Het karteren van het stedelijk landschap en zijn groene infrastructuur aan de hand van teledetectie ter ondersteuning van de ruimtelijke analyse van stedelijke ecosysteemdiensten

Verstedelijking vormt één van de grootste uitdagingen voor onze hedendaagse samenleving. Onze steden zijn niet alleen de motors achter de globale klimaatverandering die we vandaag ervaren, maar behoren tegelijk tot de gebieden die het meest te lijden zullen hebben onder deze veranderingen (bvb. via hittegolven, overstromingen en luchtvervuiling). Duurzaam stadsbeheer en –ontwikkeling richt zich daarom op het beperken van zowel de lokale als globale effecten van verstedelijking. In deze context wordt het inzetten van stedelijk groen steeds meer gepromoot, gezien de vele voordelen (of ecosysteemdiensten) die planten kunnen leveren aan onze samenleving. Door deze diensten (of het gebrek daaraan) op een kwantitatieve en ruimtelijk expliciete manier in kaart te brengen, kunnen stadsplanners op een objectieve wijze prioritaire zones afbakenen voor stadsherinrichting of verschillende stedenbouwkundige scenario’s evalueren. Het genereren van dergelijke ecosysteemdienstenkaarten vereist echter gedetailleerde informatie over de stedelijke samenstelling in het algemeen en over het specifieke type, de eigenschappen en de staat van het stedelijk groen in het bijzonder. Hyperspectrale sensoren aan boord van vliegtuigen meten de interactie van zonnestraling met het aardoppervlak in hoge resolutie en maken zo in theorie een gedetailleerde karakterisering van de stedelijke omgeving mogelijk. De ruimtelijke, maar ook spectrale complexiteit van steden belemmeren echter dergelijke gedetailleerde analyses. In dit proefschrift stelden we daarom het concept van datafusie voor ter verbetering van de bestaande technieken. Ons studiegebied beslaat het oostelijk deel van het Brussels Hoofdstedelijk Gewest (België). Voor deze regio beschikken we over hyperspectrale data met een ruimtelijke resolutie van 2 m, gevlogen tijdens de zomer van 2015.

De ruimtelijke complexiteit van steden geeft in het algemeen aanleiding tot gemengde pixels in vliegtuigbeelden. Daarom werden in het verleden reeds verschillende spectrale ontmengingstechnieken voorgesteld, die allen tot doel hebben om de samenstelling van individuele beeldpixels te bepalen.  Multiple Endmember Spectral Mixture Analysis (MESMA) is een van de meest gebruikte technieken en maakt gebruikt van een spectrale bibliotheek (d.w.z. een verzameling van spectra van pure materialen). Ondanks de ontwikkeling van verschillende geautomatiseerde extractiemethoden blijft het bouwen van dergelijke bibliotheken een tijdrovende, maar desalniettemin cruciale klus. In Hoofdstuk 2 stellen we daarom de fusie van bestaande stedelijke spectrale bibliotheken voor als basis voor een alternatieve oplossing. Aangezien de resulterende generieke bibliotheek naar verwachting een groot deel irrelevante spectra bevat met betrekking tot een bepaald beeld, hebben we een geautomatiseerde techniek ontwikkeld (AMUSES) die het mogelijk maakt een bibliotheek te reduceren in functie van een bepaald beeld. Verschillende experimenten op gesimuleerde en echte hyperspectrale beelden bevestigden het potentieel van AMUSES in dit opzicht en toonden bovendien een significante verbetering aan in de daaropvolgende kartering van stedelijk landgebruik. Desondanks werden nog steeds fouten vastgesteld, die kunnen worden toegeschreven aan de grote spectrale gelijkenis tussen verschillende landbedekkingsklassen (bv. dak tegenover bestrating en gras tegenover boom). In Hoofdstuk 3 integreerden we daarom informatie met betrekking tot de fysieke hoogte van objecten, geëxtraheerd uit LiDAR data, in het MESMA-algoritme en slaagden erin om zo de verwarring tussen spectraal gelijkaardige landbedekkingsklassen te verminderen. In het bijzonder werd de hoogteverdeling binnen individuele beeldpixels gebruikt voor de selectie van geschikte spectra en als randvoorwaarde voor landbedekkingsfracties tijdens de ontmenging. Dit resulteerde eveneens in een vermindering van de berekeningstijd met 85 %. Spectrale bandselectie (d.w.z. het gebruik van verschillende spectrale banden voor elke individuele landbedekkingsklasse, ter vergroting van het spectrale onderscheid) beïnvloedde de classificatieresultaten niet, maar verlaagde de rekentijd verder met 50 %. De toegevoegde waarde van de voorgestelde technieken voor de verwerking van beelden met een lagere spectrale en/of ruimtelijke resolutie werd in beide hoofdstukken aangetoond. Gezien de toenemende beschikbaarheid van (hyper-) spectrale data en de daarmee gepaard gaande behoefte aan sterk geautomatiseerde en efficiënte beeldverwerkingsalgoritmes, wordt verwacht dat beide hoofdstukken in hoge mate zullen bijdragen tot de ontwikkeling van een universele beeldverwerkingsketen voor stedelijke landbedekking.

Om het in kaart brengen van de ecosysteemdiensten van stedelijk groen te faciliteren, is in Hoofdstuk 4 een functionele typologie van stedelijk groen opgesteld, bestaande uit 23 verschillende types. Gezien de hoge spectrale en structurele overeenkomsten tussen de voorgestelde types, werd overgeschakeld naar object-gebaseerde beeldanalyse, gecombineerd met een Random Forest classificatie, om de complementariteit tussen hyperspectrale en LiDAR data verder te onderzoeken. Hoogtegegevens en intensiteit afgeleid uit LiDAR data bleken het nuttigst, maar dienden aangevuld te worden met spectrale informatie om goede classificatieresultaten te bekomen op een gedetailleerd thematisch niveau. De kartering van stedelijk groen werd verder belemmerd door schaduw en interferentie met nabijgelegen objecten, wat resulteerde in kappa-waarden kleiner dan 0,5 voor gedetailleerde types struiken en kruidachtige vegetatie. De integratie van fenologische informatie en de toepassing van geavanceerdere segmentatietechnieken werden voorgesteld als mogelijke volgende stappen ter vergroting van het potentieel van teledetectie voor het genereren van gedetailleerde kaarten van stedelijk groen.

In Hoofdstuk 5 van dit onderzoek schatten we de chlorofylconcentratie en de Leaf Area Index (LAI) van stedelijke bomen aan de hand van hyperspectrale en LiDAR data en combineerden we deze gegevens tot een objectieve inschatting van de gezondheid van die bomen. Net zoals in Hoofdstuk 4, bleek interferentie met het onderliggend materiaal de analyse aanzienlijk te compliceren. Bijgevolg werd het traditionele gebruik van spectrale indices voor het bepalen van eigenschappen van vegetatie duidelijk overtroffen door Partial Least Squares regressie. Deze laatste maakt, in tegenstelling tot indices, immers gebruik van het gehele spectrale signaal en leert van lokale kalibratiegegevens. De boomgezondheidsscores bekomen via onze methode bleek goed overeen te stemmen met visuele boombeoordelingsgegevens en effent zo het pad voor verder onderzoek naar de drijfveren van boomgezondheid in de stad. Verder inspanningen dienen nog geleverd te worden richting de vroegtijdige detectie van gezondheidsproblemen bij bomen om het nut van onze methode voor groenbeheerders verder te optimaliseren.

Hoewel het concept van ecosysteemdiensten actief heeft bijgedragen tot het vergroten van het publieke bewustzijn omtrent het belang van stedelijk groen voor het waarborgen van de levenskwaliteit in onze steden, hinkt de implementatie ervan in het domein van stadsplanning achterop. Het onderzoek in dit proefschrift heeft het potentieel van teledetectie, om bij te dragen tot de gedetailleerde beoordeling van stedelijke ecosysteemdiensten, bevestigd en levert als dusdanig overtuigende argumenten voor de verdere ingebruikname van deze veelbelovende technologie. Gezien de grote ruimtelijke en spectrale complexiteit van steden, worden onderzoekers in stedelijke teledetectie sterk aangemoedigd om te blijven zoeken naar complementaire informatie uit zowel nieuwe (bv. sociale media, sensornetwerken) als bestaande gegevensbronnen om de hier voorgestelde methoden verder te optimaliseren.