Using remote sensing to map tree species distributions and floristic patterns of trees in Peruvian Amazonia at different extents

Abstract

Amazonia, the largest and most diverse tropical forest in the world, continues facing pressures and losing forest cover while vast areas remain biologically poorly known. Knowing where a species occurs, and the distribution of biologically unique areas is key in conservation and natural resource management. Collecting biological information is a basic requirement for determining such biologically important areas but it is time-consuming and expensive, especially in tropical and remote areas such as Peruvian Amazonia. Many forest institutions and forestry companies have already collected systematic tree data in Peruvian Amazonia, covering large and even remote areas. Also, remote sensing provides continuous information that is useful for biodiversity assessments over large extents. Therefore, combining existing field data on trees with available remote sensing and environmental layers would allow predicting spatial biodiversity patterns in large areas, even where field data is still missing. Here, I use forest inventory and census data from the Peruvian Amazon together with Landsat-derived predictors (such as optical bands from Landsat TM/ETM+ and vegetation indices) and other environmental layers (e.g., elevation) to model the distribution of trees at local extents (2,500–6,000 km2) and to predict floristic patterns of trees at broader extents (40,000–800,000 km2). At local extents, where relevant environmental layers are often not available, I found that the average reflectance values of Landsat imagery and elevation are important variables for predicting the distribution of tree species. At broader extents, floristic patterns of trees were mainly correlated with the reflectance values derived from Landsat imagery but also with climate layers. This enabled producing a predictive map of the main floristic gradients of trees throughout Peruvian Amazonia. Since taxonomic inaccuracies might exist in forestry data, it is important to assess data consistency when using it for ecological studies. Here, I found that using the entire tree inventory data set and analyzing it at the genus level yielded more congruent floristic patterns than analyses using only those tree stems that were identified to the species level. The combination of forest inventory and census data with available remote sensing and environmental layers offers an efficient way of mapping continuous biodiversity patterns, such as tree species distributions and tree community composition, in still poorly known regions such as Peruvian Amazonia. Mapping tree species distributions and floristic patterns of trees at different geographical extents is useful for (i) characterizing biodiversity patterns and forest resources in areas where field work is missing, (ii) identifying suitable areas for forest management and conservation purposes and hence for (iii) delivering practical information for decision-makers.

Amazonia on maailman suurin ja monimuotoisin trooppinen metsäalue. Metsiä halutaan hyväksikäyttää mutta samalla niitä myös tuhotaan ilman että niitä olisi biologisesti juurikaan tutkittu. Tietämys lajien esiintymisalueista ja lajistollisesti erityisistä alueista on perusedellytys sekä suojelun että luonnonvarojen käytön suunnittelun onnistumiselle. Tämän tietämyksen kerääminen on kuitenkin kallista ja työlästä erityisesti Perun Amazonian kaltaisilla syrjäisillä alueilla. Tästä huolimatta useat tutkimuslaitokset ja metsäyritykset ovat toteuttaneet puulajistoinventointeja alueen eri osissa. Arvokasta informaatiota metsien vaihtelusta saadaan myös tasaisen kattavista kaukokartoitusaineistoista. Yhdistämällä pistemäistä maastoinventointitietoa kaukokartoitusaineistoihin ja muihin kattaviin ympäristötietoihin voidaan arvioida biodiversiteetin tilaa sellaisillakin alueilla, joilta ei ole saatavissa suoria maastohavaintoja. Hyödynnän työssäni metsäinventointeja ja Landsat-satelliittikuvia (esimerkiksi Landsat TM/ETM+ -kuvien optisia kanavia ja kasvillisuusindeksejä) puulajien levinneisyyksien mallintamiseen paikallisesti (2500–6000 km2) ja alueellisesti Perun Amazoniassa. Landsat-kuvien keskimääräiset heijastusarvot ja alueen korkeus merenpinnasta osoittautuivat paikallisesti hyvin toimiviksi ennustemuuttujiksi. Laajemmassa alueellisessa tarkasteluissa (40 000–800 000 km2) puulajiston vaihtelu korreloi myös muihin ympäristömuuttujiin, esimerkiksi ilmastoon ja pinnanmuotoihin. Esitän työssäni koko Perun Amazonian kattavia puiden levinneisyyksien ennustemalleja. Metsäinventointiaineistoihin voi kuitenkin sisältyä lajien tunnistamisen epätarkkuutta ja sen merkitystä tulee ekologisten tutkimusten yhteydessä kriittisesti arvioida. Havaitsin, että ennustemallien laatua voidaan parantaa muuntamalla lajitasoista inventointitietoa sukutasoiseksi informaatioksi. Metsäinventointitietojen, kaukokartoituksen ja ympäristötietojen yhteiskäyttö tarjoaa tutkimukseni valossa tehokkaan keinon luonnon monimuotoisuuden kartoittamiseen Perun Amazonian kaltaisilla heikosti tunnetuilla seuduilla. Kun puustokartoituksia tehdään eri mittakaavatasoilla, ne tukevat (i) heikosti tunnettujen metsien monimuotoisuuden ja resurssien arviointia, (ii) luonnonvarojen käyttöön tai suojeluun soveltuvien alueiden määrittämistä ja (iii) vahvistavat käytännön päätöksenteossa tarvittavaa tietoperustaa.