens die niet werden gebruikt om het model te trainen, worden gebruikt om de nauwkeurigheid van voorspellingen te beoordelen. De gegenereerde nauwkeurigheidsstatistieken zijn gekozen om onrepresentatieve evaluaties van modelprestaties als gevolg van onevenwichtige doelklassen te minimaliseren.
Eerdere prestaties van het WIM en potentiële toepassingen
Het WIM is ontwikkeld door origineel onderzoek aan de University of Virginia. Het werd oorspronkelijk ontwikkeld en geëvalueerd voor milieubeplanningsdoeleinden, specifiek om het vergunningverleningsproces voor wetlands te stroomlijnen door nauwkeurige inventarissen van wetlands te bieden die handmatige inspecties beperken tot waarschijnlijke wetlandgebieden. Na kalibratie voor vier geografische regio's in Virginia met behulp van een rijke dataset aan grondwaarheidsgegevens van juridisch bevestigde wetlands en niet-wetlands, kon het WIM 80-90% van echte wetlands op de locaties identificeren. Het aandeel correcte wetlandvoorspellingen varieerde van 22 tot 69%. Over het geheel genomen suggereren de resultaten een sterk potentieel voor het WIM ter ondersteuning van wetlandafbakening. Succes in andere landschappen zal echter afhangen van de kwaliteit van het DEM en beschikbare grondwaarheidsgegevens. Deze gegevens maken kalibratie van WIM-parameters op specifieke landschappen mogelijk. Dit iteratieve proces zal waarschijnlijk unieke DEM-preprocessingparameters onthullen die de representatie van het landoppervlak voor specifieke regionale wetlands verbeteren. Verder zullen betrouwbare en overvloedige grondwaarheidsgegevens het model in staat stellen een reeks wetlandkenmerken te leren kennen en representatieve nauwkeurigheidsbeoordelingen te bieden.
Aan de slag met WIM
WIM is geïmplementeerd binnen Arc Hydro Pro 2.5 en hoger. Voor verdere documentatie over het WIM als Arc Hydro-toolset, zie Arc Hydro 013 Wetland Identification Model. Houd er rekening mee dat implementatie van de WIM-tools installatie vereist van het Scikit-Learn python-pakket in de Pro python-omgeving.
Verdere literatuur
Voor verdere literatuur over de ontwikkeling en evaluatie van het WIM, zie de volgende publicaties:
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.
Citaten
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
