Het cultiveren van duurzaam bosbeheer met satellietbeeldanalyse

Meer dan 100 jaar lang heeft de United States Department of Agriculture (USDA) Forest Service gewerkt aan het behoud van de gezondheid, diversiteit en productiviteit van de bossen en graslanden van het land voor de huidige en toekomstige generaties. Het Forest Inventory and Analysis (FIA)-programma van de USDA werd opgericht om het gebruik en de integratie van geavanceerde remote sensing-technologieën te verbeteren ter ondersteuning van die missie.

In deze video bespreken functionarissen van de USDA Forest Service het FIA-programma en demonstreren ze de wetenschap achter hun kaartproject. Om complexe, multidimensionale rasteranalyseproblemen aan te pakken, maakt de USDA Forest Service gebruik van de veelzijdigheid van ArcGIS en Python om op maat gemaakte machine learning-algoritmes te bouwen die de relatie modelleren tussen satellietbeelden en de boskenmerken die zij meten. Door veranderingen in de tijd voor elk pixel in een satellietbeeld te volgen, kunnen ze de seizoensgebondenheid en vegetatie monitoren, droogtes en milieu-impact voorspellen, en een beter inzicht krijgen in bossoorten. De ontwikkelde gegevens worden vervolgens gebruikt om beleid en beheersbeslissingen met betrekking tot de bossen van ons land te informeren; ze zijn ook beschikbaar voor het publiek om samenwerking aan een duurzame toekomst te vergemakkelijken.

Bekijk de video om demonstraties te zien van de tools die voor het FIA-programma worden gebruikt of lees verder voor de belangrijkste conclusies.

Deze inhoud is publiekelijk beschikbaar, gepubliceerd in de ArcGIS Online-organisatie van de US Forest Service, de ArcGIS Living Atlas of the World en open dataportalen. Kaarten zoals deze bieden de mogelijkheid om ruimtelijk expliciete tools in te vullen die geïntegreerd kunnen worden in conserveringsplanning ter ondersteuning van koolstofbeheer, dierenbeheer, stroomgebiedherstel en andere milieudiensten.

Hier zijn twee voorbeelden van hoe u deze services kunt gebruiken in uw eigen analyses met geoprocessingtools, rasterfuncties en meer.

1. Droogtes – Droogtes hebben enorme impact op bossen en bosgebieden, en wetenschappers van de instantie gebruiken al BIGMAP-resultaten om droogtemodelprojecties breed beschikbaar te stellen. Significante droogtes werden aangetoond door een onderzoek naar blootstelling in de afgelopen jaren rond de Central Valley in Californië. Door vooruit te projecteren naar 2040 verschuift de droogteblootstelling van Centraal-Californië naar de Zuidelijke Rocky Mountains.
   

2. Koolstofvastlegging – Het toevoegen van gegevens aan een geschiktheidsmodel helpt gebieden in het Noordwesten van de Stille Oceaan te identificeren waar plantmogelijkheden bestaan zonder significante bedreigingen. Dit kunnen belangrijke gebieden zijn om gedeeld beheer te realiseren voor het implementeren van klimaatmitigatie- of herstelplannen.

Andere voorbeeldtoepassingen van kaarten zijn onder andere:

• Het in kaart brengen van grote bossen koolstofvoorraden
• Het monitoren van seizoensgebondenheid in vegetatie en de algehele bosstructuur
• Het tonen van verliezen in bos-koolstof door verstoringen zoals bosbranden en tornado's
• Het modelleren van geschiktheid voor plantmogelijkheden zonder significante bedreigingen

Hier zijn vijf modelleringstechnieken die worden gebruikt:

Vegetatiefenologie

Door veranderingen in de tijd te volgen, kunnen we de seizoensgebondenheid, vegetatiecycli en veroudering monitoren over grote geografische gebieden om verschillende soorten bossen, samenstelling van boomsoorten en de algehele bosstructuur te identificeren.

Harmonische regressie

Deze techniek wordt gebruikt om de tijdreeksen vast te leggen in vegetatiefenologie en stelt ons in staat niet alleen de gemiddelde toestand van vegetatie te karakteriseren, maar ook hoe de omstandigheden gedurende het jaar veranderen.

Ecologische ordinaire

Deze coëfficiënten die seizoensgebonden veranderingen in vegetatie beschrijven, samen met andere aanvullende gegevens zoals klimaat en topografie, kunnen worden gecombineerd met reactiedata verzameld op bosinventarisplots om boomsoorten langs milieugradiënten te ordenen.

k-Nearest Neighbors imputatie

De locatie van plots in de kenmerkruimte van milieugradiënten kan worden gebruikt met het k-Nearest Neighbors (kNN)-algoritme, dat werkt door een “emmer van plots” aan elk pixel toe te wijzen op basis van hun nabijheid zoals gemeten in de kenmerkruimte.

Voorspelling en mapping

Elke emmer vertegenwoordigt een groep records, opgeslagen in de FIA-database, waaruit voorspellingen op pixelniveau kunnen worden gedaan, onzekerheid kan worden gekwantificeerd en verschillende boskenmerken in kaart kunnen worden gebracht.