Using a planted tree biodiversity experiment to evaluate imaging spectroscopy for species classification

Dit onderzoek toont aan dat luchtgebaseerde beeldspectroscopie in gecontroleerde boomdiversiteitsexperimenten in Duitsland zeer nauwkeurig tot vier boomsoorten kan classificeren, maar dat de nauwkeurigheid afneemt bij grotere soortenrijkdom, waardoor de methode mogelijk geschikter is voor het monitoren van functionele diversiteit dan voor soortidentificatie in complexe gemeenschappen.

De kern

De Missie: Bomen herkennen met een camera

Stel je voor dat je een gigantische foto van een bos maakt, maar dan niet met een gewone camera, maar met een superkrachtige camera die kan zien wat voor het menselijk oog onzichtbaar is. Deze camera (een vliegtuig met een speciaal sensor) kijkt niet alleen naar de kleur groen, maar naar honderden verschillende tinten licht (van violet tot infrarood). Elke boomsoort heeft zijn eigen unieke "licht-vingerafdruk".

De onderzoekers wilden weten: Kan deze camera precies vertellen welke boomsoort er staat, zonder dat iemand naar het bos hoeft te lopen?

Het Experiment: Een gecontroleerd bos-laboratorium

In de echte wereld is het lastig om bomen te herkennen. Een eik in het ene bos groeit in de schaduw, in het andere in de zon. Ze zien er dan anders uit, zelfs als het dezelfde soort is. Het is alsof je probeert iemand te herkennen aan een foto, maar de persoon draagt soms een hoed, soms een zonnebril en staat soms in de regen.

Om dit probleem op te lossen, gebruikten de onderzoekers twee speciale "speeltuinen" in Duitsland (het BIOTREE-experiment):

1. Kaltenborn: Hier stonden slechts 4 soorten bomen (den, spar, beuk, eik). Ze waren in perfecte vierkante blokjes geplant, allemaal op dezelfde grond.
2. Bechstedt: Hier was het veel drukker. Er stonden 16 verschillende soorten bomen, ook in blokjes, maar dan in een complexer patroon.

Dit was hun "gecontroleerd laboratorium": alle bomen kregen dezelfde behandeling, zodat ze wisten dat verschillen in de foto echt door de boomsoort kwamen en niet door de omgeving.

De Methode: De "Licht-Foto" van de bomen

Ze vlogen met hun vliegtuig over deze bossen en maakten foto's met 589 verschillende golflengten (kleurtjes).

• Ze zagen dat bomen van verschillende families (naaldbomen vs. loofbomen) heel duidelijk verschillende "licht-vingerafdrukken" hebben.
• Zelfs binnen dezelfde familie (bijvoorbeeld verschillende soorten eiken) waren er kleine, maar meetbare verschillen te zien in het licht dat ze terugkaatsten.

De Resultaten: Hoe goed werkt het?

De onderzoekers gebruikten twee slimme computerprogramma's (AI) om de foto's te analyseren:

1. LDA (Lineaire Discriminant Analyse): Een simpele, rechte lijn-trekker.
2. SVM (Support Vector Machine): Een complexere, niet-lineaire denker die patronen ziet die een mens niet ziet.

Hier zijn de bevindingen, vertaald naar alledaags taal:

1. Het simpele bos (Kaltenborn - 4 soorten)

• Resultaat: De computer was uitstekend. In de trainingsfase (waar de computer de bomen al kende) haalde hij 100% score.
• Voorspelling: Toen ze de computer lieten voorspellen op nieuwe delen van het bos, haalde hij 77% tot 83% goed.
• Vergelijking: Dit is alsof je een kind leert 4 verschillende hondensoorten te herkennen. Als je ze in een gecontroleerde kamer zet, herkent het kind ze bijna altijd. De simpele computer (LDA) deed het zelfs beter dan de complexe AI.

2. Het drukke bos (Bechstedt - 16 soorten)

• Resultaat: Hier werd het lastig. De computer haalde in de training nog steeds hoge scores, maar bij het voorspellen van nieuwe bomen zakte de score naar 31% tot 49%.
• Waarom? Stel je voor dat je 16 verschillende mensen in een kleine kamer zet. Als ze allemaal ongeveer even groot zijn en dezelfde kleding dragen, is het voor een camera heel moeilijk om ze uit elkaar te houden.
• De conclusie: Hoe meer soorten er bij elkaar staan, hoe meer de "licht-vingerafdrukken" op elkaar gaan lijken. De camera kan de subtiele verschillen niet meer vinden tussen zo veel verschillende bomen.

De Grootte van de Les

De onderzoekers ontdekten iets belangrijks:

• LDA (de simpele methode) deed het vaak beter dan de complexe AI (SVM). Soms is een simpele regel ("als het licht zo is, is het een beuk") betrouwbaarder dan een ingewikkeld algoritme dat probeert te veel patronen te vinden.
• De "zonlicht" factor: Ze gebruikten alleen de helderste pixels (de zonverlichte toppen van de bomen) voor de analyse. Dit bleek de beste manier te zijn. Schaduwdeeltjes maakten het beeld alleen maar rommelig.

Wat betekent dit voor de toekomst?

Deze studie zegt ons twee dingen:

1. In bossen met weinig soorten (of als we alleen naar specifieke, zeldzame bomen kijken), kunnen we vliegtuigen gebruiken om precies te tellen welke bomen er staan. Dit is geweldig voor het monitoren van bossen.
2. In zeer diverse, wilde bossen met honderden soorten, is het nog te moeilijk om elke boomsoort individueel te herkennen met alleen maar een camera. De bomen zijn te veel op elkaar.

De grote boodschap:
In plaats van te proberen elke boomsoort apart te noemen in een complex bos, moeten we misschien kijken naar hoe divers het bos is als geheel (de "functionaliteit"). De camera kan wel goed zien of een bos gezond is en veel verschillende soorten heeft, zelfs als hij niet elke individuele boom kan benoemen.

Het is alsof je een orkest hoort: je kunt misschien niet zeggen welk instrument precies op dat moment speelt als er 50 instrumenten tegelijk spelen, maar je kunt wel perfect horen of het orkest gezond klinkt en of er genoeg variatie is in de muziek.

Technische samenvatting

Titel

Het gebruik van een geplant boomdiversiteitsexperiment om beeldspectroscopie te evalueren voor het classificeren van boomsoorten.

1. Probleemstelling

Het monitoren van boomsoorten in bossen op grote schaal is vaak beperkt door logistieke uitdagingen bij veldwerk. Remote sensing (op afstand waarnemen) biedt een oplossing door herhaalde, ruimtelijk continue reflectiedata te verzamelen. Echter, de nauwkeurigheid van het classificeren van boomsoorten met deze data is variabel.

• Oorzaak: De meeste studies maken gebruik van observationele datasets waarbij het voorkomen van soorten correleert met omgevingsvariatie (bijv. bodem, klimaat, microhabitat). Dit maakt het moeilijk om te onderscheiden of verschillen in spectraal signaal te wijten zijn aan de soort zelf of aan de omgeving.
• Doel: De auteurs willen de discriminatiekracht van reflectiespectra evalueren onder gecontroleerde omstandigheden, waarbij omgevingsvariabelen constant worden gehouden. Ze onderzoeken of airborne imaging spectroscopy (beeldspectroscopie) soorten kan onderscheiden in zowel soortenarme als soortenrijke settingen.

2. Methodologie

Onderzoekslocaties (BIOTREE-experiment):
De studie gebruikte twee locaties van het Duitse BIOTREE-experiment in Thüringen, waar bomen zijn geplant onder gecontroleerde diversiteitsniveaus:

1. Kaltenborn: Bevat 16 percelen met verschillende combinaties van 4 soorten (2 naaldbomen: Pseudotsuga menziesii, Picea abies; 2 loofbomen: Fagus sylvatica, Quercus petraea). De bomen zijn geplant in monospecifieke blokken van 8x8 meter.
2. Bechstedt: Bevat 25 hexagonale percelen met een gradient in functionele diversiteit, samengesteld uit 16 verschillende soorten (waaronder de twee soorten die ook in Kaltenborn voorkomen). De blokken zijn hier kleiner (cirkels met 3,5m straal).

Dataverzameling:

• Sensoren: Gebruik gemaakt van de HyPlant imaging spectrometer aan boord van een vliegtuig (Cessna 208B).
• Spectrale dekking: 589 quasi-continue golflengten tussen 400 en 2500 nm (VIS, NIR, SWIR).
• Resolutie: Ruimtelijke resolutie van 1 meter per pixel.
• Data: Op 17 juni 2021 (piek groeiseizoen) werden beide locaties overvlogen. Data werden omgezet naar reflectie aan de top van het bladerdek (top-of-canopy) met ATCOR-4 atmosfeercorrectie.

Data-analyse:

• Pre-processing: Per monospecifiek blok (patch) werden de 25 meest centrale pixels geselecteerd. Om schaduw-effecten te minimaliseren, werd de analyse uitgevoerd op de drie helderste pixels (zonverlichte delen) per patch.
• Statistische analyse:
  • ANOVA: Om de bijdrage van soort, taxonomische klasse (naald vs. loof), orde en diversiteitsniveaus aan de totale spectrale variatie te kwantificeren over de 589 golflengtes.
  • Classificatiemodellen: Twee methoden werden vergeleken:
    1. Lineaire Discriminant Analyse (LDA): Lineaire scheiding.
    2. Support Vector Machine (SVM): Niet-lineaire machine learning (met kernel radial basis functions).
  • Input: Modellen werden getraind met zowel oorspronkelijke golflengtes als Principal Components (PCA) afgeleid van de data.
  • Validatie: Vergelijking van in-sample (trainingsdata) en out-of-sample (voorspelling op onafhankelijke percelen) nauwkeurigheid.

3. Belangrijkste Resultaten

Spectrale Variatie:

• Er was een grote en significante variatie in reflectiespectra tussen taxonomische klassen (naald vs. loof), orden en soorten.
• De discriminatiekracht was het hoogst in het NIR- en SWIR-gedeelte (750–2500 nm), gerelateerd aan bladstructuur, waterinhoud en niet-pigmentaire bestanddelen (cellulose, eiwitten).
• In het zichtbare spectrum (VIS) was de variatie kleiner, omdat alle soorten hier licht absorberen voor fotosynthese.
• Interacties tussen taxonomie en diversiteitsniveaus waren significant maar veel kleiner dan de hoofdeffecten van de soorten zelf.

Classificatienauwkeurigheid:

• Trainingsdata: Beide modellen bereikten bijna 100% nauwkeurigheid op de trainingsdata (alle patches).
• Kaltenborn (4 soorten):
  • Out-of-sample voorspelling: 77% - 83% nauwkeurigheid.
  • LDA presteerde iets beter dan SVM.
  • Het gebruik van oorspronkelijke golflengtes was voor LDA even effectief als het gebruik van PCA-componenten.
• Bechstedt (16 soorten):
  • Out-of-sample voorspelling: 31% - 49% nauwkeurigheid.
  • De nauwkeurigheid daalde aanzienlijk bij een hoger aantal soorten.
  • SVM presteerde hier slechter dan LDA in de voorspellende setting.
• Transfervanbaarheid: Het voorspellen van twee gemeenschappelijke soorten (Fagus en Quercus) in Bechstedt met data van Kaltenborn als trainingsset leverde gemiddeld 78% nauwkeurigheid op, wat beter was dan de voorspelling binnen Bechstedt zelf, maar nog steeds beperkt voor Fagus.

Vergelijking van methoden:

• LDA bleek robuuster en nauwkeuriger voor out-of-sample voorspellingen dan SVM.
• SVM kon individuele monsters perfect scheiden in de trainingsdata (zelfs bij willekeurige toewijzing van soorten) door niet-lineaire functies, maar generaliseerde slechter naar nieuwe data.
• Het gebruik van PCA-componenten verbeterde SVM, maar was voor LDA niet strikt noodzakelijk; oorspronkelijke golflengtes volstonden.

4. Bijdragen en Significatie

Technische Bijdragen:

• Controleerbaar Experiment: De studie biedt een zeldzame dataset waar omgevingsvariabelen gecontroleerd zijn, waardoor de inherente spectrale verschillen tussen soorten zonder "ruis" van omgevingsfactoren kunnen worden gemeten.
• Methodologische Validatie: Het toont aan dat voor complexe, soortenrijke datasets lineaire methoden (LDA) vaak beter generaliseren dan complexe niet-lineaire methoden (SVM) wanneer de training- en testdata ruimtelijk gescheiden zijn.
• Golflengte-selectie: Het bevestigt dat een subset van gelijkmatig gespreide golflengtes voldoende is voor classificatie, wat de verwerkingsefficiëntie kan verhogen.

Wetenschappelijke Betekenis:

• Beperkingen van Remote Sensing: De studie concludeert dat airborne imaging spectroscopy effectief is voor het onderscheiden van een beperkt aantal boomsoorten (tot ~4 soorten) in gecontroleerde of soortenarme omgevingen.
• Uitdaging bij hoge diversiteit: In soortenrijke bossen (16+ soorten) is de nauwkeurigheid van soort-specifieke classificatie te laag voor betrouwbare toepassing op individuele soorten. Dit wordt toegeschreven aan de inherente beperkingen in de spectrale informatie-inhoud van het bladerdek, niet aan meetfouten.
• Verschuiving van Doel: Voor soortenrijke ecosystemen is deze methodologie waarschijnlijk nuttiger voor het monitoren van functionele diversiteit (bijv. reacties op droogte, productiviteit) dan voor het tellen van individuele soorten.
• Toekomstperspectief: Voor betere classificatie in natuurlijke bossen is waarschijnlijk een fusie van data nodig (bijv. combinatie met LiDAR voor structurele informatie) en veldvalidatie.

Conclusie:
Hoewel beeldspectroscopie veelbelovend is voor bosmonitoring, is het vermogen om individuele boomsoorten te identificeren in gemengde, soortenrijke bossen beperkt. De technologie is echter zeer waardevol voor het schatten van functionele eigenschappen en diversiteit op gemeenschapsniveau.