Seasonal Landsat summaries improve cross-fire prediction of post-fire conifer establishment

Nadat een bosbrand door een bos is gegleden, wordt het landschap vaak getekend en stil achtergelaten. Voor bosbeheerders en ecologen is de meest prangende vraag niet alleen hoeveel schade er is aangericht, maar of het bos zichzelf zal herstellen. Zullen er nieuwe dennen- en zilversparren wortel schieten, of zal het land dominant worden door struiken en grassen? Deze beslissing bepaalt of een regio dure menselijke interventie nodig heeft om bomen te herplanten of dat de natuur het werk zelf zal doen. Om dit te beantwoorden, hebben wetenschappers lang naar satellieten gekeken, die enorme gebieden met verbrand land kunnen zien die te gevaarlijk of te afgelegen zijn voor mensen om te bezoeken. Een satellietbeeld is echter slechts een foto van licht dat van de grond weerkaatst; het kan het verschil niet zien tussen een jonge dennenplant, een uitlopende struik of een overlevende boomtak. De uitdaging is altijd geweest om te achterhalen of de patronen die vanuit de ruimte worden gezien daadwerkelijk voorspellen waar nieuwe naaldbomen groeien, en of die patronen standhouden wanneer men naar een totaal andere brand kijkt dan de brand waar de computer op is getraind.

Een nieuwe studie door onafhankelijk onderzoeker Joshua Puliafico pakt dit probleem aan door te testen hoe goed satellietgegevens de bosherstel kunnen voorspellen over verschillende bosbranden heen. Het onderzoek richt zich op het gebruik van gegevens van het Landsat-satellietprogramma, dat de aarde al decennia lang fotografeert. Het team wilde weten of het samenvatten van de satellietgegevens in brede seizoensgebonden trends nuttiger zou zijn voor het voorspellen van bosherstel dan het proberen vast te leggen van elk afzonderlijk detail van de groeicyclus van de vegetatie. Ze bouwden computermodellen om te leren van veldgegevens die werden verzameld na vijfentwintig verschillende branden in het westen van de Verenigde Staten. Deze modellen werden vervolgens getest op dertien volledig nieuwe branden die de computer nog nooit had gezien, wat een scenario uit de echte wereld simuleert waarbij een beheerder een vers verbrand gebied moet beoordelen met de lessen die geleerd zijn van eerdere gebeurtenissen.

De onderzoekers vergeleken drie verschillende manieren om informatie in hun computermodellen te voeden. De eerste was een basisbenadering die alleen ecologische context gebruikte, zoals hoe heet de brand was, hoe ver de locatie verwijderd was van bestaande bomen die zaden konden laten vallen, en het lokale klimaat. De tweede benadering voegde een samenvatting van de satellietgegevens toe, waarbij de maandenlange observaties werden gecondenseerd tot één seizoensbeeld voor elk jaar na de brand. De derde benadering was de meest gedetailleerde, waarbij honderden extra variabelen werden toegevoegd die probeerden de specifieke timing van de vergroening, de piek van de groei en de achteruitgang van de vegetatie binnen elk seizoen vast te leggen. Het doel was om te zien welke methode de computer het beste hielp te raden of een specifiek stuk land wel of geen nieuwe bomen zou hebben.

De resultaten lieten zien dat de middelste benadering, het gebruik van seizoensgebonden samenvattingen, de duidelijke winnaar was. Wanneer de modellen werden getest op de dertien nieuwe branden, verbeterde het toevoegen van de seizoensgebonden satellietgegevens hun vermogen om gebieden te onderscheiden die zouden herstellen en gebieden die dat niet zouden doen, aanzienlijk. Deze verbetering was consistent over bijna alle nieuwe branden, wat suggereert dat de methode goed werkt, zelfs wanneer men van het ene geografische gebied naar het andere gaat. De modellen die seizoensgebonden samenvattingen gebruikten, waren in staat om de brandlocaties nauwkeuriger te rangschikken, wat beheerders helpt om te prioriteren welke gebieden ze als eerste moeten bezoeken. Specifiek, wanneer de modellen werden gevraagd om de top twintig procent van de percelen te selecteren die het meest waarschijnlijk een tekort aan nieuwe bomen zouden hebben, hielp de seizoensgebonden benadering hen een veel groter deel van die lege plekken te vinden vergeleken met het gebruik van alleen de basis ecologische gegevens.

Interessant genoeg bood de meest gedetailleerde benadering geen enkel extra voordeel. Het toevoegen van de honderden extra variabelen die de precieze timing van de groei binnen de seizoenen volgden, maakte de voorspellingen niet nauwkeuriger. Sterker nog, voor de nieuwe branden presteerde het gedetailleerde model iets slechter dan de eenvoudigere seizoensgebonden samenvatting. Dit suggereert dat voor het doel van het voorspellen van bosherstel over verschillende branden heen, een breed beeld van de seizoenscyclus betrouwbaarder is dan een hoogresolutiebeeld van de dagelijkse of wekelijkse veranderingen. Het extra detail kan te veel ruis hebben geïntroduceerd of te zwaar hebben geleund op lokale omstandigheden die niet van toepassing waren op de nieuwe branden.

De studie onthulde ook een cruciale nuance over wat de satellietgegevens eigenlijk meten. De onderzoekers testten een versie van het model die alleen satellietgegevens gebruikte van vóór de brand plaatsvond. Verrassend genoeg verbeterde deze informatie voorafgaand aan de brand ook de voorspellingen in vergelijking met de basis ecologische baseline. Dit betekent dat het succes van het seizoensgebonden model niet uitsluitend te danken is aan het zien van nieuwe bomen die na de brand groeien. In plaats daarvan vangt de satellietdata waarschijnlijk een mix van factoren op: de conditie van het land vóór de brand, de ernst van de verbranding en het daaropvolgende herstel. Omdat de gegevens vooraf al nuttig waren, concludeerden de onderzoekers dat de volledige seizoensgebonden methode niet volledig aan het meten van het herstel na de brand in isolatie kan worden toegeschreven. Het is een krachtig instrument dat geschiedenis en huidige omstandigheden combineert om een betere gok te doen.

Uiteindelijk biedt dit werk een praktisch pad vooruit voor bosbeheer. Het demonstreert dat een relatief eenvoudige samenvatting van satellietwaarnemingen beheerders kan helpen identificeren welke verbrande gebieden moeite hebben met herstel en welke waarschijnlijk vanzelf zullen herstellen. Door deze seizoensgebonden samenvattingen te gebruiken, kunnen instanties hun beperkte veldonderzoeksteams richten op de locaties die echt aandacht nodig hebben, in plaats van middelen te verspillen aan gebieden die al aan het herstellen zijn. Hoewel de modellen niet perfect zijn en nog niet fysiek bezoek aan het bos kunnen vervangen, bieden ze een betrouwbare manier om duizenden hectaren te screenen en slimmere beslissingen te nemen over waar te investeren in herbebossingsinspanningen. De studie bevestigt dat het kijken naar het bos door de lens van seizoensverandering, in plaats van te proberen elk vluchtig moment van groei vast te leggen, de meest effectieve manier is om de toekomst van deze herstellende landschappen te voorspellen.