Ekstenzivna travišča - kako njihovo spreminjanje zaznamo s satelitskimi posnetki
V Sloveniji travišča pokrivajo približno 17 % površin. Med seboj se razlikujejo po vrstni sestavi in po načinu vzdrževanja. Ekstenzivna travišča so vrstno bogati travniški habitati, ki so po vsem svetu ogroženi zaradi vse bolj intenzivnega upravljanja ali pa opuščanja kmetijske rabe. Površina ekstenzivnih travišč se tudi v Sloveniji močno zmanjšuje zaradi opuščanja tradicionalne rabe (košnja, paša) ter posledično razraščanja grmišč in gozda. Biotsko raznovrstna travišča so zlasti alpinska travišča, ekstenzivno gospodarjena suha in polsuha travišča na apnencu ter mokrotni in vlažni travniki. Spremljanje njihovega obsega, stanja in sprememb na veliko-površinski ravni je ključnega pomena za načrtovanje njihovega ohranjanja ali obnove, tudi v okviru nacionalnega programa varstva narave.
Ekstenzivno travišče (foto: ZRC SAZU in UL FGG)
S strojnim učenjem in terenskimi kartiranji do uporabe satelitskih posnetkov za ločitev štirih ključnih habitatnih tipov ekstenzivnih travišč
Sodelavci ZRC SAZU in UL FGG so na podlagi satelitskih posnetkov (Sentinel-2 in PlanetScope) razvili postopke, s katerimi lahko vsako leto kartiramo in spremljamo štiri ključne habitatne tipe ekstenzivnih travišč na območjih Nature 2000 ali traviščih Slovenije. Satelitski posnetki Sentinel-2 so na območju Slovenije dostopni na 3-5 dni v 10 metrski prostorski ločljivosti, posnetki PlanetScope pa dnevno v 3-5 metrski prostorski ločljivosti. Kljub manj uporabnim podatkom zaradi pogoste oblačnosti gostota satelitskih podatkov omogoča spremljanje značilnosti različnih travišč (npr. fenoloških faz).
Za določitev habitatnih tipov ekstenzivnih travišč so uporabili površine trajnih travnikov na območjih Nature 2000 in strojno učenje. Učni primeri za klasifikator so terenska kartiranja Zavoda RS za varstvo narave, ki so bila izvedena v zadnjih petih letih. Pri pregledu satelitskih podatkov so med opazovanimi travišči ugotovili razlike v daljinsko zaznanih fenoloških fazah – te se najbolj razlikujejo spomladi in jeseni, a je za modeliranje pomembna celotna rastna sezona. Vsak habitatni razred opazovanih travišč ima poleg tega drugačne in dovolj značilno izražene fenološke lastnosti.
Model strojnega učenja se je nato iz lokacij opravljenih terenskih kartiranj naučil značilnosti travišč, zabeleženih v letnih satelitskih vegetacijskih indikatorjih, nato pa prenesel napoved tem podobnih značilnosti tudi na neznane lokacije, torej na sosednja in bolj oddaljena travišča.
Na tak način so za vsa travišča kartirali potencial prisotnosti za habitatne tipe:
- mezotrofni do evtotrofni gojeni travniki (PHYSIS 38.2),
- submediteranska in mediteransko-montanska suha in polsuha travišča (PHYSIS 34.7),
- oligotrofni mokrotni travniki (PHYSIS 37.3),
- evrosibirska suha in polsuha sekundarna travišča travišča, pretežno na karbonatih (PHYSIS 34.3).
Karta štirih tipov kartiranih travišč (vir: ZRC SAZU in UL FGG)
Model strojnega učenja dosegel visoko natančnost in ujemanje s terenskimi kartiranji in s podatki iz vegetacijskih popisov
V raziskavi so ugotovili, da je model strojnega učenja, ki temelji na odločitvenih drevesih, primeren, saj pri uporabi podatkov Sentinel-2 rezultati razporejanja v tarčne habitatne tipe sledijo naravni pojavnosti teh travišč. Model je tudi stabilen, saj daje medletno primerljive rezultate.
S podatki satelitskih posnetkov PlanetScope so opazovali izbrana manjša območja Nature 2000. Rezultati so pokazali visoko natančnost razpoznave tarčnih habitatnih tipov travišč ter primerljivost z rezultati na podatkih Sentinel-2, kar je zlasti pomembno za kartiranje izrazito fragmentarnih zemljiških parcel v mešani kmetijski krajini.
V splošnem so rezultati dobri na vseh proučevanih območjih, so se pa pokazale značilne razlike med uspešnostjo določanja posameznih habitatnih razredov travišč, predvsem med manj in bolj zastopanimi travišči.
Rezultati tovrstnih kartiranj prinašajo prednosti predvsem zaradi sistematičnosti metode in zmožnosti veliko-površinskih analiz stanja biotsko raznovrstnih ekosistemov ter hkrati dopuščajo vsebinske izboljšave (dodatni habitatni razredi, dopolnilni okoljski podatki) in tehnološke nadgradnje (različni satelitski podatki) v prihodnosti.