ტყის რუკების შედგენის ტექნიკა თანამგზავრული ტექნოლოგიის გამოყენებით
ტყის რუკების შედგენა ბუნებრივი რესურსების მართვის, ბიომრავალფეროვნების დაცვისა და კლიმატის ცვლილების შერბილების საკითხში გადამწყვეტი ნაბიჯია. ციფრულ ეპოქაში, თანამგზავრული ტექნოლოგია ტყის მდგომარეობის ფართოდ, სწრაფად და მდგრადი მონიტორინგის ერთ-ერთ ყველაზე ეფექტურ გზად იქცა. შრომატევადი და ძვირადღირებული საველე კვლევებისგან განსხვავებით, თანამგზავრულ გამოსახულებას შეუძლია ტყის ფართობების მოკლე მიმოხილვა ადგილობრივიდან გლობალურ დონემდე, თუნდაც შორეულ, ძნელად მისადგომ ადგილებში. ეს სტატია განიხილავს ტყეების რუკების შედგენის ძირითად ტექნიკას თანამგზავრული ტექნოლოგიის გამოყენებით, მონაცემთა ტიპებიდან და სამუშაო ეტაპებიდან დაწყებული, გამოწვევებითა და საუკეთესო პრაქტიკით დამთავრებული.
1. რატომ არის თანამგზავრები ეფექტური ტყის რუკების შესაქმნელად?
თანამგზავრული ტექნოლოგია გამოირჩევა იმით, რომ მას შეუძლია განმეორებითი დაკვირვებების (ხელახალი ვიზიტის დრო) ჩატარება, რაც საშუალებას იძლევა მიწის საფარის ცვლილებების რეგულარული მონიტორინგის. თანამგზავრები ასევე გვაწვდიან ათწლეულების განმავლობაში მოცულ ისტორიულ მონაცემებს, რაც მკვლევარებს საშუალებას აძლევს გააანალიზონ ტყეების გაჩეხვის, დეგრადაციისა და მცენარეულობის აღდგენის ტენდენციები. გარდა ამისა, მათი ფართო დაფარვის მასშტაბი თანამგზავრებს იდეალურს ხდის ტყის ინვენტარიზაციისთვის, ტყის ფართობების გამოყოფისთვის, კონსერვაციის დაგეგმვისა და უკანონო საქმიანობის, როგორიცაა უკანონო ჭრა და დაწვა, ადრეული გამოვლენისთვის.
თუმცა, თანამგზავრის ეფექტურობას საზღვრები არ აქვს. ღრუბლები, ნისლი და კვამლი ხშირად აფერხებს ტროპიკულ რეგიონებში ოპტიკურ დაკვირვებებს. ამიტომ, თანამედროვე ტყის რუკები, როგორც წესი, აერთიანებს რამდენიმე თანამგზავრულ სენსორს უფრო ზუსტი რუკების მისაღებად.
2. ტყის რუკების შესადგენად სატელიტური სენსორების ტიპები
ზოგადად, ტყეების რუკების შესაქმნელად გამოყენებული თანამგზავრული სენსორები სამ დიდ ჯგუფად იყოფა:
ა) ოპტიკური თანამგზავრი (ხილული–NIR–SWIR)
ოპტიკური თანამგზავრები „იღებენ“ დედამიწის ზედაპირს ხილულიდან ინფრაწითელ დიაპაზონში. მაგალითებია Landsat, Sentinel-2 და მაღალი გარჩევადობის კომერციული თანამგზავრები. ოპტიკური მონაცემები უაღრესად სასარგებლოა მცენარეული საფარის იდენტიფიცირებისთვის, სიმწვანის ინდექსის გამოსათვლელად და ტყეების სასოფლო-სამეურნეო ან საცხოვრებელი ტერიტორიებისგან განსხვავებისთვის.
უარყოფითი მხარე ის არის, რომ ოპტიკურ მონაცემებზე ღრუბლის საფარი მნიშვნელოვნად მოქმედებს. ტროპიკულ რეგიონებში ღრუბლისგან თავისუფალი სურათების ხელმისაწვდომობა ხშირად დიდ გამოწვევას წარმოადგენს.
ბ) თანამგზავრული რადარი (SAR: სინთეტიკური დიაფრაგმის რადარი)
რადარი ასხივებს მიკროტალღებს და იჭერს მათ ანარეკლებს. მისი მთავარი უპირატესობა ღრუბლებში შეღწევის და 24 საათის განმავლობაში მუშაობის უნარია. Sentinel-1-ის და სხვა რადარის მისიები ხშირად გამოიყენება ტყის საფარის სტრუქტურისა და ტენიანობის რუკების შესავსებად, ასევე ღრუბლის საფარის ქვეშაც კი ხმელეთის ცვლილებების აღმოსაჩენად.
რადარს დამუშავების სპეციალური ტექნიკა სჭირდება, რადგან SAR მონაცემებს აქვს ლაქების მახასიათებლები და არეკვლის რეაქციები, რომლებზეც გავლენას ახდენს ზედაპირის სტრუქტურა.
გ) თანამგზავრული LiDAR (სინათლის აღმოჩენა და დიაპაზონის განსაზღვრა)
სატელიტური LiDAR ზომავს მანძილს ლაზერული იმპულსების გამოყენებით, რათა მიიღოს სამგანზომილებიანი ინფორმაცია, როგორიცაა ტყის საფარის სიმაღლე და ტყის ვერტიკალური სტრუქტურა. ეს მონაცემები ძალიან სასარგებლოა მიწისზედა ბიომასის და ნახშირბადის მარაგების შესაფასებლად. მიუხედავად იმისა, რომ მისი დაფარვა ყოველთვის არ არის ისეთი ფართო, როგორც ოპტიკური ან რადარის, LiDAR ავსებს მნიშვნელოვან ხარვეზს 3D ტყის მოდელირებაში.
3. თანამგზავრზე დაფუძნებული ტყის რუკების შედგენის ტექნიკის ეტაპები
ანგარიშვალდებული ტყის რუკის შესაქმნელად, პროცესი, როგორც წესი, შემდეგ სამუშაო პროცესს მიჰყვება:
ა) რუკების შედგენის მიზნისა და მასშტაბის განსაზღვრა
საწყისი ეტაპია რუკის მოთხოვნების დადგენა: ტყის საფარის (ტყე/არატყე) რუკაზე დატანა, საფარის ტიპის (პირველყოფილი ტყე, მეორადი ტყე, მანგროს ტყე), მცენარეულობის მდგომარეობის თუ ბიომასის შეფასების დადგენა. ეს მიზანი განსაზღვრავს სენსორის, სივრცითი გარჩევადობისა და ანალიზის მეთოდის არჩევანს.
მაგალითად, სოფლის მასშტაბის ტყის საზღვრების რუკების შესაქმნელად შეიძლება საჭირო გახდეს მაღალი გარჩევადობის გამოსახულება, ხოლო პროვინციულ დონეზე ტყეების გაჩეხვის მონიტორინგისთვის შეიძლება გამოყენებულ იქნას Landsat-ის ან Sentinel-ის სისტემები.
ბ) თანამგზავრული გამოსახულების მონაცემების შეგროვება
მონაცემების მიღება შესაძლებელია ღია პორტალებიდან, როგორიცაა Landsat და Sentinel, ან კომერციული პროვაიდერებისგან. პირველადი გამოსახულებების გარდა, ხშირად საჭიროა დამხმარე მონაცემები, როგორიცაა ციფრული სიმაღლის მოდელები (DEM) ტოპოგრაფიული კორექტირებისთვის, ადმინისტრაციული რუკები და საველე საცნობარო წერტილები.
ასევე მნიშვნელოვანია გადაღების დრო. მშრალი სეზონი, როგორც წესი, უფრო მკაფიო, ღრუბლებისგან თავისუფალ სურათებს იძლევა, თუმცა ზოგიერთ რაიონში მშრალ სეზონს ხანძრის შედეგად გამოწვეული კვამლიც ახლავს თან.
გ) წინასწარი დამუშავება
წინასწარი დამუშავების მიზანია მონაცემების ანალიზისთვის მომზადება. ოპტიკური გამოსახულებების შემთხვევაში, საერთო ნაბიჯები მოიცავს:
– ატმოსფერული კორექცია (ამცირებს ნისლის/ნაწილაკების ეფექტებს და განათების ვარიაციებს).
– ღრუბლების შენიღბვა და ღრუბლების ჩრდილები.
– სასწავლო ტერიტორიის მოზაიკა და ჭრა.
SAR მონაცემებისთვის კრიტიკულ ეტაპებს შორისაა რადიომეტრიული კალიბრაცია, გეომეტრიული კორექცია და ფილტრაცია ლაქების შესამცირებლად. კარგი წინასწარი დამუშავება გადამწყვეტია გამომავალი ხარისხისთვის, რადგან მცირე შეცდომებმაც კი შეიძლება გამოიწვიოს მიწის საფარის არაზუსტი კლასიფიკაცია.
დ) ინფორმაციის მოპოვება: მცენარეულობის ინდექსი და სპექტრული მახასიათებლები
ერთ-ერთი ყველაზე გავრცელებული ტექნიკაა მცენარეულობის ინდექსების გამოთვლა, როგორიცაა ნორმალიზებული სხვაობის მცენარეულობის ინდექსი (NDVI), სიმწვანის დონის დასადგენად. NDVI-ს გარდა, არსებობს EVI, NDWI და სხვა ინდექსები ხშირი მცენარეულობის, ღია მიწის, სველი ტერიტორიების ან მცენარეული სტრესის გასარჩევად.
ბევრ შემთხვევაში, ტყის რუკების შედგენას სჭირდება მახასიათებლების კომბინაცია: სპექტრული ზოლები, მცენარეულობის ინდექსები, ტექსტურა და ტოპოგრაფიული ცვლადები. რადარისთვის ასევე მნიშვნელოვანია ისეთი მახასიათებლები, როგორიცაა უკუგაფანტვა (VV/VH) და პოლარიზაციის ცვლილებები.
ე) მიწის საფარის კლასიფიკაცია
კლასიფიკაცია ტყის რუკების შედგენის ბირთვს წარმოადგენს. მეთოდები შეიძლება მოიცავდეს:
– ზედამხედველობითი კლასიფიკაცია: იყენებს ვიზუალური ინტერპრეტაციის ან საველე კვლევებიდან აღებულ სასწავლო ნიმუშებს. პოპულარულ ალგორითმებს შორისაა Random Forest, Support Vector Machine და Neural Network.
– ზედამხედველობის გარეშე კლასიფიკაცია: პიქსელების ჯგუფებად დაყოფა მნიშვნელობის მსგავსების მიხედვით, შესაფერისია საწყისი შესწავლისთვის, მაგრამ ჩვეულებრივ საჭიროებს შემდგომ ინტერპრეტაციას.
თანამედროვე პრაქტიკაში, Random Forest ხშირად გამოიყენება, რადგან ის სტაბილურია, შედარებით მდგრადია „ხმაურის“ მიმართ და კარგად მუშაობს მრავალი შეყვანის ცვლადთან.
ვ) ცვლილების აღმოჩენა
ტყეების გაჩეხვის ან დეგრადაციის მონიტორინგისთვის გამოიყენება მრავალდროითი ანალიზის ტექნიკა: სხვადასხვა დროის პერიოდის სურათების შედარება. მეთოდები შეიძლება იყოს მარტივი (განსხვავებები მცენარეულობის ინდექსებში) ან უფრო რთული, როგორიცაა დროითი სერიების ანალიზი, რომელიც აკვირდება თანდათანობით ცვლილებებს.
ცვლილებების აღმოჩენა ხელს უწყობს ტყის საფარის დაკარგვის ადგილების, ცვლილების ტემპებისა და გზებთან, კონცესიებთან ან დასახლებებთან დაკავშირებული სივრცითი ნიმუშების იდენტიფიცირებას.
ზ) სიზუსტის ვალიდაცია
კარგი რუკა უნდა შემოწმდეს. ვალიდაცია ხორციელდება კლასიფიკაციის შედეგების საცნობარო მონაცემებთან შედარებით, როგორიცაა საველე კვლევის წერტილები, საჰაერო/დრონით გადაღებული ფოტოგრაფია ან ძალიან მაღალი გარჩევადობის გამოსახულების ინტერპრეტაცია. ხშირად გამოყენებული ინდიკატორებია დაბნეულობის მატრიცა, საერთო სიზუსტე და კაპას მნიშვნელობა ან მსგავსი მეტრიკები.
ვალიდაცია მნიშვნელოვანია იმის უზრუნველსაყოფად, რომ რუკები შეცდომაში არ შეიყვანოს გადაწყვეტილების მიღების პროცესში, განსაკუთრებით საჯარო პოლიტიკის ან ნახშირბადის შესახებ ანგარიშგების კუთხით.
თ) რუკის პრეზენტაცია და გავრცელება
საბოლოო ეტაპია რუკების შედგენა მარტივად გამოსაყენებელ ფორმატში: თემატური რუკა, ინტერაქტიული დაფა ან webGIS სერვისი. გეოგრაფიული საინფორმაციო სისტემის გამოყენებით, ტყის რუკების ინტეგრირება შესაძლებელია ნებართვის მონაცემებთან, ტერიტორიის საზღვრებთან და სოციალურ-ეკონომიკურ ინფორმაციასთან დაგეგმვის მხარდასაჭერად.
4. ძირითადი გამოწვევები და მათი დაძლევის გზები
თანამგზავრზე დაფუძნებული ტყის რუკების შექმნა რამდენიმე პრაქტიკული გამოწვევის წინაშე დგას, მათ შორის:
– მაღალი ღრუბლიანობა: განიხილება მრავალდროითი გამოსახულების კომპოზიტებით ან რადარის მონაცემების გაერთიანებით.
– სპექტრული მსგავსება: ახალგაზრდა ტყეები, შერეული ბაღები ან ხშირი ბუჩქები შეიძლება მსგავსი ჩანდეს. გამოსავალია ტექსტურის ცვლადების, ტოპოგრაფიული მონაცემების დამატება ან უფრო მაღალი გარჩევადობის მონაცემების გამოყენება.
– სეზონური ვარიაციები და ფენოლოგია: სეზონურმა ცვლილებებმა შეიძლება გავლენა მოახდინოს მცენარეულობის ინდექსებზე. დროითი სერიების ანალიზი ხელს უწყობს სეზონური ცვლილებების გარჩევას მუდმივი ტყეების გაჩეხვისგან.
– შეზღუდული საველე მონაცემები: საცნობარო მონაცემების გარეშე, სიზუსტის უზრუნველყოფა რთულია. ადგილობრივ თემებთან მონაწილეობით მიდგომებს და დრონების გამოყენებას შეუძლია გააუმჯობესოს მონაცემთა ხარისხი.
5. ტყის რუკების შედგენის საუკეთესო პრაქტიკა
რუკების შედგენის შედეგების უფრო ზუსტი და სასარგებლო გახდომის მიზნით, ხშირად გამოიყენება შემდეგი საუკეთესო პრაქტიკა:
1. სენსორების კომბინაციის გამოყენება (ოპტიკური + SAR და, თუ შესაძლებელია, LiDAR).
2. შექმენით ღრუბლოვანი გამოსახულების კომპოზიტი მრავალი თარიღისგან.
3. მიწის საფარის სხვადასხვა ტიპის წარმომადგენლობითი ტრენინგის მონაცემების შეგროვება.
4. შემთხვევითი ნიმუშების გამოყენებით დამოუკიდებელი ვალიდაციის ჩატარება.
5. მეთოდებისა და მონაცემთა წყაროების დოკუმენტირება ისე, რომ პროცესის რეპლიკაცია შესაძლებელი იყოს.
დასკვნა
თანამგზავრული ტექნოლოგიების გამოყენებით ტყის რუკების შედგენის ტექნიკა თანამედროვე გარემოსდაცვითი მონიტორინგის მნიშვნელოვან საყრდენად იქცა. ოპტიკური, რადარის და LiDAR გამოსახულების გამოყენებით, რუკების შედგენა შესაძლებელია განმეორებით, დიდი ტერიტორიების მოცვაში და დროთა განმავლობაში ცვლილებების ანალიზის მხარდაჭერაში. ისეთი გამოწვევების მიუხედავად, როგორიცაა ღრუბლის საფარი, სეზონური ვარიაციები და შეზღუდული საველე მონაცემები, მრავალსენსორული მიდგომა, მანქანურ სწავლებაზე დაფუძნებული კლასიფიკაცია და მკაცრი ვალიდაცია შეიძლება ტყის ზუსტი რუკების შექმნას გულისხმობდეს. საბოლოო ჯამში, კარგი რუკები არა მხოლოდ ვიზუალიზაციაა, არამედ მყარი საფუძველია კონსერვაციის პოლიტიკის, მდგრადი მართვისა და მომავალი თაობებისთვის ტყის დაცვისთვის.
