Fátlan vegetációtípusok azonosítása légi hiperspektrális távérzékelési módszerrel

Szerzők

  • Burai Péter Károly Róbert Főiskola, Távérzékelési és Vidékfejlesztési Kutatóintézet, 3200 Gyöngyös Mátrai út 36.
  • Lénárt Csaba Károly Róbert Főiskola, Távérzékelési és Vidékfejlesztési Kutatóintézet, 3200 Gyöngyös Mátrai út 36. https://orcid.org/0000-0002-1483-8723
  • Valkó Orsolya MTA-DE Biodiverzitás Kutatócsoport, 4032 Debrecen, Egyetem tér 1. https://orcid.org/0000-0001-6938-1997
  • Bekő László Károly Róbert Főiskola, Távérzékelési és Vidékfejlesztési Kutatóintézet, 3200 Gyöngyös Mátrai út 36.
  • Szabó Zsuzsanna Debreceni Egyetem, Természetföldrajzi és Geoinformatikai Tanszék 4032 Debrecen, Egyetem tér 1. https://orcid.org/0000-0002-0668-2474
  • Deák Balázs MTA-DE Biodiverzitás Kutatócsoport, 4032 Debrecen, Egyetem tér 1. https://orcid.org/0000-0001-6938-1997

DOI:

https://doi.org/10.56617/tl.3635

Kulcsszavak:

vegetációtérképezés, Maximum Likelihood Classifier (MLC), Random Forest (RF), Support Vector Machine (SVM), szikes gyep, szikes mocsár, AISA Eagle II

Absztrakt

Munkánk során egy szikes táj vegetációtípusainak osztályozását végeztük el, légi hiperspektrális adatok felhasználásával. A munka célja a hiperspektrális adatok alkalmazhatóságának vizsgálata volt e komplex társulásoknál, eltérő képosztályozási módszerek alkalmazásával. Vizsgálatunkban hagyományos osztályozó eljárások (Maximum Likelihood Classifier – MLC, Random Forest – RF és Support Vector Machine – SVM) eredményességét teszteltük 10 és 30 pixeles tanítóterületek felhasználásával. A mozaikolt hiperspektrális felvételen a zajszűrés és az információnyerés céljából MNF transzformációt alkalmaztunk. A légi hiperspektrális felvétel AISA EAGLE II szenzorral készült 1m terepi felbontásban. Társulástani besorolás és felszínborítás alapján összesen 20 vegetációosztályt alakítottunk ki. Az osztályokat további négy főbb élőhelykategóriába soroltuk: sztyeppék, nyílt szikes gyepek, szikes rétek, szikes és nem szikes mocsarak. Az SVM és az RF osztályozó eljárások, a pixelek számától függetlenül, majdnem minden vegetációosztálynál megbízhatóan működtek, nagy osztályozási pontosságot adtak. Az MLC bár nagy mintaszámnál nagy pontosságú osztályozást eredményezett, kis mintaszámnál számos osztály esetében alacsony megbízhatósággal működött. Az eredmények alapján elmondható, hogy a komplex fátlan táji környezetben a vegetáció osztályozásra az SVM megfelelő osztályozó lehet, mivel nagyobb pontosságot nyújt, mint az RF és az MLC. Az SVM bizonyult a legkevésbé érzékenynek a tanító területek mintáinak méretére, így alkalmas lehet azokban az esetekben, amikor néhány osztálynál az elérhető pixelek száma korlátozottan áll rendelkezésre.

Szerző életrajzok

  • Burai Péter, Károly Róbert Főiskola, Távérzékelési és Vidékfejlesztési Kutatóintézet, 3200 Gyöngyös Mátrai út 36.

    pburai@karolyrobert.hu

  • Lénárt Csaba, Károly Róbert Főiskola, Távérzékelési és Vidékfejlesztési Kutatóintézet, 3200 Gyöngyös Mátrai út 36.

    lenart.dr@gmail.com

  • Valkó Orsolya, MTA-DE Biodiverzitás Kutatócsoport, 4032 Debrecen, Egyetem tér 1.

    valkoorsi@gmail.com

  • Bekő László, Károly Róbert Főiskola, Távérzékelési és Vidékfejlesztési Kutatóintézet, 3200 Gyöngyös Mátrai út 36.

    lbeko@karolyrobert.hu

  • Szabó Zsuzsanna, Debreceni Egyetem, Természetföldrajzi és Geoinformatikai Tanszék 4032 Debrecen, Egyetem tér 1.

    zs.szabozsuzsa@gmail.com

  • Deák Balázs, MTA-DE Biodiverzitás Kutatócsoport, 4032 Debrecen, Egyetem tér 1.

    debalazs@gmail.com

Hivatkozások

Adam, E., Mutanga, O., Rugege, D. 2010: Multispectral and hyperspectral remote sensing for identification and mapping of wetland vegetation: A review. Wetlands Ecology Management 18: 281−296. https://doi.org/10.1007/s11273-009-9169-z

Alexander, C., Deák, B., Kania, A., Mücke, W., Heilmeier, H. 2015: Classification of vegetation in an open landscape using full-waveform airborne laser scanner data. International Journal of Applied Earth Observations and Geoinformation 41: 76−87. https://doi.org/10.1016/j.jag.2015.04.014

Alexander, C., Deák, B., Heilmeier, H. 2016: Micro-topography driven vegetation patterns in open mosaic landscapes. Ecological Indicators 60: 906−920. https://doi.org/10.1016/j.ecolind.2015.08.030

Ambrus, A., Burai, P., Lénárt, Cs., Enyedi, P., Kovács, Z. 2015: Estimating biomass of winter wheat using narrowband vegetation indices for precision agriculture. Journal of Central European Green Innovation 3: 13−22.

Belluco, E., Camuffo, M., Ferrari, S., Modenese, L., Silvestri, S., Marani, A., Marani, M. 2006: Mapping salt-marsh vegetation by multispectral and hyperspectral remote sensing. Remote Sensing of Environment 105: 54–67. https://doi.org/10.1016/j.rse.2006.06.006

Borhidi A., Kevey B., Lendvai G. 2012: Plant Communities of Hungary. Akadémiai Kiadó, Budapest.

Borre, J.V., Paelinckx, D., Mücher, C.A., Kooistra, L., Haest, B., Blust, G.D., Schmidt, A.M. 2011: Integrating remote sensing in Natura 2000 habitat monitoring: Prospects on the way forward. Journal for Nature Conservation 19: 116–125. https://doi.org/10.1016/j.jnc.2010.07.003

Burai, P., Deák, B., Valkó, O., Tomor, T. 2015: Classification of herbaceous vegetation using airborne hyperspectral imagery. Remote Sensing 7: 2046–2066. https://doi.org/10.3390/rs70202046

Deák B, Tóthmérész B. 2006: Kaszálás hatása a növényzetre a Nyírőlapos (Hortobágy) három növénytársulásában. In: Molnár E. (szerk.) Kutatás, oktatás értékteremtés. A 80 éves Précsényi István köszöntése. MTA Ökológiai és Botanikai Kutatóintézet, Vácrátót, pp. 169-180.

Deák, B., Valkó, O., Alexander, C., Mücke, W., Kania, A., Tamás, J., Heilmeier, H. 2014a: Fine-scale vertical position as an indicator of vegetation in alkali grasslands - case study based on remotely sensed data. Flora 209: 693–697. https://doi.org/10.1016/j.flora.2014.09.005

Deák, B., Valkó, O., Török, P., Tóthmérész, B. 2014b: Solonetz meadow vegetation (Beckmannion eruciformis) in East-Hungary – an alliance driven by moisture and salinity. Tuexenia 34:187–203.

Deák, B., Valkó, O., Török, P., Kelemen, A., Miglécz, T., Szabó, Sz., Szabó, G., Tóthmérész, B. 2015a: Micro-topographic heterogeneity increases plant diversity in old stages of restored grasslands. Basic and Applied Ecology 16: 291−299. https://doi.org/10.1016/j.baae.2015.02.008

Deák, B., Valkó, O., Török, P., Kelemen, A., Tóth, K., Miglécz, T., Tóthmérész, B. 2015b: Reed cut, habitat diversity and productivity in wetlands. Ecological Complexity 22: 121–125. https://doi.org/10.1016/j.ecocom.2015.02.010

Harris, A., Charnock, R., Lucas, R.M. 2015: Hyperspectral remote sensing of peatland floristic gradients. Remote Sensing of Environment 162: 99–111. https://doi.org/10.1016/j.rse.2015.01.029

Hestir, E., Khanna, S., Andrew, M.E., Santos, M.J., Viers, J.H., Greenberg, J.A., Rajapakse, S.S., Ustin, S.L. 2008: Identification of invasive vegetation using hyperspectral remote sensing in the California delta ecosystem. Remote Sensing of Environment 112: 4034–4047. https://doi.org/10.1016/j.rse.2008.01.022

Huang, C., Asner, G.P. 2009: Applications of remote sensing to alien invasive plant studies. Sensors 9: 4869– 4889. https://doi.org/10.3390/s90604869

Hurcom, S.J.; Harrison, A. R. 1998: The NDVI and spectral decomposition for semi-arid vegetation abundance estimation. International Journal of Remote Sensing 19: 3109–3126. https://doi.org/10.1080/014311698214217

Kelemen, A., Török, P., Valkó, O., Miglécz, T., Tóthmérész, B. 2013: Mechanisms shaping plant biomass and species richness: plant strategies and litter effect in alkali and loess grasslands. Journal of Vegetation Science 24: 1195–1203. https://doi.org/10.1111/jvs.12027

Kelemen, A., Török, P., Valkó, O., Deák, B., Tóth, K., Tóthmérész, B. 2015: Both facilitation and limiting similarity shape the species coexistence in dry alkali grasslands. Ecological Complexity 21: 34–38. https://doi.org/10.1016/j.ecocom.2014.11.004

Lawrence, R., Wood, S., Sheley, R. 2006: Mapping invasive plants using hyperspectral imagery and Breiman Cutler classifications (randomForest). Remote Sensing of Environment 100: 356–362. https://doi.org/10.1016/j.rse.2005.10.014

Lukács, B.A, Török, P, Kelemen, A., Várbíró, G., Radócz, Sz., Miglécz, T., Tóthmérész, B., Valkó, O. 2015: Rainfall fluctuations and vegetation patterns in alkali grasslands – Self-organizing maps in vegetation analysis. Tuexenia 35: 381–397.

Mirik, M., Ansley, R.J., Steddom, K., Jones, D.C., Rush, C.M., Michels, G.J. Elliott, N.C. 2013: Remote distinction of a noxious weed (musk thistle: Carduus nutans) using airborne hyperspectral imagery and the Support Vector Machine Classifier. Remote Sensing 5: 612–630. https://doi.org/10.3390/rs5020612

Molnár, Z.; Bölöni, J., Biró, M., Horváth, F. 2008: Distribution of the Hungarian (semi-)natural habitats I. Marshes and grasslands. Acta Botanica Hungarica 50: 59–105. https://doi.org/10.1556/ABot.50.2008.Suppl.5

Mücke, W., Deák, B., Schroiff, A., Hollaus, M., Pfeifer, N. 2013: Estimation of dead wood using small footprint airborne laser scanning data. Canadian Journal of Remote Sensing 39: 32–40.

Paruelo, J. M., Epstein, H. E., Lauenroth, W. K., Burke, I. C. 1997: ANPP estimates from NDVI for the central grassland region of the United States. Ecology 78: 953−958. https://doi.org/10.1890/0012-9658(1997)078[0953:AEFNFT]2.0.CO;2

Pettorelli, N., Vik, J. O., Mysterud, A., Gaillard, J. M., Tucker, C. J., Stenseth, N. C. 2005: Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends in Ecology & Evolution 20: 503−510. https://doi.org/10.1016/j.tree.2005.05.011

Pettorelli, N. 2013: The Normalised Difference Vegetation Index; Oxford University Press, Oxford. https://doi.org/10.1093/acprof:osobl/9780199693160.001.0001

Rabe, A., Jakimow, B., Held, M., Van Der Linden, S., Hostert, P. 2014: EnMAP-Box, Version 2.0. (http://www.enmap.org).

Sokal, R.R., Rohlf, F.J. 1987: Introduction to Biostatistics. W.H. Freeman and Company, 2nd edition, New York. p. 368.

Szabó, Sz., Szilassi, P., Csorba, P. 2012: Tools for landscape ecological planning– Scale, and aggregation sensitivity of the contagion type landscape metric indices. Carpathian Journal of Earth and Environmental Sciences 7: 127−136.

Thenkabail, P.S. 2011: Hyperspectral Remote Sensing of Vegetation. Taylor & Francis, New York. p. 782. TÓTH, K., Hüse, B. 2014: Soil seed banks in loess grasslands and their role in grassland recovery. Applied Ecology and Environmental Research 12: 537–547. https://doi.org/10.15666/aeer/1202_537547

Tóth, T., Kertész, M. 1996: Application of soil–vegetation correlation to optimal resolution mapping of solonetzic rangeland. Arid Soil Research and Rehabilitation 10: 1–12. https://doi.org/10.1080/15324989609381415

Valkó, O., Tóthmérész, B., Kelemen, A., Simon, E., Miglécz, T., Lukács, B., Török, P. 2014: Environmental factors driving vegetation and seed bank diversity in alkali grasslands. Agriculture, Ecosystems & Environment 182: 80–87. https://doi.org/10.1016/j.agee.2013.06.012

Zlinszky, A., Deák, B., Kania, A., Schroiff, A., Pfeifer, N. 2015: Mapping Natura 2000 habitat conservation status in a pannonic salt steppe with airborne laser scanning. Remote Sensing 7: 2991–3019. https://doi.org/10.3390/rs70302991

Zlinszky, A., Schroiff, A., Kania, A., Deák, B., Mücke, W., Vári, Á., Székely, B., Pfeifer, N. 2014: Categorizing grassland vegetation with full-waveform airborne laser scanning: a feasibility study for detecting Natura 2000 habitat types. Remote Sensing 6: 8056–8087. https://doi.org/10.3390/rs6098056

Letöltések

Megjelent

2016-07-13

Folyóirat szám

Rovat

Cikkek

Hogyan kell idézni

Fátlan vegetációtípusok azonosítása légi hiperspektrális távérzékelési módszerrel. (2016). TÁJÖKOLÓGIAI LAPOK | JOURNAL OF LANDSCAPE ECOLOGY , 14(1), 1-12. https://doi.org/10.56617/tl.3635

Hasonló cikkek

1-10 a 185-ból/ből

You may also Haladó hasonlósági keresés indítása for this article.

Ugyanannak a szerző(k)nek a legtöbbet olvasott cikkei