Spatio-Temporal Analysis of the Pattern of Land use and Land Cover Changes among the Sub-Basins in the White Volta Basin

Technische Samenvatting: Ruimtelijk-temporele Analyse van het Patroon van Landgebruik en Landbedekkingveranderingen bij de Subbekens in het Witte Volta Bekken

Probleemstelling
Het Witte Volta Bekken (WVB) in Ghana heeft aanzienlijke milieuverslechtering ondergaan als gevolg van intense antropogene activiteiten, waaronder verstedelijking, ontbossing, landbouwexpansie, mijnbouw en infrastructuurontwikkeling. Deze activiteiten hebben het vermogen van het bekken aangetast om essentiële ecosysteemdiensten en levensondersteuning te bieden. Hoewel eerder onderzoek de LULC-veranderingen (Landgebruik en Landbedekking) in het WVB heeft behandeld, werden deze studies vaak geïsoleerd uitgevoerd, met een focus op specifieke secties (bijv. het midden- of benedenstroomse deel) zonder rekening te houden met het niveau van micro-bekens of de onderlinge verbondenheid tussen bovenstroomse, middenstroomse en benedenstroomse subbekens. Deze gefragmenteerde aanpak heeft geleid tot over-gegeneraliseerde conclusies en een gebrek aan specifieke gegevens die vereist zijn voor gerichte beheersinterventies. Bijgevolg is er een kritieke behoefte aan een uitgebreide analyse op subbekenniveau van de LULC-dynamiek van 1995 tot 2023 om de omvang van de degradatie en de specifieke drijfveren binnen elk van de negen subbekens te begrijpen.

Methodologie
De studie maakte gebruik van een mixed-methods benadering waarbij remote sensing, machine learning en sociaaleconomische enquêtes werden gecombineerd om de LULC-veranderingen over de negen subbekens van het WVB (Kulpawn, Sissili, Gambaga, Mole, Kpasenkpe, Nasia, Nabogo, Middle Volta en Lower Volta) over een periode van 28 jaar (1995–2023) te analyseren.

• Remote Sensing en Classificatie: Landsat-satellietbeelden (TM, ETM+ en OLI sensoren) uit 1995, 2005, 2015 en 2023 werden verkregen via de USGS. De voorbewerking werd uitgevoerd met QGIS en ArcMap 10.6, inclus\n_bij_ stacking, projectie naar WGS 84/UTM 30N en clipping.
• Machine Learning Algoritme: Een Random Forest (RF) machine learning algoritme, geïmplementeerd in R-software, werd gebruikt voor de LULC-classificatie. Het RF-algoritme werd geselecteerd vanwege zijn vermogen om hoogdimensionale data, multicollineariteit en niet-lineaire relaties te verwerken, evenals zijn robuustheid tegen overfitting en ruis.
• Training en Validatie: Grondwaarheidgegevens werden verzameld via veldonderzoeken (GPS) en Google Earth-coördinaten. Ongeveer 200 coördinaten per jaar en 300 veldpunten werden gebruikt voor training. De data werd gesplitst in een trainingsset van 70% en een testset van 30%. Vijf LULC-klassen werden gedefinieerd: landbouwgronden, bebouwde gebieden, dichte savannebossen, lichte savannebossen en waterlichamen. De nauwkeurigheid werd beoordeeld met behulp van de Overall Accuracy (OA) en Kappa-coëfficiënten.
• Veranderingsdetectie: Een post-classificatie vergelijking methode werd gebruikt om transitie-matrices te genereren en veranderingen in oppervlakte en veranderingspercentages te kwantificeren.
• Sociaaleconomische Analyse: Kwalitatieve en kwantitatieve gegevens werden verzameld via huishoudelijke enquêtes (400 respondenten), Key Informant Interviews (KII's) en Focusgroepsdiscussies (FGD's) om de waargenomen oorzaken van LULC-veranderingen te identificeren. De gegevens werden geanalyseerd met Stata versie 16.

Belangrijkste Resultaten

• Classificatienauwkeurigheid: De RF-classificatie bereikte een Overall Accuracy (OA) variërend van 74,5% tot 82,9% over de subbekens en jaren, met Kappa-coëfficiënten tussen 0,65 en 0,80, wat wijst op een goede overeenstemming tussen de geclassificeerde kaarten en de referentiedata.
• LULC-trends:
  • Lichte Savannebossen: Zijn aanzienlijk toegenomen over het hele bekken. De hoogste stijgingspercentages werden waargenomen in Gambaga (117,80%), Kulpawn (47,58%), Middle White (39,81%), Nasia (37,48%) en Sissili (23,17%).
  • Bebouwde Gebieden: Zijn uitgebreid in alle subbekens. Het Middle White subbeken registreerde de hoogste expansiegraad (13,21%), gevolgd door Kulpawn (8,33%), Mole (5,85%) en Nabogo (5,49%).
  • Akkerland: Toonde een stijgende trend, waarbij Gambaga (9,21%), Nasia (7,46%) en Sissili (6,11%) de meest prominente subbekens voor landbouwexpansie waren.
  • Degradatie: Het Kulpawn subbeken werd geïdentificeerd als het meest ernstig gedegradeerd (jaarlijkse veranderingsgraad van 21,9%), voornamelijk door commerciële landbouw en illegale mijnbouw. Het Gambaga subbeken was het minst gedegradeerd (2,65%).
• Drijfveren van Verandering:
  • Nabije Drijfveren: Landbouwactiviteiten waren de primaire drijfveer (gemiddeld 17,81%), gevolgd door bebouwde expansie (13,94%), mijnbouw (12,12%) en houtwinning voor brandstof. Specifieke subbekens vertoonden unieke dominante drijfveren: bebouwde expansie in Middle White, mijnbouw in Lower White, en houtwinning in Mole.
  • Onderliggende Drijfveren: Hoge menselijke populatiegroei, armoedecijfers en klimaatverandering werden geïdentificeerd als indirecte krachten die landbedekkingstransities versnellen.
• Perceptie versus Data: Terwijl respondenten een toename van waterlichamen waarnamen (15%), toonden remote sensing-gegevens een scherpe afname van het wateroppervlak aan, toegeschreven aan landbouwexpansie, ontbossing en sedimentatie. Respondenten identificeerden correct de conversie van dichte savanne naar lichte savanne en akkerland.

Belangrijkste Bijdragen
Deze studie biedt een gedetailleerde beoordeling op subbekenniveau van de LULC-dynamiek in het Witte Volta Bekken, waarmee het gat opvult dat is achtergelaten door eerdere studies die zich richtten op geïsoleerde secties of gegeneraliseerde trends voor het hele bekken. Door gebruik te maken van het Random Forest algoritme biedt het onderzoek een robuuste, nauwkeurige classificatie van complexe savannelandschappen. Bovendien maakt de integratie van remote sensing-gegevens met sociaaleconomische enquêtegegevens een getrianguleerde analyse mogelijk van de specifieke drijfveren van degradatie in elk subbeken. Het onderzoek rangschikt de subbekens expliciet op basis van de ernst van de degradatie, waarbij Kulpawn, Nasia, Lower White en Kpasenkpe worden geïdentificeerd als de meest kritieke gebieden die interventie vereisen.

Betekenis en Claims
De auteurs stellen dat de bevindingen dienen als een uitgebreid leidend document voor het ontwerpen van gerichte interventies om landdegradatie aan te pakken, met name in de meest zwaar getroffen bekens. De studie stelt dat de ruimtelijk expliciete baseline een fundament biedt voor beleidsmakers, de Water Resources Commission en de White Volta River Authority om evidence-based beleid te formuleren. Specifiek pleit het voor:

1. Gerichte Interventies: Het richten van herstelinspanningen (herbebossing, agroforestry, bescherming van oeverzones) op de meest gedegradeerde subbekens (Kulpawn, Nasia, etc.).
2. Duurzame Praktijken: Het promoten van duurzame land- en waterbeheermethoden (SLM), zoals conservatielandbouw en gecontroleerd branden, om de impact van landbouw te beperken.
3. Geïntegreerde Planning: Het integreren van stedelijke planning met groene infrastructuur om de expansie van bebouwde gebieden te beheren en indringing op ecologisch gevoelige gebieden te voorkomen.
4. Inclusief Bestuur: Het versterken van lokale gemeenschappen in het beheer van natuurlijke hulpbronnen om de veerkracht te vergroten.

Het artikel concludeert dat zonder dergelijke gerichte, geïntegreerde beheersstrategieën, de ecologische integriteit en de levensondersteunende systemen van het WVB verder in het gedrang zullen komen, met ernstige gevolgen voor de beschikbaarheid van water, biodiversiteit en de levensvatbaarheid van de bewoners langs de rivier.