Un método optimizado de parámetros para el modelo InVEST a escala sub-píxel integrando un algoritmo de aprendizaje automático y el modelo de vegetación-superficie impermeable-suelo
Autores: Wu, Linlin; Fan, Fenglei
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Servicios
Modelo
Uso del suelo
Sub-InVEST
Ecosistema
Espacial
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 3
Citaciones: Sin citaciones
El modelo InVEST, con su capacidad para realizar visualización y cuantificación espacial, es una herramienta importante para mapear los servicios ecosistémicos. Sin embargo, la precisión espacial y el rendimiento de simulación del modelo están profundamente influenciados por el parámetro de uso del suelo, que a menudo depende de la precisión de los datos de uso/cobertura del suelo. Para abordar este problema, proponemos un método novedoso para optimizar el parámetro de uso del suelo del modelo InVEST basado en el modelo de vegetación-superficie impermeable-suelo (V-I-S) y un algoritmo de aprendizaje automático. El modelo optimizado se llama Sub-InVEST, y mejora el rendimiento de la evaluación de los servicios ecosistémicos a una escala sub-píxel. Los pasos conceptuales son (i) extraer la fracción V-I-S de imágenes de teledetección basadas en el método de desmezcla espectral; (ii) determinar la relación de mapeo de la fracción V-I-S entre los tipos de uso/cobertura del suelo utilizando un algoritmo de aprendizaje automático y datos de observación de campo; (iii) introducir la fracción V-I-S en el modelo original en lugar del parámetro de uso/cobertura del suelo del modelo InVEST. Para evaluar el rendimiento y la precisión espacial del modelo Sub-InVEST, empleamos el módulo de calidad del hábitat de InVEST y datos de teledetección de múltiples fuentes, que se aplicaron para adquirir Sub-InVEST y estimar la calidad del hábitat de la ciudad central de Guangzhou desde 2000 hasta 2020 con la ayuda de los métodos LSMA e ISODATA. Los resultados experimentales mostraron que el modelo Sub-InVEST es robusto en la evaluación de los servicios ecosistémicos en conjuntos de escenas terrestres complejas. La distribución espacial de la calidad del hábitat de ambos modelos reveló una tendencia creciente consistente de suroeste a noreste. Mientras tanto, los análisis de regresión lineal observaron una correlación robusta y tendencias lineales consistentes, con valores de R2 de 0.41, 0.35, 0.42, 0.39 y 0.47 para los años 2000, 2005, 2010, 2015 y 2020, respectivamente. En comparación con el modelo original, Sub-InVEST tuvo un rendimiento más favorable en la estimación de la calidad del hábitat en el centro de Guangzhou. Las representaciones espaciales y la distribución numérica de los resultados del modelo Sub-InVEST manifiestan mayor detalle y mejor concordancia con las imágenes de teledetección y muestran una curva de densidad más continua y una distribución de probabilidad sustancialmente mejorada a través de rangos de intervalos.
Descripción
El modelo InVEST, con su capacidad para realizar visualización y cuantificación espacial, es una herramienta importante para mapear los servicios ecosistémicos. Sin embargo, la precisión espacial y el rendimiento de simulación del modelo están profundamente influenciados por el parámetro de uso del suelo, que a menudo depende de la precisión de los datos de uso/cobertura del suelo. Para abordar este problema, proponemos un método novedoso para optimizar el parámetro de uso del suelo del modelo InVEST basado en el modelo de vegetación-superficie impermeable-suelo (V-I-S) y un algoritmo de aprendizaje automático. El modelo optimizado se llama Sub-InVEST, y mejora el rendimiento de la evaluación de los servicios ecosistémicos a una escala sub-píxel. Los pasos conceptuales son (i) extraer la fracción V-I-S de imágenes de teledetección basadas en el método de desmezcla espectral; (ii) determinar la relación de mapeo de la fracción V-I-S entre los tipos de uso/cobertura del suelo utilizando un algoritmo de aprendizaje automático y datos de observación de campo; (iii) introducir la fracción V-I-S en el modelo original en lugar del parámetro de uso/cobertura del suelo del modelo InVEST. Para evaluar el rendimiento y la precisión espacial del modelo Sub-InVEST, empleamos el módulo de calidad del hábitat de InVEST y datos de teledetección de múltiples fuentes, que se aplicaron para adquirir Sub-InVEST y estimar la calidad del hábitat de la ciudad central de Guangzhou desde 2000 hasta 2020 con la ayuda de los métodos LSMA e ISODATA. Los resultados experimentales mostraron que el modelo Sub-InVEST es robusto en la evaluación de los servicios ecosistémicos en conjuntos de escenas terrestres complejas. La distribución espacial de la calidad del hábitat de ambos modelos reveló una tendencia creciente consistente de suroeste a noreste. Mientras tanto, los análisis de regresión lineal observaron una correlación robusta y tendencias lineales consistentes, con valores de R2 de 0.41, 0.35, 0.42, 0.39 y 0.47 para los años 2000, 2005, 2010, 2015 y 2020, respectivamente. En comparación con el modelo original, Sub-InVEST tuvo un rendimiento más favorable en la estimación de la calidad del hábitat en el centro de Guangzhou. Las representaciones espaciales y la distribución numérica de los resultados del modelo Sub-InVEST manifiestan mayor detalle y mejor concordancia con las imágenes de teledetección y muestran una curva de densidad más continua y una distribución de probabilidad sustancialmente mejorada a través de rangos de intervalos.