Towards Scaling-Up Three-Dimensional Habitat Structural Measurements with Multi-Sensor Remote Sensing

Dit onderzoek toont aan dat het integreren van multi-sensor remote sensing-data (Sentinel-1, Sentinel-2 en ALS) effectief is voor het opschalen van essentiële drie-dimensionale habitatstructuren, zoals gemeten met terrestrische laserscanning, naar landschapsniveau op het eiland Réunion, hoewel het nauwkeurig voorspellen van fijne structurele complexiteit nog uitdagend blijft.

De kern

Titel: Hoe we met een digitale vergrootglas de natuur van Réunion eiland in kaart brengen

Stel je voor dat je een gigantische, levende 3D-puzzel wilt oplossen: de bossen en bergtoppen van het eiland Réunion. Om dit precies te doen, hebben wetenschappers eerst een heel nauwkeurige, maar kleine scanner gebruikt (de TLS). Dit is alsof je met een superkrachtige lantaarnpaal elk blaadje en elke tak in een klein stukje bos afstruint. Je krijgt dan een perfecte, driedimensionale foto van dat ene stukje.

Het probleem? Je kunt niet met zo'n zware scanner door het hele eiland lopen, zeker niet in de steile, onberepakte gebieden. Het is te veel werk en te gevaarlijk.

De oplossing: Een digitale schatzoeker
De onderzoekers wilden weten of ze die perfecte "lantaarnpaal-metingen" konden overschrijven naar het hele eiland met behulp van satellieten en vliegtuigen (remote sensing). Ze dachten: "Als we weten hoe de scanner het ziet, kunnen we dan met satellietbeelden raden hoe de rest van het bos eruitziet?"

Ze gebruikten drie soorten 'ogen' om naar het bos te kijken:

1. Sentinel-1: Een satelliet die door wolken en regen kan kijken (zoals een röntgenfoto).
2. Sentinel-2: Een satelliet die de kleuren van de planten ziet (zoals een fotograaf).
3. Vliegtuig-LiDAR: Een vliegtuig dat met laserstralen de vorm van het bos scant (zoals een 3D-tekenaar).

Het experiment: De match-makelaar
Ze vergeleken de data van deze 'ogen' met de perfecte data van de scanner. Het was alsof ze probeerden te raden hoe groot een boom is, alleen op basis van de schaduw die hij werpt en de kleur van zijn bladeren.

Wat ontdekten ze?

• De grote lijnen zijn duidelijk: Als je wilt weten hoe hoog het bos is of hoe breed de bomen staan, werken de satellietbeelden verrassend goed. Het is alsof je vanuit een vliegtuig goed kunt zien of een bos dicht of dun is.
• De fijne details zijn lastig: Het is veel moeilijker om de ingewikkelde, rommelige structuur van het bos (zoals hoe takken door elkaar groeien) te voorspellen. Dat is als proberen te raden hoe een ingewikkeld knoopje eruitziet, terwijl je alleen naar de buitenkant van de kleding kijkt.
• Samenwerking werkt het beste: Als je alle drie de 'ogen' (de twee satellieten én het vliegtuig) samen gebruikt, krijg je het beste resultaat. Het is alsof je een team hebt: de één ziet de vorm, de ander de kleur, en de derde de diepte. Samen zien ze meer dan alleen.
• Het bos maakt uit: In het laaglandregenwoud werkten de voorspellingen het beste. In de mistige bergbossen was het iets lastiger, omdat de wolken en de mist de 'ogen' van de satelliet een beetje verblinden.

De conclusie
Dit onderzoek laat zien dat we een slimme manier hebben gevonden om de natuur van het hele eiland in kaart te brengen, zonder dat we overal met zware apparatuur rond hoeven te lopen. We kunnen nu de 'hoofdlijnen' van het ecosysteem goed volgen, wat heel belangrijk is om te zien of de natuur gezond blijft.

Het is echter nog niet perfect voor de allerfijnste details. Het is alsof je een wereldkaart hebt die perfect de landen en steden laat zien, maar de kleine steegjes en poortjes nog niet. Toch is het een enorme stap vooruit om de natuur op lange termijn te beschermen, vooral op unieke plekken zoals eilanden waar de natuur heel anders is dan op het vasteland.

Technische samenvatting

Probleemstelling

Terrestrisch Laserscannen (TLS) biedt zeer nauwkeurige, fijnmazige driedimensionale metingen van de ecosysteemstructuur, wat essentieel is voor het monitoren van Essentiële Biodiversiteitsvariabelen (EBV's). Het gebruik van TLS op landschapsniveau is echter beperkt, vooral in afgelegen en topografisch complexe gebieden zoals oceanische eilanden. Hoewel remote sensing (RS) een potentieel pad biedt om TLS-afgeleide structurele metrieken op te schalen (upscaling), is de mate waarin dit mogelijk is in heterogene omgevingen nog onvoldoende gekwantificeerd. Er bestaat een kennislacune over hoe goed RS-data de complexe structuur van habitats kan nabootsen die door TLS wordt vastgelegd.

Methodologie

De onderzoekers onderzochten de mogelijkheid om TLS-afgeleide habitatstructuur te schatten met behulp van remote sensing op het eiland Réunion, waarbij drie contrasterende habitats werden geselecteerd: laaglandregenwoud, bergwolkwoud en subalpine summit scrub.

• Dataverzameling: Er werden meerdere sensoren gebruikt:
  • Sentinel-1: Voor radarbackscatter-coëfficiënten.
  • Sentinel-2: Voor vegetatie-indexen.
  • Aerial LiDAR (ALS): Voor luchtopnames.
  • TLS: Als grondwaarheid (ground truth) op specifieke plots.
• Data-analyse:
  • Er werden gedefinieerde indices afgeleid, waaronder backscatter-coëfficiënten, vegetatie-indexen en LiDAR-metrieken.
  • De uitlijning tussen deze RS-variabelen en de TLS-metingen werd beoordeeld met behulp van een Procrustes-analyse.
  • General Additive Models (GAM's) werden toegepast om de TLS-habitatstructuur te schatten op basis van de remote sensing-variabelen.
• Validatie: De modellen werden gevalideerd via cross-validatie om de voorspellende nauwkeurigheid te bepalen.

Belangrijkste Bijdragen

1. Integratie van Multi-Sensor Data: Het onderzoek demonstreert de meerwaarde van het combineren van verschillende sensoren (optisch, radar en luchtlidar) boven het gebruik van individuele sensoren voor het schatten van ecosysteemstructuur.
2. Habitat-specifieke Evaluatie: Het biedt inzicht in hoe de prestaties van remote sensing variëren tussen verschillende habitattypes (van laagland tot subalpine zones) in een eilandcontext.
3. Differentiatie van Structuurmetrieken: Het onderzoek onderscheidt tussen de schatting van horizontale/verticale structuur en complexiteitsmetrieken, en toont aan dat deze twee categorieën verschillende niveaus van voorspelbaarheid hebben.

Resultaten

• Multivariate Uitlijning: Sentinel-2 vertoonde de hoogste multivariate uitlijning met TLS-metingen (correlatiecoëfficiënt $r = 0.51$).
• Voorspellende Nauwkeurigheid:
  • Horizontale en verticale structuur: Deze werden met de hoogste nauwkeurigheid geschat ($R^2$ tussen 0,39 en 0,73).
  • Structurele complexiteit: Deze metrieken waren aanzienlijk moeilijker te schatten, met lagere $R^2$-waarden (0,02 tot 0,20).
• Sensorprestaties: Multi-sensormodellen presteerden over het algemeen beter dan modellen die slechts één sensor gebruikten.
• Habitat-variatie: De overeenkomst tussen voorspelde en waargenomen waarden varieerde per habitat:
  • Hoogste overeenkomst: Laaglandregenwoud ($r = 0.38$).
  • Laagste overeenkomst: Bergwolkwoud ($r = 0 = 0.35$).
  • Desondanks werden de dominante structurele kenmerken van elk habitat het meest accuraat vastgelegd.

Betekenis en Conclusie

De resultaten bevestigen het potentieel van het integreren van multi-sensor remote sensing-data om sleutelaspecten van TLS-afgeleide ecosysteemstructuren op te schalen. Dit is cruciaal voor het ontwikkelen van schaalbare, langetermijnmonitoringskaders voor EBV's, met name in structureel complexe en ondervertegenwoordigde eilandecosystemen.

Echter, het onderzoek benadrukt ook de beperkingen: hoewel grootschalige structurele kenmerken goed kunnen worden geschat, blijft het nauwkeurig kwantificeren van fijnmazige structurele complexiteit een uitdaging voor huidige remote sensing-technieken. Dit onderstreept de noodzaak om TLS en remote sensing complementair te gebruiken in plaats van TLS volledig te vervangen voor complexe habitatanalyses.