Use of high resolution satellite data to infer marsh zonation in rewilded salt marshes

• Main Author: Vianna, Gabriel Gross
• Publication Date: 2024
• Format: Master thesis
• Language: eng
• Source: Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
• Download full: http://hdl.handle.net/10400.1/27085
• topic: Rewilded salt marshes; Remote sensing; Salt marsh zonation; Seasonal variations; Coastal management; SuperDove

Os sapais são ecossistemas costeiros caracterizados pela vegetação tolerante a salinidade elevada. Estes ecossistemas prestam importantes serviços ecossistémicos, como a proteção costeira, a captura de carbono e o apoio à biodiversidade. No entanto, estes habitats estão ameaçados globalmente devido a atividades humanas e ao aumento do nível do mar. Os governos iniciaram esforços para restaurar ou renaturalizar os sapais. A renaturalização difere da restauração tradicional, pois permite que os processos naturais regenerem os ecossistemas com uma intervenção humana mínima. A renaturalização é normalmente feita através da remoção de diques ou da reintrodução de fluxos naturais de água. Os métodos tradicionais de monitorização da vegetação, tais como levantamentos de campo, são frequentemente trabalhosos, demorados e limitados em extensão espacial. A deteção remota por satélite oferece uma alternativa poderosa para análise e gestão de áreas vegetadas, permitindo a aquisição de dados em grande escala, repetíveis e consistentes. Esta tese tem como objetivo utilizar imagens de satélite de alta resolução para estudar as variações sazonais e a zonação das plantas em dois sapais renaturalizados na zona lagunar da Ria Formosa, costa sul de Portugal. Foram aplicados diversos métodos de classificação supervisionados e não supervisionados, além de assinaturas espectrais para identificar as técnicas mais eficazes na análise destes ecossistemas e nas suas dinâmicas. O estudo focou-se em duas áreas de interesse na Ria Formosa, na costa sul de Portugal, que foram anteriormente utilizadas para aquacultura, posteriormente renaturalizados após o rompimento de diques em Bias (2011) e Olhão (2017). Campanhas de campo foram desenvolvidas para recolher dados em vários setores sobre a vegetação ao longo das quatro estações do ano e sobre as características do sedimento (como o teor de matéria orgânica, tamanho dos grãos e conteúdo de água) ao longo da zonação dos sapais. Os setores foram distribuídos por toda a zonação do sapal, abrangendo o sapal alto, médio e baixo. Além dos setores, áreas cobertas por apenas uma espécie de planta (manchas) também foram analisadas. Imagens de alta resolução da constelação de satélites SuperDove (3m) foram usadas para analisar os dois sapais renaturalizados. Vários tipos de classificação de imagem foram utilizados, incluindo métodos de classificação supervisionada (Random xiv Forest, K-nearest neighbours, KD-tree K-nearest neighbours, Maximum likelihood, e Minimum distance) e de classificação não supervisionada (Expected maximization Cluster e K-means cluster). O objetivo principal das classificações de imagem é encontrar o(s) método(s) de classificação de imagem com melhor desempenho na identificação de espécies vegetais, visando a analise da zonação das plantas nos sapais e variações sazonais. Além das classificações de imagem, foram adquiridas assinaturas espectrais de várias áreas dos sapais renaturalizados, juntamente com a percentagem da cobertura das diferentes espécies de plantas dentro da área analisada e amostras de sedimento. Essa análise visava descobrir a influência da mistura das espécies de plantas e das características do sedimento (como o teor de matéria orgânica, o tamanho dos grãos e o conteúdo de água) na assinatura espectral. Este estudo atingiu com sucesso o seu objetivo de identificar a classificação mais eficaz para analisar variações sazonais e de zonação em sapais renaturalizados, com o Random Forest emergindo como a classificação com melhor desempenho. As metodologias de classificação mais eficazes foram baseadas no Random Forest aplicadas à área total dos sapais (RF-EA e RF-AC-EA). A classificação RF-EA mostrou melhor desempenho para análises sazonais, enquanto RF-AC-EA destacou-se como a mais adequada para análises da zonação das plantas de sapal. Porém, este trabalho não conseguiu encontrar uma ligação precisa entre as variações na mistura de espécies vegetais e as variações na forma da assinatura espectral, apenas encontrando a sua influência geral. A influência do tamanho dos grãos e o conteúdo de água foi observada na assinatura espectral, principalmente nas variações ao longo da zonação das dos sapais. Observou-se que as áreas com maior conteúdo em areia terão assinaturas espectrais com valores de refletância maiores, principalmente nas bandas próximas do infravermelho. Sendo a primeira vez que as imagens de satélite SuperDove foram utilizadas em sapais renaturalizados, as metodologias empregues neste estudo revelaram-se eficazes para análise e potencial monitorização destes ecossistemas. Elas apresentam várias vantagens em comparação com outros métodos, tais como extensas campanhas de trabalho de campo. Primeiro, as classificações de imagens obtidas pelo Random Forest permitiram realizar uma análise sazonal ao longo de um ano com menos de 15 campanhas de campo. A redução do número de campanhas de campo resulta numa diminuição significativa dos custos em programas de monitorização, além de libertar tempo para a análise dos dados. Além disso, o presente estudo mostrou que usando imagens de satélite xv multiespectrais do SuperDove, a classificação de imagens supervisionadas denotou resultados satisfatórios com alta precisão (acima de 50%) e diminuição dos erros. As limitações do estudo incluíram a necessidade de um trabalho de campo estendendo a análise para mais de um ano, para ter uma melhor análise das variações sazonais. Além disso, seria benéfico aumentar o de número de setores por campanha de campo, aumentando o número de dados a serem usados na classificação. O uso de formas mais estáveis de capturar as fotografias do campo, como drones, aumentaria a precisão e reduziria o tempo de edição de fotos. A análise espectral também foi limitada devido à insuficiência de dados; a utilização de imagens hiperespectrais de satélite ou de radiómetros hiperespectrais de campo permitiria obter mais informações a nível espectral. Porém, esses métodos tem a desvantagem de ter um custo elevado. A tese desempenhou um papel essencial no avanço de investigações futuras ao utilizar imagens de satélite SuperDove para identificar os métodos mais eficazes na análise de sapais renaturalizados. A alta resolução de 3m destes satélites provou ser suficiente para criar imagens de classificação altamente precisas. A análise das assinaturas espectrais de diversas misturas de espécies de plantas e as características dos sedimentos podem ser utilizadas como um primeiro passo para futuros esforços de monitorização ambiental mais detalhados e escaláveis. As abordagens deste trabalho estabeleceram as bases para estudos futuros, com o objetivo de refinar técnicas de classificação, otimizar a análise espectral e aplicar esses métodos a uma gama mais ampla de sapais renaturalizados em todo o mundo. Palavras-chave: Sapais renaturalizados, Deteção remota, zoneamento de sapais, variações sazonais, gestão costeira, SuperDove xvi Abstract Salt marshes are vital coastal habitats that provide ecosystem services such as wave and erosion protection and support economic activities like tourism and aquaculture. However, they are declining globally due to rising sea levels and human induced degradation. To address this, governments are developing management plans for rewilding salt marshes, requiring a thorough understanding of their dynamics. With its high spatial and temporal coverage and cost-effectiveness, satellite remote sensing has become a valuable tool for analysing vegetated areas. This study employs high-resolution satellite imagery (3m) from the Planet Labs’ SuperDove constellation to analyse seasonal and zonation variations of plant species in salt marshes. The goal is to identify the methods with the best skill for analysing rewilded salt marshes through remote sensing and to understand how the mixture of salt marsh plants and sediment characteristics influence the spectral signatures in these habitats. Two rewilded salt marshes in the Ria Formosa lagoon on the southern coast of Portugal were analysed, producing classification maps and extracting spectral signatures for each site across the seasons. The most effective classification method was Random Forest (RF), a supervised classification method. RF proved effective in analysing zonation and seasonal variations in both salt marshes. However, the results on the correlation between the mixture of plant species and spectral signatures were not satisfactory due to factors like plant height and age also influencing the reflectance values. The influence of the sediment characteristics, mainly water content and median diameter, was found, particularly in which zonation of the salt marshes had the highest reflectance values. A successful first step was reached by finding the most suitable method to analyse the variations in these areas. However, more in-depth studies are necessary to see the impact of the mixture of plant species on the spectral signature