Mapping van habitats is een belangrijk instrument voor de beoordeling van de vooruitgang op weg naar de Europese biodiversiteitsdoelstellingen voor 2030, de mondiale Aichi-doelstellingen en meer bepaald de EU-Habitatrichtlijn en de Natuurherstelwet. In Europa zijn al veel initiatieven genomen, van lokale tot nationale schaal. Op Europese schaal blijven habitatkaarten echter beperkt tot een zeer grove ruimtelijke resolutie van 1 km tot 10 km en zijn zij vaak slechts een voorspelling van de geschiktheid van de habitat in plaats van een harde classificatie. Recente vooruitgang op het gebied van machinaal leren en kunstmatige intelligentie, in combinatie met de hoge resolutie aardobservatiegegevens en de afgeleide, door teledetectie verkregen essentiële biodiversiteitsvariabelen, verbeteren de Habitat Mapping die rechtstreeks kan worden gebruikt voor beleid zoals herstelwetgeving, bestuivingsinitiatieven en het behoud van het natuurlijk kapitaal van Europa.
Blog post door Bruno Smets
Verkennen van continentale habitat mapping boven Europa
Uit de meest recente beoordeling van de toestand van het Europese milieu, gepubliceerd door het Europees Milieuagentschap (EMA), blijkt dat de biodiversiteit in Europa in een alarmerend tempo blijft afnemen en dat de meeste beschermde soorten en habitats geen goede staat van instandhouding blijken te hebben. Het is duidelijk dat er veel meer inspanningen nodig zijn om de huidige trends te keren en een veerkrachtige en gezonde natuur te waarborgen.
Om meer inspanningen of inspanningen die meer effect kunnen hebben te definiëren, moeten wij onze diensten voor biodiversiteits- en ecosysteemmonitoring verbeteren om onze Europese beleidsmakers te ondersteunen. Hiervoor kijken we naar nieuwe technieken van kunstmatige intelligentie (AI). Door gebruik te maken van neurale netwerken of deep learning-methoden en satellietgegevensreeksen met hoge resolutie, zoals het Copernicus High Resolution Vegetation Phenology Product (HR-VPP), kunnen wij onze kennis verbeteren over waar habitats in heel Europa voorkomen, een cruciaal element voor het verbeteren van het behoud van de biodiversiteit en het nemen van specifieke maatregelen.
AI om de verspreiding van terrestrische habitats te modelleren
Het Europees Milieuagentschap (EMA) verzocht om een haalbaarheidsstudie naar het gebruik van nieuwe AI/ML-technieken om de verspreiding van terrestrische habitats met een hoge resolutie (10 m) te modelleren. In deze studie, die werd uitgevoerd in samenwerking met Wageningen Environmental Research, werden semiautomatische oplossingen onderzocht om continentale habitatkaarten te genereren door gebruik te maken van satellietgegevens met hoge resolutie, in combinatie met andere aanvullende gegevens en waarnemingen ter plaatse. Het Europees Vegetatiearchief (EVA), een continentale geïntegreerde elektronische databank van vegetatieplotgegevens, fungeert als opleidingsgegevens om de mogelijkheid te openen habitats op Europese schaal op geharmoniseerde wijze te karakteriseren. De huidige habitatgeschiktheidskaarten hebben een grove resolutie en zijn niet recent; de dataset van artikel 17 (bijlage-I) vertegenwoordigt de periode 2013-2018 met een ruimtelijke resolutie van 10 km, terwijl de periode tot 2017 wordt weergegeven met een ruimtelijke resolutie van 1 km. Deze nieuwe aanpak genereert recente (2020) habitatkaarten met een ruimtelijke resolutie van 10 m.
De studie wordt uitgevoerd in nauwe samenwerking met EuropaBON, een samenwerkingsactie om een kostenefficiënt kader te ontwerpen voor de toekomstige monitoring van de biodiversiteit in heel Europa. Een showcase binnen dit project illustreert een essentiële biodiversiteitsvariabele (EBV) en essentiële ecosysteemdienstenvariabele (EESV) uit waarnemingen ter ondersteuning van de besluitvorming in verband met de Habitatrichtlijn. Dergelijke habitatkaarten zullen ook bijdragen tot de boekhouding van natuurlijk kapitaal. Meer bepaald is de typologie van de ecosysteemboekhouding op het meest gedetailleerde niveau (niveau 3) in Europa gebaseerd op de EUNIS-habitattypologie.
Het maken van Europese wall-2-wall habitatkaarten
Na een intensieve literatuurstudie werd een eerste volledig geautomatiseerde workflow ontwikkeld om habitatkaarten voor bijlage I en de EUNIS-typologie op niveau 3 te genereren. Het eerste deel van de workflow genereert in totaal 178 voorspellers op regionale schaal voor informatie op 10 m ruimtelijke resolutie, waaronder hoogte (DEM), vegetatiefenologie (Copernicus HRVPP), ruimtelijke context (via Convolution Neural Network), temporele statistieken (jaarlijkse cyclus) afgeleid van teledetectiedata (Copernicus Sentinels), en op grovere resolutie informatie over klimaat en bodem.
Het tweede deel van de workflow selecteert de beste voorspellers om de classificatietaken voor het betrokken gebied op te lossen via een scheidbaarheidsanalyse en introduceert zo op geautomatiseerde wijze regionalisering van het model. De beste voorspellers (~60-70) worden samen met de opleidingsgegevens (EVA) gebruikt om het AI/ML-model te trainen, een gradient boosting kader op beslissingsbomen (CatBoost). Het CatBoost-model bleek het best opgewassen tegen de verschillende soorten verstrekte voorspellende stromen en met beperkte tot geen parameterafstemming op regionale schaal te werken, aangezien verschillende kenmerken (voorspellers) in de ene regio belangrijker bleken dan in een andere regio.
Vergeleken met geschiktheidskaarten die meerdere winnaars per pixel kunnen hebben, selecteren habitatclassificatiekaarten één winnende discrete habitat per pixel. Niettemin biedt het CatBoost-model classificatiekansen per klasse, waardoor verbeterde nabewerking mogelijk is (bv. Copernicus High Resolution Layers, Maxent habitatgeschiktheidskaarten). De prototype-workflow stelt ons in staat een wall-2-wall habitatkaart te maken in minder dan één verwerkingsdag per regio.
Voorlopige resultaten
Deze workflow werd gebruikt om wall-2-wall geclassificeerde habitatkaarten met een ruimtelijke resolutie van 10 m te genereren voor drie regio's: Nederland met 43 habitats van bijlage I, Oostenrijk met 45 habitats van EUNIS-niveau 3, en Zuid-Portugal met 16 habitattypes van EUNIS-niveau 3. Na een validatie aan de hand van nationale referentiegegevens bereikten alle drie de ingedeelde habitatkaarten een nauwkeurigheid die de overeenstemming van de onafhankelijke trainingsdataset (EVA) met de nationale referentiekaarten volgt.
AI/ML-kaarten met geclassificeerde habitats zijn zeer complementair met habitatgeschiktheidslagen (bv. berekening met Maxent). Waar geschiktheidslagen het potentiële bestaan van habitats weergeven, tonen de classificatielagen de feitelijke habitat op een bepaald tijdstip. De combinatie van beide lagen kan rechtstreeks worden gebruikt voor beleid zoals herstelwetgeving, bestuivingsinitiatief, behoud van het natuurlijk kapitaal van Europa.
De volgende stap
De resultaten van deze haalbaarheidsstudie bewijzen het potentieel van de toepassing van volledig geautomatiseerde AI/ML-technieken voor habitatkartering om op een snelle en kostenefficiënte manier Europese wall-2-wall habitatkartering te produceren. Maar we kunnen het hier niet bij laten. Met betere trainingsgegevens (nauwkeurigheid van de geolocatie, steekproefgrootte per habitat en verspreiding) kan het potentieel van het gebruik van AI en Machine Learning voor geautomatiseerde habitatkartering met hoge resolutie verder worden onderzocht door het opnemen van aanvullende voorspellers (bv. vegetatiehoogte met hoge resolutie, andere topografische indicatoren, enz. Enkele verdere experimenten zullen worden uitgevoerd in het kader van het EuropaBON-project H2020.
Het EuropaBON-project wordt gefinancierd door het onderzoeks- en innovatieprogramma Horizon 2020 van de Europese Unie in het kader van subsidieovereenkomst nr. 101003553. Meer informatie is te vinden op europabon.org. De studie werd medegefinancierd door het Europees Milieuagentschap (EMA) en uitgevoerd in samenwerking met Wageningen Environmental Research (WENR). De hierboven weergegeven resultaten zijn voorlopig en geven niet noodzakelijk het standpunt van het EMA weer.
