Identyfikacja muraw kserotermicznych z wykorzystaniem danych teledetekcyjnych

Celem pracy była identyfikacja siedlisk muraw kserotermicznych na wybranych obszarach Natura 2000 w województwie świętokrzyskim, z wykorzystaniem danych Sentinel-2 oraz numerycznego modelu terenu (NMT). Analiza opierała się na wieloczasowych mozaikach zobrazowań Sentinel-2 z 2018 roku (kwiecień-wrzesień). Obliczono dziewięć wskaźników spektralnych i przeprowadzono transformację PCA. Zestaw danych uzupełniono o wskaźniki topograficzne. Klasyfikację przeprowadzono dwuetapowo: najpierw wyodrębniono siedliska trawiaste, następnie w ich obrębie zidentyfikowano murawy kserotermiczne. W obu etapach zastosowano algorytm Random Forest do przeprowadzenia 50-krotnej klasyfikacji iteracyjnej, a następnie wybrano po 10 modeli o najwyższej wartości F1, która odzwierciedla dokładność klasyfikacji, bazując na wartościach dokładności użytkownika (UA) i producenta (PA). Mediana dokładności klasyfikacji siedlisk trawiastych wyniosła 92%. Wyniki identyfikacji muraw kserotermicznych wykazały tendencję do przeszacowania: PA mieściła się w zakresie 90-96%, a UA 82-95%. Zastosowanie progu prawdopodobieństwa (65%) i zmodyfikowanego filtra medianowego pozwoliło zredukować ten efekt – UA wzrosło do 97,5-99,2%, a PA spadło do 75-88%. Analiza istotności zmiennych wykazała kluczową rolę wskaźników topograficznych i spektralnych (Normalized Difference Moisture Index, NDMI; Red-Edge Position Linear Interpolation, REP; Green Normalized Difference Vegetation Index, GNDVI), a także kanałów z zakresu bliskiej i krótkofalowej podczerwieni. Przeanalizowano charakterystykę muraw kserotermicznych na podstawie wykorzystanych danych teledetekcyjnych, bazując na cechach topograficznych i spektralnych w ujęciu przestrzennym. Zastosowana metodyka okazała się skuteczna w skali regionalnej i może wspierać działania w zakresie monitoringu siedlisk Natura 2000.

The aim of the study was to identify xerothermic grassland habitats within selected Natura 2000 sites in the Świętokrzyskie Voivodeship based on Sentinel-2 data and a digital elevation model (DEM). The analysis was based on multi-temporal mosaics of Sentinel-2 imagery from 2018 (April to September). Nine spectral indices were calculated, and a Principal Component Analysis (PCA) was performed. The dataset was supplemented with topographic indices. The classification was conducted in two stages: first, grassland habitats were delineated, and then xerothermic grasslands were identified within them. In both stages, the Random Forest algorithm was used for 50-fold iterative classification. The 10 models with the highest F1 scores—reflecting classification accuracy based on user accuracy (UA) and producer accuracy (PA)—were selected. The median classification accuracy for grassland habitats was 92%. The identification results for xerothermic grasslands showed a tendency to overestimate: PA ranged from 90% to 96%, and UA from 82% to 95%. Applying a probability threshold (65%) and a modified median filter helped reduce this effect—UA increased to 97.5–99.2%, while PA decreased to 75–88%. Variable importance analysis indicated the key role of topographic and spectral indices (Normalized Difference Moisture Index [NDMI], Red-Edge Position via Linear Interpolation [REP], and Green Normalized Difference Vegetation Index [GNDVI]), as well as bands from the near- and shortwave-infrared range. The spatial characteristics of xerothermic grasslands were analyzed using the applied remote sensing data, focusing on their topographic and spectral properties. The adopted methodology proved effective at a regional scale and may support habitat monitoring efforts within the Natura 2000 network.