Projekts ir uzsākts 2021.gada aprīlī un tiks pabeigts 2022.gada maijā.
Projektu finansē Latvijas vides aizsardzības fonds, ko administrē Valsts reģionālās attīstības aģentūra.
Projekta nr. 1-08/182/2020.
Projekta budžets 53045 EUR.
Projekta Sadarbības iestāde ir Dabas aizsardzības pārvalde.
Projekta mērķis
izveidot tālizpētes datos balstītus ģeotelpisko datu slāņus, kas palīdzētu Dabas aizsardzības pārvaldei veikt aizsargājamo purvu biotopu uzraudzību. Dažādu uzdevumu risināšanā purvu pazīmes un attiecīgi robežas atšķiras. Visbiežāk purvi robežojas ar mežiem, tādēļ šīs robežšķirtnes noteikšana ir īpaši svarīga.
Projekta ietvaros EDI Kosmosa tehnoloģiju laboratorija izveidos divu veidu ģeotelpiskās datnes visai Latvijai:
1. Meža izplatības slāni atbilstoši Meža likumam un Noteikumiem par zemes lietošanas veidu klasifikācijas kārtību un to noteikšanas kritērijiem.
2. Purviem spektrāli raksturīgās zemsedzes slāni.
Šie slāņi ļaus vērst speciālistu uzmanību uz vietām, kur ir redzamas nesakritības speciālistu iezīmētajām robežām ar algoritmiski atrastām robežām. Projektā radītā informācija ļaus precizēt purvu biotopu robežas un vērtēt to kvalitāti.
PurvEO projektā izstrādāta mežu karte visai Latvijai
Projekta “Tālizpēte un mašīnmācīšanās purvu biotopu uzraudzībai” (PurvEO) mērķis ir izveidot tālizpētes datos balstītus ģeotelpisko datu slāņus, kas palīdzētu Dabas aizsardzības pārvaldei veikt aizsargājamo purvu biotopu uzraudzību. Projektu finansē Latvijas vides aizsardzības fonds un īsteno Elektronikas un datorzinātņu institūts. Projekta sadarbības iestāde ir Dabas aizsardzības pārvalde.
Vairāk par projektu iespējams uzzināt: https://www.edi.lv/projects/talizpete-un-masinmacisanas-purvu-biotopu-uzraudzibai-purveo/
Projekta ietvaros risinājām divus apakšuzdevumus. Pirmajā apakšuzdevumā izmantojām Latvijas Ģeotelpiskās informācijas aģentūras LiDAR lāzerskenēšanas datu analīzi, lai noteiktu meža-purva robežu atbisltoši kritējiem Meža likumā un Noteikumos par zemes lietošanas veidu klasifikācijas kārtību un to noteikšanas kritērijiem. Savukārt, otra pieeja balstās uz zemsedzes spektrālo analīzi izmantojot Sentinel 2 satelītattēlus un nevadītās mašīnācīšanās pieeju. Tās rezultāts ir purvu biotopiem spektrāli raksturīgo teritoriju karte visā Latvijā.
LiDAR meža robežu karte
LiDAR ir tālizpētes tehnoloģija, ko izmanto trīsdimensionālo (3D) struktūru kartēšanai. LiDAR skeneris izstaro lāzera impulsus un mēra laiku, kas nepieciešams, lai impulss atstarotos no pētāmā objekta un nonāktu atpakaļ sistēmā. Tā kā gaismas ātrums ir zināms, zinot impulsa atgriešanās laiku, var aprēķināt attālumu no sensora līdz pētāmajiem objektiem un iegūt informāciju par to 3D struktūru. No lidmašīnas veiktas lāzerskenēšanas rezultātā tiek iegūts punktu mākonis, kurā reģistrētas koordinātes punktiem uz Zemes, no kuriem lāzera impulsi ir atstarojušies.
Izmantojot punktu mākoņus, iespējams izveidot atvasināt datu produktus, no kuriem biežāk lietotie ir digitālie reljefa un virsmas modeļi. Reljefa modelis rāda Zemes virsmas 3D struktūru bez objektiem uz tās, tādiem kā ēkas, koki u.c. (skatīt piemēru 1. attēlā), bet virsmas modelis rāda atstarojumus no objektiem. Atņemot no virsmas modeļa reljefa modeli, varam iegūt 3D informāciju tikai par objektiem uz Zemes virsmas bez reljefa ietekmes jeb normalizēto digitālo virsmas modeli (skatīt piemēru 2. attēlā).
Saskaņā ar Meža likumu, mežs ir “ekosistēma visās tās attīstības stadijās, kur galvenais organiskās masas ražotājs ir koki, kuru augstums konkrētajā vietā var sasniegt vismaz piecus metrus un kuru pašreizējā vai potenciālā vainaga projekcija ir vismaz 20 procentu no mežaudzes aizņemtās platības”. Aktivitātes ietvaros tika pētīts, kurus likumā noteiktos, mežu definējošos parametrus, iespējams aprēķināt no normalizētajiem virsmas modeļiem un iekļaut datorizētā datu apstrādes darbplūsmā.
Rezultātā izstrādātā darbplūsma analizē normalizētos virsmas modeļus, kas iegūti, izmantojot Latvijas Ģeotelpiskās informācijas aģentūras atvērtos LiDAR datus, saskaņā ar 6 parametriem:
- mazākais pieļaujamais koku augstums mežaudzē (vismaz 5 vai 7 metri);
- pašreizējā koku vainagu projekcija kvadrātveida laukumā (vismaz 20%);
- kvadrātveida laukuma malas izmērs, kurā tiek rēķināta pašreizējā koku vainagu projekcija;
- mazākais pieļaujamais mežaudzes laukums;
- mazākais pieļaujamais audzes platums;
- lielākais pieļaujamais lauces laukums.
Šie seši parametri ir maināmi un tika aprēķinātas mežu kartes pie dažādām parametru vērtībām. Kartes tika sagatavotas visai Latvijas teritorijai vektordatu formātā (.shp) un ir ērti lietojamas jebkurā ģeogrāfiskās informācijas sistēmā. Piemērs parādīts 3. attēlā.
Spektrāli līdzīgo purvu biotopu karte
Viena no projekta aktivitātēm bija robustas purvu veģetācijas zemsedzes segmentācijas kartes izveide, izmantojot brīvi pieejamos Eiropas Savienības Zemes novērošanas programmas Copernicus Sentinel-2 satelītattēlus. Šie satelītattēli ļauj redzēt zemsedzes atstarojumu 12 spektra joslās, arī ārpus cilvēka redzes diapazona. Sentinel 2 telpiskā izšķirtspēja dažādās spektra joslās ir no 10 līdz 60 metriem uz pikseli. Šāda izšķirtspēja ir piemērota zemes pārseguma tipu, tai skaitā, dažādu purvu biotopu noteikšanai un monitoringam vidējās un lielās teritorijās.
Mašīnmācības darbplūsmā izmantojām divu sezonu (pavasaris un vasara) Sentinel 2 attēlu L1C apstrādes līmeņa bezmākoņu attēlu komplektus. Izstrādājām attēlu atlases un apstrādes darbplūsmu, kas ļāva izvairīties no atmosfēras (t.sk. mākoņu un to ēnu) un veģetācijas fenoloģiskā cikla izmaiņu ietekmes uz klasifikācijas rezultātiem.
Biotopu meklēšanas darbplūsmas pamatu veido daļēji vadītā klasifikācija. Mašīnmācībā dominē 2 galvenās pieejas: vadītā un nevadītā mašīnmācība. Vadītās mašīnmācības algoritmiem nepieciešami kvalitatīvi apmācības dati, kuru iegūšana bieži ir laikietilpīgs un finansiāli dārgs process. Savukārt, nevadītās klasifikācijas algoritmi veic klāsterizāciju, t.i. attēlā meklē līdzīgu pikseļu grupas, pieņemot, ka vizuāli līdzīgi attēla pikseļi atbildīs kādiem konkrētiem zemes pārseguma tipiem, piemēram, noteiktiem purvu biotopiem. Šo līdzīgo grupu zemes pārseguma tipu klasifikācijai ir nepieciešami references/atbalsta dati, taču tie var būt daudz mazāka apjoma un ne tik kvalitatīvi kā vadīto algoritmu gadījumā. Tādēļ projektā izvēlējāmies nevadītās mašīnmācības pieeju.
Kā references datus izmantojām aktuālāko purvu biotopu karti no DAP datubāzes Ozols, kas jau iekļāva nesenā Dabas skaitīšanas projekta rezultātus.
Pētījumu rezultātā no Sentinel-2 datiem 2 sezonās atklājām jaunas teritorijas, kas ir spektrāli līdzīgas aktīviem augstajiem purviem, degradētiem augstajiem purviem un pārejas purviem un slīkšņām. Tāpat atklājām teritorijas, kas ir DAP datos ir klasificētas kā purvu biotopi, taču tās nav spektrāli iederīgas.