Spatial characterization of woody species diversity in tropical savannas using gedi and optical data

Abstract

Resumo: O desenvolvimento da capacidade de monitorizar a diversidade de espécies, em todo o mundo, é de grande importância para travar a perda de biodiversidade. Para este fim, a detecção remota desempenha um papel único. Neste estudo, avaliamos o potencial dos dados de Global Ecosystem Dynamics Investigation (GEDI) combinados com imagens ópticas de satélite convencionais e dados de reanálise climática para prever a diversidade alfa in situ (riqueza de espécies, índice de Simpson e índice de Shannon-Wiener) de espécies arbóreas. A integração de dados auxiliares pode melhorar as previsões de métricas de biodiversidade no cerrado (savana tropical brasileira). Dados de imagens ópticas do satélite Sentinel-2, dados climáticos do ERA 5, imagens SRTM-DEM e dados GEDI simulados foram selecionados para a caracterização da diversidade em nossas quatro áreas de estudo. No total, 50 parcelas de 900m² foram mensuradas em campo para calibrar modelos de regressão de floresta aleatória (RF) com o objetivo de estimar índices de diversidade de espécies arbóreas a partir de variáveis de sensoriamento remoto. Selecionamos previamente variáveis de cada conjunto de dados para compor os modelos de índices de diversidade. Para tal, as seguintes variáveis foram selecionadas: GEDI (RH98 + FHD + PAI + COV); Sentinel-2 (NDVI + SR + SAVI + RDVI + EVI); SRTM (Slope + Aspect + Elevation) e ERA-5 (Temperature + Precipitation). Na plataforma Google Earth Engine (GEE), processamos as variáveis de sensoriamento remoto com exceção dos dados GEDI que foram simulados no R Studio. Em seguida integramos todas as variáveis nos footprints dos dados GEDI para aplicar os modelos desenvolvidos para toda a cobertura do bioma Cerrado e assim obtermos a caracterização espacial de cada índice. Por fim, aplicamos uma análise de incerteza nos dados estimados. Modelos de regressão de floresta aleatória (RF) foram adequados para estimar índices de diversidade de espécies arbóreas a partir de variáveis de sensoriamento remoto. A partir desses modelos, geramos mapas de índice de diversidade para todo o cerrado utilizando todos os dados do GEDI disponíveis em órbita. Para todos os modelos, a diversidade métrica estrutural da altura da folhagem (FHD) foi selecionada, e o índice de vegetação por diferença renormalizada (RDVI) também foi selecionado em todos os modelos de diversidade de espécies. Para o modelo de Shannon foram selecionadas duas variáveis GEDI. No geral, os modelos tiveram desempenho para diversidade de espécies variando de (r²= 0,24 a 0,56). Em termos de RMSE%, o modelo de Shannon apresentou o menor valor entre os índices de diversidade (31,98%). Nossos resultados sugerem que os modelos desenvolvidos são ferramentas valiosas para avaliar a diversidade de espécies em ecossistemas de savana tropical, embora cada modelo possa ser escolhido com base nos objetivos de um determinado estudo, na quantidade alvo de desempenho/erro e na disponibilidade de dados. Além disso, a contribuição dos produtos desenvolvidos pode servir principalmente para fomentar políticas públicas no sentido de buscar a proteção dos recursos naturais do bioma em questão

Abstract: Developing the capacity to monitor species diversity worldwide is of great importance to halt biodiversity loss. To this end, remote sensing plays a unique role. In this study, we evaluate the potential of Global Ecosystem Dynamics Investigation (GEDI) data combined with conventional satellite optical imagery, and climate reanalysis data to predict in situ alpha-diversity (Species richness, Simpson index, and Shannon–Wiener index) of tree species. The integration of ancillary data can improve biodiversity metrics predictions in Cerrado (Brazilian Tropical Savanna). Data from Sentinel-2 optical imagery, ERA-5 climate data, SRTM-DEM imagery, and simulated GEDI data were selected for the characterization of diversity in our four study areas. In total, 50 plots of 900m² were measured in the field to calibrate random forest (RF) regression models with the objective of estimating tree species diversity indices based on remote sensing variables. We previously selected variables from each data set to compose the diversity index models. To this end, the following variables were selected: GEDI (RH98 + DHF + PAI + COV); Sentinel-2 (NDVI + SR + SAVI + RDVI + EVI); SRTM (Slope + Aspect + Elevation) and ERA-5 (Temperature + Precipitation). On the Google Earth Engine (GEE) platform, we processed the remote sensing variables except for the GEDI data that were simulated in R Studio. Then we integrated all variables into the GEDI data footprints to apply the models developed to the entire biome and thus obtain the spatial characterization of each index. Finally, we apply an uncertainty analysis to the estimated data. Random Forest (RF) regression models were suitable for estimating tree species diversity indices from remote sensing variables. From these models, we generated diversity index maps for the entire Cerrado using all GEDI data available in orbit. For all models, the structural metric Foliage Height Diversity (FHD) was selected, and the Renormalized Difference Vegetation Index (RDVI) was also selected in all species diversity models. For Shannon's model, two GEDI variables were selected. Overall, the models had performance for species diversity ranging from (R²= 0.24 to 0.56). In terms of RMSE%, the Shannon model had the lowest value among the diversity indices (31.98%). Our results suggested that the developed models are valuable tools for assessing species diversity in tropical savanna ecosystems, although each model can be chosen based on the objectives of a given study, the target amount of performance/error, and the availability of data. Furthermore, the contribution of the products developed can serve mainly to promote public policies to seek the protection of natural resources in the biome