פיתוח כלי יישומי למיפוי שנתי של אחוזי כיסוי צומח ים-תיכוני באמצעות חישה מרחוק

נעם לוין1, יעל מוזס2, עדו אונטרמן2, איל פידל1, אמיר פרלברג3, אורי רמון3, אחיעד שדה3, רונה וינטר-ליבנה3, קרן גולדברג3, גודלי יורקוביץ3

1 האוניברסיטה העברית בירושלים
2 אוניברסיטת רייכמן
3 מכון דש"א, מוזיאון הטבע, אוניברסיטת תל אביב

קק"ל מנהלת יותר ממיליון דונם של יערות ברחבי הארץ, והסקר היערני הינו אחד הכלים המרכזיים שלה לתכנון, ניהול וממשק שלהם. אחד החסרונות בבסיס הנתונים היערני של הקק"ל הוא העלות הגבוהה בזמן ובכוח אדם שנדרשים למיפוי ואפיון היערות מהקרקע, והתוצאה היא שסקירת כל היערות נמשכת עשר שנים לכל הפחות. במחקר הנוכחי פיתחנו יישומיים לאיסוף מדדים כמותיים עבור סקרים יערניים באמצעות נתוני חישה מרחוק זמינים וחינמיים, סגמנטציה אוטומטית לפוליגונים וכלים של אופטימיזציה למיון מבוקר.

במסגרת המחקר פיתחנו שיטה למיפוי אחוז הכיסוי היחסי של קטגוריות צומח נבחרות (עצים מחטניים, עצים רחבי-עלים, בתה, צומח עשבוני וקרקע חשופה), מתוך סדרות זמן של הלוויין האירופאי Sentinel 2. המיפוי נעשה בשיטה של Linear unmixing, כאשר בכל שנה חושב אחוז הכיסוי היחסי של כל קטגוריה בכל פיקסל עבור כל הארץ. על מנת לבחון את הצלחת המיפוי ערכנו גם ולידציה פנימית: עד כמה היה המיפוי עקבי בין השנים השונות (2017, 2018, 2019, 2020 ו-2021), וגם ולידציה חיצונית: עד כמה תאם המיפוי המבוסס על חישה מרחוק למיפויים קיימים אחרים. מצאנו שברוב היערות עקביות המיפוי הייתה גבוהה, ומצאנו קורלציה טובה  בין אחוז כיסוי העצים מנתוני הלוויין לאומדני השדה. תוצרי המיפוי הונגשו דרך אתר Google Earth Engine המאפשר לבצע ויזואליזציה, תישאול והורדה של השכבות השונות לאזורים נבחרים. השכבות של אחוזי כיסוי קטגוריות הצומח שימשו אותנו בהמשך לביצוע סגמנטציה של פוליגונים אותה הפעלנו על כל הארץ, וביצענו השוואה של הפוליגונים שהתקבלו לעומדי היער של הקק"ל. כמו-כן חילצנו לכל עומדי היער של הקק"ל ולסגמנטים את מאפייני אחוזי הכיסוי שלהם בקטגוריות הצומח השונות, והתחלנו לבחון אפשרויות של למידת מכונה לצורך סיווג של הפוליגונים לקטגוריות צומח כלליות יותר. במסגרת ההרצאה אתמקד בהצגת האתר שבנינו להנגשת המיפוי ואציג כמה יישומים שימושיים של הכלי.