Quantifying trends in ecosystem extent is essential to understanding the status of ecosystems. Estimates of ecosystem loss are widely used to track progress toward conservation targets, monitor deforestation, and identify ecosystems undergoing rapid change. Satellite remote sensing has become an important source of information for estimating these variables. Despite regular acquisition of satellite data, many studies of change in ecosystem extent use only static snapshots, which ignores considerable amounts of data. This approach limits the ability to explicitly estimate trend uncertainty and significance. Assessing the accuracy of multiple snapshots also requires time-series reference data which is often very costly and sometimes impossible to obtain. We devised a method of estimating trends in ecosystem extent that uses all available Landsat satellite imagery. We used a dense time series of classified maps that explicitly accounted for covariates that affect extent estimates (e.g., time, cloud cover, and seasonality). We applied this approach to the Hukaung Valley Wildlife Sanctuary, Myanmar, where rapid deforestation is greatly affecting the lowland rainforest. We applied a generalized additive mixed model to estimate forest extent from more than 650 Landsat image classifications (1999-2018). Forest extent declined significantly at a rate of 0.274%/year (SE = 0.078). Forest extent declined from 91.70% (SE = 0.02) of the study area in 1999 to 86.52% (SE = 0.02) in 2018. Compared with the snapshot method, our approach improved estimated trends of ecosystem loss by allowing significance testing with confidence intervals and incorporation of nonlinear relationships. Our method can be used to identify significant trends over time, reduces the need for extensive reference data through time, and provides quantitative estimates of uncertainty.
Estimación de los Cambios y Tendencias en la Extensión de los Ecosistemas Mediante Teledetección Satelital de Series Temporales Densas Resumen Las tendencias de cuantificación de la extensión de los ecosistemas es esencial para el entendimiento de su estado. Las estimaciones de pérdidas de los ecosistemas se usan con amplitud para rastrear el progreso hacia los objetivos de conservación, monitorear la deforestación e identificar a los ecosistemas que están experimentando un cambio rápido. La teledetección satelital se ha transformado en una fuente importante de información para la estimación de estas variables. A pesar de la obtención de datos satelitales, muchos estudios sobre el cambio en la extensión de los ecosistemas usan solamente capturas estáticas, lo cual ignora cantidades considerables de datos. Esta estrategia limita la habilidad que se tiene para estimar explícitamente la incertidumbre e importancia de la tendencia. La valoración de la precisión de múltiples capturas también requiere datos de referencia de series temporales, lo cual es muy costoso e imposible de conseguir en algunos casos. Diseñamos un método para estimar las tendencias en la extensión de los ecosistemas que usa todas las imágenes satelitales disponibles en Landsat. Usamos una serie temporal densa de los mapas clasificados que considera explícitamente a las covarianzas que afectan a las estimaciones de la extensión (p.ej.: tiempo, cobertura de nubes y estacionalidad). Aplicamos esta estrategia en el Santuario de Vida Silvestre del Valle de Huakaung en Myanmar, en donde la deforestación acelerada está afectando enormemente a la selva de tierras bajas. Aplicamos también un modelo mixto, aditivo y generalizado para estimar la extensión del bosque a partir de más de 650 clasificaciones de imágenes en Landsat (1999 - 2018). La extensión del bosque declinó significativamente a una tasa de 0.274%/año (SE 0.078). La extensión del bosque declinó del 91.70% (SE 0.02) del área de estudio en 1999 a 86.52% (SE 0.02) en 2018. Si la comparamos con la estrategia de las capturas, nuestra estrategia mejoró las tendencias estimadas de la pérdida del ecosistema al permitir la evaluación de significancia con intervalos de confianza y la incorporación de relaciones no lineales. Nuestro método puede usarse para identificar las tendencias significativas a lo largo del tiempo; también reduce la necesidad de tener datos de referencia extensos a lo largo del tiempo y proporciona estimaciones cuantitativas de la incertidumbre.
量化生态系统范围的变化趋势对于了解生态系统的状况至关重要。对生态系统丧失的估计被广泛用于追踪保护目标的进展、监测森林砍伐情况和确定正在发生快速变化的生态系统, 而卫星遥感已成为估计这些变化的重要信息来源。尽管人们可以定期获得卫星数据, 然而许多关于生态系统范围变化的研究只使用了忽略大量数据的静态快照。这样的方法阻碍了清楚地估计趋势不确定性和显著性。评估多个快照的准确性还需要时间序列参考数据, 但这些数据往往非常昂贵, 有时无法获得。我们设计了一种利用所有可用的 Landsat 陆地卫星图像估算生态系统范围趋势的方法。我们用一个密集的时间序列分类地图, 明确考虑了影响范围估计的协变量 (例如时间、云层覆盖和季节性), 并将其应用于缅甸的胡冈谷野生动物保护区 (Hukaung Valley Wildlife Sanctuary), 当地的快速森林砍伐正在对低地雨林产生极大影响。我们利用广义加性混合模型, 从 650 多种 Landsat 陆地卫星图像分类 (1999-2018 年) 中估计了森林范围。结果显示, 森林面积以每年 0.274% (SE 0.078) 的速率发生了显著下降, 由 1999 年的 91.70% (SE 0.02) 降至 2018 年的 86.52% (SE 0.02) 。与快照法相比, 我们的方法通过引入非线性关系和有置信区间的显著性检验改进了生态系统丧失趋势的估计。该方法可用于确定一段时间内的重大变化趋势, 减少对不同时期的大量参考数据的需求, 并提供对不确定性的定量估计。【翻译: 胡怡思; 审校: 聂永刚】.
Keywords: Landsat time series; Landsat陆地卫星时间序列; Myanmar; bosque; detección de tendencias en la extensión; extent trend detection; forest; incertidumbre; lista roja de ecosistemas; red list of ecosystems; series temporales Landsat; uncertainty; 不确定性; 森林; 生态系统红色名录; 缅甸; 范围趋势检测.
© 2020 Society for Conservation Biology.