Multi-scale modelling and upscaling ecosystem function dynamics in Boreal Baltic coastal meadows using remote sensing platforms

ABSTRACT. Boreal Baltic Coastal Meadows face degradation caused by agricultural intensification and the abandonment of traditional management practices. In Estonia, they have been in decline over the past century, with 82% of managed coastal meadow areas lost by the year 2000. Since Estonia’s accession to the European Union, restoration efforts supported by EU agricultural funding have led to a noticeable recovery. By the end of 2019, 10700 hectares were restored. However, these coastal meadows remain under pressure from both abandonment and intensive grazing. Previous studies aimed at assessing the current state of preservation and restoration efforts for coastal meadows have accounted for their multi-faceted dynamics. High-precision Remote Sensing (RS) technologies detect those dynamics by capturing the variety of features in multispectral wavelengths, being able to retrieve key parameters such as plant community distribution and biophysical variables—supported by UAVs and field sampling. In this way, monitoring coastal meadows has evolved from static, site-limited surveys to spatially continuous approaches that reflect ecological variability across scales. The integration of UAV data with satellite imagery allows for both fine-scale resolution and landscape-scale coverage. The information retrieved by these platforms support evidence-based decision-making for restoration planning, agri-environmental policy implementation, and adaptive management, particularly in regions facing pressures from climate change and land-use transitions. The present thesis contributes to the monitoring of coastal meadows by extending high-precision mapping approaches to satellite-based imagery at coarser spatial resolutions. It tests the correspondence between UAV-mounted cameras and the sensors on board two well-known, medium-resolution, and publicly available satellite platforms: the European Space Agency's Sentinel-2 (S2) and the NASA–U.S. Geological Survey Landsat 8 (L8), both of which provide continuous Earth Observation (EO) data. The goal is to leverage UAV-based studies and make it feasible to expand monitoring efforts across larger areas of coastal meadows, particularly those protected under the EU Habitats Directive, Annex I (92/43/EEC). The use of publicly available satellite data also will facilitate the rapid automating and integration of UAV data with satellite data provided from Estonia’s national EO platforms. This can offer rapid decision-support tools for farmers receiving national subsidies to preserve the ecological state of coastal meadows. This work states three hypothesis. The first posits that pixel-based classification of very high-resolution UAV imagery yields more accurate maps of plant community distribution in coastal meadows than object-based methods. The second and third hypotheses propose that very high-resolution UAV data can be effectively upscaled to estimate Plant Fractional Cover (PFC) and Surface Soil Moisture (SSM) at the spatial resolutions of Sentinel-2 (10 m) and Landsat 8 (30 m), respectively, based on the spectral compatibility between sensors and calibration procedures. To enhance predictive performance, the study employs Random Forest (RF) and XGBoost algorithms, both of which demonstrate strong capabilities in handling complex, non-linear relationships. Their non-parametric and ensemble-based nature makes them particularly effective in modeling the spatial heterogeneity typical of coastal meadow ecosystems. Pixel-based classification proved more accurate than object-based methods for mapping Plant Communities, as it better captured the heterogeneous spectral variation typical of coastal meadows. On the other hand, upscaled UAV-derived Plant Community classification values were used both to assess the spectral correspondence between S2 and Parrot Sequoia (PS) images and to train S2-based RF models for estimating PFC. SSM was estimated at L8 scale using calibrated Temperature Vegetation Dryness Index (TVDI) values derived from UAV imagery and ground-based volumetric water content (VWC) measurements, resulting in very high-resolution SSM maps that were upscaled to L8 scale to train XGBoost models in three different months. The resulting predictions outperformed existing medium-resolution SSM estimation methods reported in the literature. The models yielded moderate to high performance, underscoring the importance of integrating vegetation indices (VIs) with auxiliary variables such as Digital Elevation Models (DEMs) and Land Surface Temperature (LST). Collectively, these results demonstrate the potential for scalable and automated monitoring frameworks that can inform both ecological research and the implementation of policy instruments—including agri-environmental subsidies and restoration programs—aimed at supporting the sustainable management of coastal meadows.

LÜHIKOKKUVÕTE. Läänemere boreaalsed rannaniidud on aastakümneid seisnud silmitsi degradeerumisega, mida on põhjustanud põllumajanduse intensiivistumine ja traditsiooniliste majandamisviiside hülgamine. 20. sajandi jooksul on Eestis rannaniitude pindala märkimisväärselt vähenenud – aastaks 2000 oli hüljatud 82% sajandi jooksul majandatud rannaniitudest. Pärast Eesti liitumist Euroopa Liiduga on rannaniitude taastamist hakatud toetama peamiselt ELi keskkonna- ja põllumajandusrahastuse kaudu, mis on toonud kaasa olukorra mõningase paranemise. 2019. aasta lõpuks oli Eestis taastatud ligikaudu 10 700 hektarit rannaniite. Siiski avaldavad neile kooslusele endiselt survet nii hooldusest loobumine kui ka liigne karjatamine. Varasemates uuringutes, mille eesmärk on olnud hinnata rannaniitude ökoloogilist seisundit ja taastamise tõhusust, on arvestatud nende ökosüsteemide keerukat dünaamikat. Kõrgtäpsusega kaugseire (RS) tehnoloogiad võimaldavad neid protsesse kaardistada ning määrata taimkatte ja biogeofüüsikaliste näitajate jaotust maastikul. Mehitamata õhusõidukid (UAV-d), välitööd ja satelliitidelt saadav andmestik annavad hea sisendi rannaniitude seire arendamiseks ja nende ökoloogilise seisundi hindamiseks. See võimaldab liikuda punktipõhistelt ja statsionaarsetelt mõõtmistelt ruumiliselt pidevate ja ulatuslike hindamismeetodite suunas. UAV-andmete ja satelliitidelt saadud andmete kombineerimine võimaldab anda nii detailset (kohalik tasand) kui ka maastikulist (suuremahulist) ülevaadet. Selline teabe integreerimine toetab tõenduspõhist otsustamist, näiteks taastamiskavade koostamisel, keskkonnatoetuste rakendamisel ja keskkonnasõbralikul majandamisel, samuti kohanemisel kliimamuutuste ja maakasutuse muutustega.. Käesolev uuring panustab rannaniitude seire arendamisse, rakendades UAV-põhiseid kaardistamismeetodeid satelliidipiltide klassifitseerimiseks, mille ruumiline lahutusvõime on väiksem. Uuringus võrreldakse ja kombineeritakse UAV andmeid Euroopa Kosmoseagentuuri Sentinel-2 (S2) ja NASA–USA Geoloogiateenistuse Landsat 8 (L8) sensorite andmetega. Eesmärk on kasutada UAV-uuringute tulemusi seire laiendamiseks suurematele aladele, eriti Natura 2000 elupaigadirektiivi (92/43/EMÜ) I lisa alla kuuluvatele rannaniitudele. Doktoritöö seab kolm hüpoteesi. Esimene eeldab, et pikslipõhine UAV-kujutiste klassifitseerimine annab taimkatte kaardistamisel täpsemaid tulemusi kui objektipõhine lähenemine. Teine ja kolmas hüpotees eeldavad, et UAV-andmete põhjal saab usaldusväärselt hinnata taimkatte katvust (Plant Fractional Cover, PFC) ja pinnase niiskust (Surface Soil Moisture, SSM) Sentinel-2 (10 m) ja Landsat 8 (30 m) ruumilisel lahutusvõimel, eeldusel, et andurid on spektraalselt sobivad ja kalibreerimine on täpne. Hüpoteeside testimisel kasutati masinõppe algoritme Random Forest (RF) ja XGBoost, mis sobivad hästi keeruliste ja mittelineaarsete seoste modelleerimiseks. Uuring näitas, et pikslipõhine klassifitseerimine on täpsem kui objektipõhine, kuna see suudab paremini eristada rannaniitude spektraalset mitmekesisust. Lisaks kasutati UAV-andmeid Sentinel-2 ja Parrot Sequoia (PS) andurite spektraalse vastavuse hindamiseks ning RF-mudelite treenimiseks PFC prognoosimiseks. SSM hinnati L8 skaalal UAV-andmetest tuletatud TVDI-indeksi (Temperature Vegetation Dryness Index) ja mulla vee sisalduse (Volumetric Water Content, VWC) mõõtmiste alusel. Tulemuseks saadi väga kõrge lahutusvõimega SSM-kaardid, mis skaleeriti L8 tasemele ning millega treeniti XGBoost-mudeleid kolmel erineval kuul. Väljatöötatud mudelid andsid keskmisest kuni kõrge täpsuseni ulatuvaid tulemusi, rõhutades vegetatsiooniindeksite (VIs), digitaalse kõrgusmudeli (DEM) ja maapinna temperatuuri (LST) kombineerimise tähtsust. Kokkuvõttes näitavad uuringutulemused, et on võimalik luua skaleeritavaid ja automatiseeritud seiresüsteeme, mis toetavad nii ökoloogilist uurimistööd kui ka poliitikameetmete rakendamist, sealhulgas keskkonnatoetusi ja taastamisprogramme, mille eesmärk on rannaniitude jätkusuutlik majandamine.