Monitorování sezonality a vlivu El Niño na zaplavené oblasti mokřadů Coronie a Nani pomocí radarových dat v pásmu L

Abstract

Dálkový průzkum Země představuje nedílnou součást mapování obtížně přístupných území, jako je například Amazonie. Pro mapování mokřadů jsou zvláště vhodná radarová data, a to díky schopnosti vln v pásmu "L" penetrovat koruny stromů. Tuto vlastnost lze využít při klasifikaci krajinného pokryvu, jak ukazuje i tato práce využívající data ALOS-2 PALSAR-2 pro mapování vlivu jevu El Niño na mokřady Coronie a Nani mezi lety 2020-2024. Tyto mokřady se nacházejí v severozápadní části Surinamu, tedy na severním okraji Amazonie. Vedle toho si práce klade za cíl také prozkoumat metody vhodné pro snímání hydrologického cyklu. V této práci byl použit klasifikátor Random Forest k určení třech tříd krajinného pokryvu (zaplavená vegetace, otevřená vodní hladina, nezaplavená vegetace) a následné tvorbě časové série. Celková přesnost klasifikace byla (při porovnání s in-situ daty) 56,3 %, zatímco při vizuálním porovnání s optickými snímky činila 69,6 %. Výsledně byly viditelné změny rozsahu zaplavení v rámci celého území, přičemž během období ovlivněných jevem El Niño byl rozsah zaplavených ploch výrazně menší. Tato práce může pomoci při odhadu množství uhlíku v oblasti nebo může posloužit jako základ dalších prací v této oblasti. Klíčová slova: dálkový průzkum Země, ALOS-2, mokřady, El Niño, Random Forest, Surinam

Remote sensing is one of the key components of mapping highly inaccessible areas, such as the Amazon region. Due to the ability to penetrate tree canopies, radar data in L-band are a very useful tool for mapping wetlands. This feature can be utilized in land cover classification, as shown by this work, which focuses on the use of ALOS-2 PALSAR-2 data to map the impact of El Niño on the Coronie and Nani wetlands between 2020-2024. These wetlands are located in Suriname, particularly in the northernmost part of the Amazon region. In addition, another goal of this work is to explore alternative methods applicable to hydrological cycle monitoring. This work utilises Random Forest classifier to determine three land cover classes (flooded vegetation, open water, non flooded vegetation) and to create a time series. The overall accuracy compared with in-situ data reached 56.3%, while visual comparison with optical data resulted in accuracy of 69.6%. Nevertheless, it was possible to observe the changes in the flood extent across the whole mapped region. The flood extent was significantly lower during time period influenced by El Niño. This work can help estimate carbon stocks in this area and can be used as a basis for future studies in this region. Keywords: Remote sensing, ALOS-2, wetlands, El Niño,...