Estimating Biomass in Trans-Himalayan Rangelands Using Sentinel-2 Data and Machine Learning Approaches

De Grote Grasdetective: Een Verhaal over Bergen, Satellieten en Slimme Computers

Stel je voor dat de huid van de aarde bedekt is met uitgestrekte, wilde tapijten van gras en struiken die rangelands worden genoemd. Dit zijn niet alleen mooie landschappen; het zijn de gigantische eettafels voor miljoens koeien, schapen en geiten, en ze helpen de wateren van de planeet schoon en de lucht fris te houden. Maar hier is het probleem: deze grasmaten raken uitgeput. Te veel dieren die tegelijkertijd eten, veranderende weersomstandigheden en menselijke druk veranderen weelderige weiden in stoffige vlaktes. Om dit op te lossen, moeten we precies weten hoeveel gras er nog over is, maar het op de ouderwetse manier tellen is een nachtmerrie. Het houdt in dat je steile, rotsachtige bergen op moet wandelen, kleine vierkantjes gras met een schaar moet afknippen, ze in de zon moet laten drogen en ze moet wegen. Het is traag, duur en je kunt het niet overal tegelijk doen.

Hier komt de magie van "remote sensing" (afstandsdetectie) en "machine learning" (machinaal leren) om de hoik. Denk aan remote sensing als een gigantische, hightech camera in de lucht (een satelliet) die kleuren kan zien die onze ogen niet kunnen waarnemen, zoals de onzichtbare "red edge" van het licht waarmee planten gloeien wanneer ze gezond zijn. Machine learning is als een superintelligente computerstudent die miljoens van deze satellietfoto's kan bekijken en kan leren hoe hij hoeveelheid gras op de grond kan raden zonder ooit een voet op de grond te hebben gezet. Wetenschappers proberen deze computers al een tijdje te leren om accuraat te zijn, maar bergachtige gebieden zijn lastig omdat schaduwen en steile hellingen de camera's in verwarring brengen. De grote vraag is: Kunnen we een slim systeem bouwen dat het gras in deze uitdagende hooggebergtes accuraat kan "wegen" door alleen maar vanuit de lucht te kijken?

---

De Missie van het Papier: Computers Leren Gras te Tellen in de Wolken

Dit onderzoeksartikel is als een veldgids voor een nieuw soort detectiefwerk. De auteurs, een team van wetenschappers uit Pakistan en Canada, zetten zich af om het mysterie op te lossen van hoeveel gras (biomassa) er groeit in de Trans-Himalaya rangelands van Upper Dir en Swat. Dit zijn ruige, hooggebergtegebieden waar het terrein zo steil is en het weer zo wild dat traditionele telmethoden bijna onmogelijk zijn. In plaats van teams van wandelaars het gras te laten knippen, besloot het team gebruik te maken van gegevens van de Sentinel-2 satelliet, die met ongelooflijk gedetailleerde foto's van de aarde elke paar dagen beelden maakt.

Ze behandelden de satellietbeelden als een enorme puzzel. Eerst gingen ze in het veld tijdens de zomer van 2022 en 2023 om "ground truth" (grondwaarheid) te verzamelen. Ze wandelden naar willekeurige plekken, maten het werkelijke droge gewicht van het gras in kleine vierkantjes en legden de GPS-coördinaten vast. Dit was hun antwoordmodel. Vervolgens bekeken ze de satellietfoto's van precies diezelfde plekken om te zien wat de satelliet "zag". Ze testten 50 verschillende wiskundige formules (vegetatie-indices) die proberen licht om te zetten in getallen. Het was alsof ze 50 verschillende recepten testten om te zien welk er het beste een taart maakte.

De Ontdekking: De "Red Edge" Wint de Race

Het team kwam tot de conclusie dat niet alle recepten gelijk zijn. Sommige van de oude, standaardformules, zoals de beroemde NDVI (die meet hoe groen de planten eruitzien), waren wel oké, maar ze misten de fijnere details. De echte ster van de show bleek een formule te zijn genaamd REDVI1. Deze formule gebruikt een speciaal deel van het lichtspectrum genaamd de "Red Edge", wat als een geheime handdruk werkt tussen de satelliet en de chlorofyl van de plant.

Toen ze hun theorieën testten, was REDVI1 de duidelijke winnaar wat betreft voorspellingsnauwkeurigheid tijdens de initiële screening. In 2023 voorspelde het de hoeveelheid gras met een nauwkeurigheidsscore (R²) van 0,86, wat een zeer sterke overeenkomst is. De standaard formule voor het meten van groen, NDVI, scoorde slechts 0,7376. Het is alsof REDVI1 de gezondheid van het gras van een mijl afstand kon zien, terwijl NDVI met toegeknepen ogen probeerde te gissen.

Maar het weten van de beste formule was niet genoeg; ze hadden ook de slimste computerhersenen nodig om de wiskunde te doen. Ze testten drie verschillende machine learning "studenten":

1. PLSR (een lineaire denker).
2. SVR (een support vector machine).
3. RFR (Random Forest Regression).

Het Random Forest (RFR) model was de kampioen. Het gokte niet alleen; het bouwde een bos van beslissingsbomen die de rommelige, complexe realiteit van de bergen konden aanpakken. Het was veel stabieler en nauwkeuriger dan de anderen, met een prestatiescore (NSE) van 0,92 in 2023. Het artikel merkt expliciet op dat de oudere, simpelere lineaire methoden en de andere machine learning modellen meer moeite hadden met de vreemde schaduwen en steile hellingen van de bergen. Het RFR-model was de enige die consistent de ruis kon negeren en het signaal kon vinden.

De Kaart: Waar het Gras Vet is en Waar het Dun is

Met behulp van hun winnende machine learning-model (RFR) om de gegevens te valideren, maakte het team vervolgens een gedetailleerde kaart van de hele regio. Echter, voor de eigenlijke definitieve kaart gebruikten ze niet direct het complexe computermodel. In plaats daarvan pasten ze een eenvoudigere lineaire regressievergelijking toe gebaseerd op REDVI2. Hoewel REDVI1 de beste voorspeller was voor nauwkeurigheid tijdens de initiële screening, ontdekte het team dat REDVI2 de hoogste correlatie had voor de specifieke kaartfase (met een R² van 0,7204 in 2023), dus gebruikten ze die formule om het grassengewicht voor elke pixel op de kaart te berekenen.

De resultaten onthulden een fascinerend verhaal over het land:

• Het Gemiddelde: Over het hele studiegebied was de gemiddelde hoeveelheid droog gras 5.896,78 kg/ha.
• De Extremen: Het gras was niet gelijkmatig verdeeld. Sommige plekken hadden bijna geen gras (nabij dorpen en rivieren waar dieren het hele jaar door grazen), terwijl andere plekken ongelooflijk weelderig waren. De hoogste plekken hadden tot wel 11.516,7 kg/ha aan gras.
• Het Patroon: Het papier vond dat het gras nabij dorpen en waterbronnen vaak gedegradeerd was, met een lage biomassa (minder dan 3.500 kg/ha). Dit komt doordat de dieren daar te lang hebben gegraasd zonder pauze. Echter, de hoge bergen, die het grootste deel van het jaar bedekt zijn met sneeuw, hadden dik, gezond gras (meer dan 7.000 kg/ha) omdat de sneeuw de dieren op afstand hield, waardoor de planten de kans kregen om weer terug te groeien.

Wat Dit Betekent voor de Toekomst

De auteurs zijn voorzichtig om niet te beweren dat ze het probleem van rangelandbeheer voor altijd hebben "opgelost". In plaats daarvan suggereren ze dat deze methode een krachtig nieuw hulpmiddel biedt. Ze lieten zien dat je geen gras hoeft te knippen om te weten hoeveel er is; je kunt een satelliet en een slimme computer gebruiken om een zeer nauwkeurig beeld te krijgen.

Dit is een grote zaak voor de mensen die daar wonen. Als lokale leiders een kaart kunnen zien die zegt: "Hé, deze vallei raakt door zijn gras heen", kunnen ze de dieren naar een ander gebied verplaatsen voordat het land wordt vernietigd. Het verandelt giswerk in wetenschap. Het artikel concludeert dat deze aanpak accuraat, schaalbaar en niet-invasief is, en een manier biedt om deze kwetsbare bergecosystemen en de levensonderhoud van de mensen die ervan afhankelijk zijn, te beschermen. Het is een herinnering dat soms de beste manier om de grond te begrijpen, is door er vanuit de lucht naar te kijken.