Pasar al contenido principal

Resultados relacionados

Resultados totales (Incluyendo duplicados): 3
Encontrada(s) 1 página(s)

Investigo. Repositorio Institucional de la Universidade de Vigo
Publicación Contribución de congreso (ConferenceOutput)

Detección de cambios en el uso del suelo en el Corredor Ecológico Río Tea (NO España), Detection of Land Use Change in the River Tea Ecological Corridor (NW Spain)

  • García Ontiyuelo, Mario
  • Acuña Alonso, Carolina
  • Valero Gutiérrez del Olmo, Enrique Maria
  • Álvarez Bermúdez, Xana
Los cambios de uso del suelo y de la cobertura terrestre (LULCC) tienen una fuerte interrelación entre ellos, llegando a alterar los servicios ecosistémicos y contribuir negativamente al cambio climático. El objetivo general de este estudio es analizar diferentes fuentes de información para cuantificar el LULCC en el LIC Río Tea (NO de España) en el periodo 2015-2023. El área de estudio presenta múltiples coberturas con muy baja variabilidad espectral entre ellas y con una gran fragmentación del territorio, lo que dificulta la obtención de altos niveles de precisión. La clasificación de las coberturas del suelo se realizó mediante metodologías de Clasificación por Análisis de Imágenes Basadas en Objetos (OBIA) y Redes Neuronales Artificiales (ANN) a partir de imágenes de las plataformas de satélites multiespectrales Sentinel-2 y Planet Labs (RapidEye y PlanetScope). La precisión en la clasificación de las coberturas terrestres obtenida para los datos de Planet Labs y la metodología OBIA fue de un 80%, mientras que Sentinel-2 proporcionó una precisión de un 70%, empleando la metodología de ANN con los datos de Planet Labs, la precisión se sitúa en torno al 55%. Así pues, los datos utilizados y la metodología seguida influyen en los niveles de precisión obtenidos en las clasificaciones. Por último, se concluye que los datos geoespaciales disponibles son muy útiles para detectar y cuantificar los cambios en la ocupación del suelo. No se detectan grandes cambios en las coberturas terrestres, el principal cambio detectado es una transición de las coberturas vinculadas a los cultivos, las cuales en períodos de barbecho se detectan como suelo desnudo. Se confirma que la metodología utilizada contribuye a la planificación territorial y a la gestión forestal sostenible, facilitando futuras decisiones y planes de acción en la gobernanza de la región, Land use and land cover change (LULCC) is strongly interrelated, altering ecosystem services and contributing negatively to climate change. The overall objective of this study is to analyse different sources of information to quantify LULCC in the Río Tea SCI (NW Spain) in the period 2015-2023. The study area has multiple land covers with very low spectral variability between them and with a high fragmentation of the territory, which makes it difficult to obtain high levels of accuracy. Land cover classification was carried out using Object Based Image Analysis Classification (OBIA) and Artificial Neural Network (ANN) methods based on images from the Sentinel-2 and Planet Labs multispectral satellite platforms (RapidEye and PlanetScope). The accuracy of land cover classification obtained using Planet Labs data and the OBIA method was 80%, while Sentinel-2 gave an accuracy of 70% and the ANN method with Planet Labs data gave an accuracy of around 55%. Thus, the data used and the methodology applied influence the accuracy of the classifications. Finally, it is concluded that the available geospatial data are very useful for detecting and quantifying land cover changes. No major changes in land cover are detected; the main change detected is a transition of land cover associated with crops, which in fallow periods are detected as bare soil. It is confirmed that the methodology used contributes to spatial planning and sustainable forest management, facilitating future decisions and action plans in the governance of the region, Agencia Estatal de Investigación | Ref. TED2021-130241A-I00, Xunta de Galicia | Ref. GPC-ED431B 2022/12
Investigo. Repositorio Institucional de la Universidade de Vigo
Publicación Contribución de congreso (ConferenceOutput)

Integración de datos geoespaciales y machine learning para la evaluación del ecosistema acuático: un estudio en la Demarcación Hidrográfica Galicia-Costa (NO de España), Integration of geospatial data and machine learning for assessment of freshwater ecosystem: a study on the Hydrographical Demarcation Galicia-Costa (NW of Spain)

  • Lago González, Pedro
  • Acuña Alonso, Carolina
  • Valero Gutiérrez del Olmo, Enrique Maria
  • Álvarez Bermúdez, Xana
El estado de la biodiversidad en los ecosistemas de agua dulce es una métrica relevante con relación al nivel de contaminación de estos. En este aspecto, resulta fundamental ser capaces de medir esta biodiversidad, identificar y cuantificar las variables ambientales que influyen en mayor medida al estado del ecosistema. En este estudio se pretende, por un lado, analizar el estado de los ecosistemas de agua dulce de la Demarcación Hidrográfica de Galicia-Costa, evaluando su estado actual y su susceptibilidad a según qué variables; por otro lado, entrenar algoritmos basados en técnicas de machine learning, capaces de predecir el estado de la biodiversidad. Se llevó a cabo tomando el índice biológico METI como variable de calidad del ecosistema, parámetros fisicoquímicos de muestras de agua in situ, métricas paisajísticas para los usos Agrícola, Forestal, Artificial y Agua, parámetros físicos de las cuencas hidrográficas y densidad de población, obtenidos a partir del SIOSE y del Modelo Digital del Terreno. Los factores ambientales más relevantes para el estado de la biodiversidad son mayoritariamente variables de usos del suelo, lo que permite el modelado del METI con poco respaldo de variables fisicoquímicas, lo cual supone una potencial optimización en la detección de cambios en el estado de los ecosistemas acuáticos. Los algoritmos Random Forest (RMSE = 0.55, R2 = 0.82) y Deep learning (RMSE = 0.56, R2 = 0.83) mostraron predicciones aceptables en el área y período de estudio. El desarrollo de herramientas basadas el conjunto de datos geoespaciales y técnicas de machine learning es esencial para la mejora de la planificación integral sostenible de las cuencas hidrográficas, The state of biodiversity in the freshwater ecosystems is a relevant metric regarding their pollution conditions. On this issue, it is fundamental to be able to measure this biodiversity, identify and quantify the environmental variables which influence in the ecosystem state to a greater extent. Thus, this study aims, on one hand, to analyse the state of the freshwater ecosystems of the Hydrographical Demarcation of Galicia-Costa, evaluating their current situation and their susceptibility to other variables. In the other hand, it aims to train machine-learning-based algorithms capable of predicting this parameter. This was carried by taking the biological index METI as the ecosystem quality variable; physicochemical parameters of in-situ water samples; and land-use variables, physical parameters of the basins and population density, provided by the SIOSE and the Digital Terrain Model. The most relevant factors for the state of biodiversity were mainly land-use related variables, which allows modelling the METRI with little support of physicochemical variables. This implies a potential optimisation on the detection of changes in the state of the freshwater ecosystems. The Random Forest (RMSE = 0.55, R2 = 0.82) and Deep Learning (RMSE = 0.56, R2 = 0.83) algorithms showed acceptable predictions within the area and period of study. The development of tools based in the combination of geospatial data and machine-learning-based techniques is essential to improve the integral sustainable planification of the basins, Xunta de Galicia | Ref. ED481B-2023-042, Agencia Estatal de Investigación | Ref. PID2022-138374OA-I00, Agencia Estatal de Investigación | Ref. TED2021-130241A-I00
Investigo. Repositorio Institucional de la Universidade de Vigo
Publicación Contribución de congreso (ConferenceOutput)

Evaluación de la conectividad en la cuenca del Río Lérez usando imágenes satelitales y machine learning

  • Vidal Llamas, Antonio
  • Acuña Alonso, Carolina
  • Álvarez Bermúdez, Xana
La reducción y fragmentación de hábitats es una de las principales causas de pérdida de biodiversidad. Por ello, asegurar la conectividad ecológica, entendida como el movimiento de las especies entre diferentes parches de hábitat, es vital para paliar los efectos negativos de la actividad humana, asegurando el intercambio genético y la colonización de nuevos espacios. Este trabajo tiene por objetivo evaluar la conectividad ecológica en la cuenca del río Lérez (Pontevedra, Galicia, NO España), donde se encuentran tres áreas incluidas en la Red Natura 2000 por la Directiva Hábitats. Se utilizaron imágenes Landsat 8-9 para crear un mapa de cobertura de suelo para los años 2013 y 2023 mediante el método de machine learning Random Forest. Se identificaron parches de hábitat y se generaron mapas de corredores ecológicos y de nodos de conexión entre los diferentes parches. Posteriormente, se calculó la métrica de centralidad de intermediación (BC, por su acrónimo en inglés) junto con otros índices globales de conectividad estructural como el índice Integral de Conectividad (IIC), la Probabilidad de Conectividad (PC) y Conectividad equivalente (EC). Se utilizaron mustélidos como grupo de referencia, los cuales tienen una preferencia de hábitat por el bosque de frondosas. Los resultados mostraron como la superficie del bosque de frondosas se habría visto incrementada. Los patrones espaciales resultaron ser parecidos en ambos casos, sin embargo, los índices PC Y EC mostraron una aparente mejora en 2023 con respecto a 2013 en cuanto a la conectividad del bosque de frondosas. El uso de índices y grafos requiere de una baja cantidad de información previa respecto a modelos de poblaciones y metapoblaciones por lo que constituyen una herramienta potente para la evaluación de la conectividad cuando no se cuenta con información precisa, medios para obtenerla o no se requiere un nivel de detalle tan alto., Agencia Estatal de Investigación | Ref. TED2021-130241A-I00, Xunta de Galicia | Ref. ED481B2023-042, Universidade de Vigo/CISUG