A ImportE2ncia da ProteE7E3o das C1reas C9midas
C1reas C9midas sE3o um ecossistema importante que fornece habitat para muitas espE9cies de plantas e animais, melhora a qualidade da E1gua, reabastece o lenE7ol freE1tico e reduz a severidade de inundaE7F5es e secas. No entanto, a qualidade e a existEAncia das C1reas C9midas estE3o ameaE7adas pelo reaproveitamento para agricultura ou desenvolvimento, escoamento de poluentes e mudanE7as climE1ticas. Dado o valor ecolF3gico fornecido pelas C1reas C9midas e a ameaE7a constante 0 saFAde dessas 0creas, os esfor7os de gest63o e conserva757em s63o imperativos. A cria77o r2Apida e confi1vel de mapas de distribui57em das 61reas 69midas pode beneficiar esses esfor5s. O Modelo de Identifica5o de 61reas 69midas (WIM) 65 um quadro proposto para criar esses dados.
Como o WIM Pretende Apoiar os Esfor5s de Proteuu das u
eas u
eas u
eas
Embora existam muitos tipos de u
eas, todas as u
eas podem ser identificadas por caracteru
eas comuns, incluindo a presena de condioes hidrolgicas que inundam a a, vegetaa adaptada para vida em condioes de solo saturado e solos hidridos. Dados Light detection and ranging (LiDAR) oferecem novas oportunidades para observar essas caracteristicas em varias escalas e fornecem maior resolucao e disponibilidade mais ampla do que outras opcoes de sensoriamento remoto. Retornos LiDAR podem ser interpolados para criar modelos digitais de elevaçao (DEMs) de alta resolucao, que podem entao ser usados para derivar metricas topograficas que descrevem convergencia do fluxo e umidade do solo proximo da superficie para indicar areas umidas. Alem disso, derivar metricas topograficas a partir dos DEMs LiDAR tem mostrado aumentar a precisao do mapeamento da extensao da saturacao comparado com DEMs mais grosseiros (ou seja, > 2 m).
O WIM usa DEMs LiDAR para derivar metricas topograficas que descrevem os fatores hidrológicos da formaçao das areas umidas e usa estes como preditores das areas umidas atraves do algoritmo random forests (Breiman, 2001). O WIM consiste em tres partes principais: pre-processamento, calculo das variaveis preditoras e classificacao e avaliacao da precisao. Os dados de entrada necessarios sao um modelo digital de elevaçao (DEM) de alta resolucao e cobertura verificada de areas umidas/nao umidas (ou seja, dados ground truth), ambos no formato TIFF. A implementacao atual tambem requer um raster de entrada da agua superficial, embora implementacoes futuras derivem isso diretamente do DEM de entrada. As saidas finais do modelo sao predicoes das areas umidas e um relatorio de precisao.
- O DEM de entrada eh pre-processado usando metodos especificos para derivacao dos parametros hidrologicos a partir dos DEMs de alta resolucao.
- O DEM pre-processado eh usado para calcular as variaveis preditoras: o indice topografico de umidade (TWI), curvatura e indice cartografico profundidade-para-agua (DTW).
- Os dados de treinamento sao derivados dos dados ground truth.
- Os dados de treinamento sao combinados com as variaveis preditoras mescladas para treinar o algoritmo random forests (Breiman, 2001).
- Os dados ground truth que nao foram usados para treinar o modelo sao usados para avaliar a precisao das predicoes. As metricas de precisao geradas sao escolhidas para minimizar avaliacoes nao representativas do desempenho do modelo devido ao desequilibrio nas classes alvo.
Desempenho Anterior do WIM e Aplicacoes Potenciais
O WIM foi criado por meio de pesquisa original na University of Virginia. Foi originalmente desenvolvido e avaliado para aplicacoes em planejamento ambiental, especificamente para agilizar o processo de licenciamento ambiental limitando pesquisas manuais apenas as areas provaveis de serem umidas. Depois da calibracao em quatro regioes geograficas na Virginia usando um rico conjunto ground truth com areas juridicamente confirmadas como umidas e nao umidas, o WIM conseguiu identificar 80-90% das verdadeiras areas umidas nos locais. A proporcao das predicoes corretas variou entre 22% a 69%. No geral, os resultados sugerem forte potencial do WIM para apoiar a delimitacao das areas umidas. No entanto, o sucesso em outras paisagens dependera da qualidade do DEM e dos dados ground truth disponiveis. Esses dados permitem a calibracao necessaria dos parametros do WIM para paisagens especificas. Esse processo iterativo provavelmente revelara parametros unicos no pre-processamento do DEM que melhoram a representacao da superficie terrestre para as areas umidas especificas da regiao. Alem disso, dados ground truth confiaveis e abundantes permitirao que o modelo aprenda uma gama ampla das caracteristicas das areas umidas e forneca avaliacoes representativas da precisao.
Comecando com o WIM
O WIM foi implementado dentro do Arc Hydro Pro 2.5 ou superior. Para documentacao adicional sobre o WIM como uma ferramenta Arc Hydro, veja Arc Hydro - Wetland Identification Model. Note que a implementacao das ferramentas WIM requer instalacao do pacote python Scikit-Learn no ambiente python do Pro.
Leitura Adicional
Para leitura adicional sobre o desenvolvimento e avaliacao do WIM, veja as seguintes publicacoes:
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.
Citau
eas
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
