Zastosowanie teledetekcji i technik uczenia maszynowego do detekcji występowania nawłoci (Solidago spp.) w zmiennych warunkach meteorologicznych

dc.abstract.en	The expansion of invasive alien plant species, such as Canadian goldenrod (Solidago canadensis L.) and giant goldenrod (Solidago gigantea Aiton), poses a significant threat to biodiversity. In Central Europe, these species aggressively colonize transportation corridors, agricultural land, urban areas, and industrial sites. They displace native vegetation through the release of allelopathic compounds and disruption of mycorrhizal associations, thereby altering soil chemical properties. Furthermore, they adversely affect the functioning of insect communities and pollinators. The aim of this study is to develop a framework for monitoring the spread of invasive goldenrods across Poland, Slovenia, and Croatia using Sentinel-2 satellite imagery, machine learning algorithms, and ecological niche modelling. The study further projects the niche model under future climate scenarios to assess the potential expansion of the invasion. The analyses are based on multi-temporal Sentinel-2 imagery acquired during the 2023 growing season. Field-collected reference polygons were used to train and validate the Random Forest (RF) and Support Vector Machine (SVM) classification algorithms. To assess the stability of the spectral characteristics of the analyzed reference patterns (ranging from early invasion stages to homogeneous goldenrod stands) and the robustness of the predictive models, a Monte Carlo validation approach was employed. This procedure involved randomly selecting different combinations of reference samples for training and repeating the modelling process 100 times. The analyses were further enhanced by incorporating topographic variables and remotely sensed vegetation indices. Ecological niche modelling was performed using the Maximum Entropy (MaxEnt) algorithm based on bioclimatic variables. Future projections were generated using CMIP6 climate model scenarios extending to the year 2100. The results demonstrate the high potential of Sentinel-2 imagery for invasive goldenrod detection. The highest classification performance was achieved in the Slovenian study area, where the F1-score exceeded 0.95. Across all study areas, the best model iterations achieved F1-scores above 0.91, with the RF algorithm outperforming SVM in three of the five analyzed regions. Ecological niche modelling indicated a northward expansion of climatically suitable habitats for invasive goldenrods, with the greatest projected range expansion occurring during the 2041–2060 time horizon.
dc.abstract.pl	Ekspansja inwazyjnych gatunków obcych, takich jak nawłoć kanadyjska (Solidago canadensis L.) i nawłoć późna (Solidago gigantea Aiton), stanowi poważne zagrożenie dla bioróżnorodności. W Europie Środkowej gatunki te agresywnie kolonizują korytarze transportowe, grunty rolne, obszary miejskie i przemysłowe. Rośliny te wypierają rodzimą florę poprzez uwalnianie związków allelopatycznych i zakłócanie mikoryzy zmieniając skład chemiczny gleby. Ponadto, mają negatywny wpływ na funkcjonowanie owadów i zapylaczy. Celem niniejszej pracy jest opracowanie metody monitorowania rozprzestrzeniania się nawłoci w Polsce, Słowenii i Chorwacji z wykorzystaniem danych satelitarnych Sentinel-2, algorytmów uczenia maszynowego oraz modelowania niszy klimatycznej. Badanie obejmuje przeniesienie modelu niszy na przyszłe scenariusze klimatyczne w celu oceny potencjalnej ekspansji inwazji. Analizy bazują na wieloczasowych zobrazowaniach z okresu wegetacyjnego 2023 roku. Do trenowania i walidacji algorytmów Random Forest (RF) i Support Vector Machine (SVM) wykorzystano zebrane w terenie poligony referencyjne. Aby ocenić stabilność cech spektralnych analizowanych wzorców (od początku inwazji, aż po homogeniczne płaty nawłoci) i modeli predykcji, zastosowano metodę walidacji Monte Carlo polegającą na losowym doborze różnych kombinacji wzorców do treningu i 100 krotnemu powtórzeniu procedury. Analizę wzbogacono o wykorzystanie cech topograficznych i teledetekcyjnych wskaźników roślinności. Modelowanie nisz klimatycznych przeprowadzono z wykorzystaniem algorytmu Maximum Entropy (MaxEnt) opartego na danych bioklimatycznych. Prognozy opracowano na podstawie modeli klimatycznych CMIP6 do 2100 roku. Wyniki wskazują na wysoki potencjał danych Sentinel-2, gdyż najwyższą skuteczność odnotowano dla obszaru badawczego w Słowenii, gdzie wartość dokładności F1-score przekroczyła 0,95. We wszystkich analizowanych obszarach najlepsze iteracje modeli osiągnęły dokładność przekraczającą 0,91; przy czym algorytm RF uzyskał lepsze wyniki niż SVM w trzech z pięciu analizowanych obszarów. Wyniki modelowania niszy klimatycznej wskazały na progresję potencjalnego zasięgu inwazji nawłoci w kierunku północnym, z prognozowanym maksimum ekspansji w horyzoncie czasowym 2041–2060.
dc.affiliation	Uniwersytet Warszawski
dc.affiliation.department	Wydział Geografii i Studiów Regionalnych
dc.contributor.author	Zając, Oliwier
dc.contributor.promoter	Zagajewski, Bogdan
dc.contributor.promoter	Somorowska, Urszula
dc.contributor.reviewer	Raczko, Edwin
dc.contributor.reviewer	Somorowska, Urszula
dc.contributor.reviewer	Zagajewski, Bogdan
dc.date.defence	2026-07-29
dc.date.issued	2026
dc.date.submitted	2026-07-19
dc.identifier.apd	254314
dc.language	pl
dc.language.other	en
dc.publisher	Uniwersytet Warszawski
dc.rights	ClosedAccess
dc.subject.en	Invasive species
dc.subject.en	Sentinel-2
dc.subject.en	Random Forest
dc.subject.en	Support Vector Machine
dc.subject.en	climatic niche
dc.subject.pl	Gatunki inwazyjne
dc.subject.pl	Sentinel-2
dc.subject.pl	Random Forest
dc.subject.pl	Support Vector Machine
dc.subject.pl	nisza klimatyczna
dc.title	Zastosowanie teledetekcji i technik uczenia maszynowego do detekcji występowania nawłoci (Solidago spp.) w zmiennych warunkach meteorologicznych
dc.title.alternative	Application of remote sensing and machine learning techniques for detection of goldenrod (Solidago spp.) under changing meteorological conditions
dc.type	MasterThesis