DOI: https://doi.org/10.1038/s41893-024-01356-0
تاريخ النشر: 2024-05-15
المؤلف: Martin Brandt وآخرون
الموضوع الرئيسي: استجابات المناخ من حلقات الأشجار
طرق
في هذه الدراسة، تم إنشاء فسيفساء مخصصة على مستوى البلاد باستخدام صور RapidEye لعامي 2010 و2011 (بدقة 5 م) وصور PlanetScope للفترة من 2018 إلى 2022 (بدقة 3 م). تم تدريب نماذج التعلم العميق لاكتشاف الأشجار الفردية غير الحرجية، مما سمح بتتبع مراكز تيجان الأشجار على مر السنين لتقييم التغيرات في أعداد الأشجار. تم حساب مقياس ثقة التغيير لكل شجرة، مع دمج ثقة الكشف على مدى عدة سنوات لت quantifying عدم اليقين. أظهرت التحليلات أنه بينما كانت خرائط 2010/2011 تلتقط بشكل أساسي الأشجار الكبيرة، فإن الخرائط اللاحقة من 2018 فصاعدًا قدمت تمثيلًا مكانيًا أكثر اتساقًا لأشجار الأراضي الزراعية، على الرغم من استبعاد المزارع الكثيفة والأشجار الصغيرة.
أكدت الدراسة على أهمية الصور عالية الجودة وطرق الكشف الموثوقة لمراقبة الأشجار الفردية على مر الزمن. نظرًا لتفاوت جودة الصور من العديد من الأقمار الصناعية، تم تنفيذ عملية تصفية لضمان استخدام الصور الواضحة فقط للتحليل. تختلف طريقة الكشف المطورة عن الأساليب السابقة من خلال استخدام تقنية تعتمد على خريطة الحرارة التي تفصل بكفاءة بين تيجان الأشجار المجاورة ويمكن تدريبها مع تسميات نقطية واسعة. هذه الطريقة قابلة للتطبيق خارج السياق المحدد لأشجار الأراضي الزراعية في الهند، مستفيدة من البيانات المتاحة عالميًا لتسهيل مراقبة الأشجار على نطاق قاري.
نتائج
في هذه الدراسة، قام المؤلفون برسم الأشجار البالغة داخل الأراضي الزراعية بدقة مكانية تتراوح بين 3-5 م، مع التركيز على الأشجار الكبيرة التي تتجاوز أحجام تيجانها 10 م². باستخدام صور الأقمار الصناعية عالية الجودة من RapidEye (2010-2011) وPlanetScope (2018-2022)، قاموا بتدريب نماذج التعلم العميق لاكتشاف وجود الأشجار وتتبع التغيرات على مر الزمن. أشارت النتائج إلى أن حوالي 11 ± 2% من الأشجار ذات الثقة العالية التي تم تحديدها في 2010-2011 لم يتم اكتشافها في الصور اللاحقة من 2018-2022، مع ملاحظات لفقدان كبير في وسط الهند، وخاصة في تلانغانا وماهاراشترا، حيث أفادت بعض المناطق بفقدان يصل إلى 50% من الأشجار الكبيرة.
كشفت التحليلات الإضافية من 2018-2022 أن 5.3 مليون شجرة (2.7 شجرة لكل كيلومتر مربع) تم تصنيفها على أنها اختفت، مع مقياس ثقة التغيير الذي يشير إلى درجة عالية من اليقين بشأن هذه الخسائر. كان متوسط حجم تاج هذه الأشجار 67 م²، مما يشير إلى أن الغالبية كانت ناضجة. سلطت المقابلات مع القرويين المحليين الضوء على أن الانخفاض في أعداد الأشجار كان بشكل أساسي بسبب التغيرات في الممارسات الزراعية، بما في ذلك توسيع حقول الأرز التي يسهلها مصادر المياه الجديدة، بدلاً من العوامل المناخية. تؤكد النتائج على تراجع كبير على المستوى الوطني في أشجار الأراضي الزراعية الناضجة في الهند، مما يثير القلق بشأن الآثار البيئية لمثل هذه الخسائر.
مناقشة
تقدم الدراسة أداة جديدة لمراقبة الأشجار الكبيرة عبر مقاييس شبه قارية، باستخدام طرق التعلم العميق المدربة مع تسميات نقطية لتحسين اكتشاف الأشجار. تتيح هذه الطريقة تحديثات سنوية وتقدم جردًا شاملاً لأشجار الأراضي الزراعية الناضجة، بما في ذلك القدرة على تتبع اختفاء الأشجار مع مقاييس الثقة المرتبطة بها. تشير النتائج إلى تراجع كبير في الأشجار الكبيرة في الأراضي الزراعية في أجزاء من الهند على مدار العقد الماضي، مما يثير القلق بشأن استدامة ممارسات الزراعة الحراجية، التي تعتبر حاسمة للتكيف مع المناخ والتنوع البيولوجي. بينما من المتوقع أن تحدث بعض خسائر الأشجار بسبب ممارسات الإدارة، فإن الاتجاه نحو استبدال أنظمة الزراعة الحراجية بالزراعة المكثفة، مثل حقول الأرز، يشكل تهديدات إضافية للنزاهة البيئية.
تشدد الأبحاث على أنه بينما قد تشير التقارير الرسمية إلى زيادة في تغطية الأشجار، تركز هذه الدراسة على الخسائر الإجمالية ولا تأخذ في الاعتبار المكاسب المحتملة، مما يكشف عن فهم أكثر دقة لديناميات الأشجار. تضمن المنهجية المستخدمة تقييمًا قويًا لتغيرات الأشجار، على الرغم من أنها تعترف بالقيود المتعلقة بجودة الصورة وعدم اليقين في التصنيف. تسلط النتائج الضوء على أهمية الأشجار الكبيرة لصحة النظام البيئي وسبل عيش المجتمع، مما يشير إلى أن فقدان هذه الأشجار المستمر قد يكون له آثار سلبية على المدى الطويل. يمكن أن تستفيد الأبحاث المستقبلية من البيانات الطيفية المجمعة للتحقيق بشكل أكبر في صحة الأشجار ومرونتها في مواجهة تغير المناخ.
DOI: https://doi.org/10.1038/s41893-024-01356-0
Publication Date: 2024-05-15
Author(s): Martin Brandt et al.
Primary Topic: Tree-ring climate responses
Methods
In this study, country-wide custom mosaics were generated using RapidEye imagery for 2010 and 2011 (5 m resolution) and PlanetScope imagery for 2018-2022 (3 m resolution). Deep-learning models were trained to detect individual non-forest trees, allowing for the tracking of tree crown centers over the years to assess changes in tree populations. A change confidence metric was calculated for each tree, incorporating multi-year detection confidence to quantify uncertainty. The analysis revealed that while the 2010/2011 maps primarily captured larger trees, the subsequent maps from 2018 onward provided a more consistent spatial representation of farmland trees, albeit excluding dense plantations and smaller trees.
The study emphasized the importance of high-quality imagery and reliable detection methods for monitoring individual trees over time. Due to the variability in image quality from numerous satellites, a filtering process was implemented to ensure only sharp images were used for analysis. The detection method developed diverges from previous approaches by employing a heatmap-based technique that efficiently separates adjacent tree crowns and can be trained with extensive point labels. This method is applicable beyond the specific context of farmland trees in India, leveraging globally available data to facilitate tree monitoring at a continental scale.
Results
In this study, the authors mapped adult trees within farmlands at a spatial resolution of 3-5 m, focusing on larger trees with crown sizes exceeding 10 m². Utilizing high-quality satellite imagery from RapidEye (2010-2011) and PlanetScope (2018-2022), they trained deep-learning models to detect tree presence and track changes over time. The results indicated that approximately 11 ± 2% of high-confidence trees identified in 2010-2011 were not detected in subsequent images from 2018-2022, with significant losses observed in central India, particularly in Telangana and Maharashtra, where some areas reported up to 50% loss of large trees.
Further analysis from 2018-2022 revealed that 5.3 million trees (2.7 trees per square kilometer) were classified as disappeared, with a change confidence metric indicating a high certainty of these losses. The average crown size of these trees was 67 m², suggesting that the majority were mature. Interviews with local villagers highlighted that the reduction in tree populations was primarily due to changes in agricultural practices, including the expansion of paddy fields facilitated by new water sources, rather than climatic factors. The findings underscore a significant national-scale decline in mature farmland trees in India, raising concerns about the ecological implications of such losses.
Discussion
The study presents a novel tool for monitoring large trees across sub-continental scales, utilizing deep learning methods trained with point labels to optimize tree detection. This approach allows for annual updates and offers a comprehensive inventory of mature farmland trees, including the ability to track tree disappearances with associated confidence metrics. The findings indicate a significant decline in large farmland trees in parts of India over the past decade, raising concerns about the sustainability of agroforestry practices, which are critical for climate adaptation and biodiversity. While some tree losses are expected due to management practices, the trend of replacing agroforestry systems with intensified agriculture, such as paddy fields, poses additional threats to ecological integrity.
The research emphasizes that while official reports may indicate an increase in tree cover, this study focuses on gross losses and does not account for potential gains, thus revealing a more nuanced understanding of tree dynamics. The methodology employed ensures a robust assessment of tree changes, although it acknowledges limitations related to image quality and classification uncertainties. The results highlight the importance of large trees for ecosystem health and community livelihoods, suggesting that the ongoing loss of these trees could have long-term detrimental effects. Future research could leverage the spectral data collected to further investigate tree health and resilience in the face of climate change.