logo ptopp

Polskie Towarzystwo Ochrony Pierwotnej Przyrody - monitorujemy i chronimy ojczystą przyrodę


Prof. Bohdan Konopka, dr Dimitrios Panagiotidis, dr Peter Surovy - Czeski Uniwersytet Przyrodniczy (CZU) w Pradze; Uniwersytet im. Georga-Augusta w Getyndze.

Instytut Teledetekcji
Polskiego Towarzystwa Ochrony Pierwotnej Przyrody

Białowieża sat.

Teledetekcja (ang. remote sensing) to nauka zdobywania informacji o powierzchni Ziemi bez faktycznego kontaktu z nią. Odbywa się to poprzez wykrywanie i zapisywanie odbitej lub emitowanej energii oraz przetwarzanie, analizowanie i stosowanie tych informacji do wybranych opracowań.

Główne cele Instytutu

- Katalogowanie zobrazowań lotniczych i satelitarnych.
- Opracowywanie zobrazowań dla celów ochrony przyrody.
- Tworzenie kluczy fotointerpretacyjnych dla dużych obszarów.
- Opracowywanie przyrodniczych map tematycznych.
- Studenckie szkolenia w ramach obozów naukowych.
- Współpraca z zewnętrznymi podmiotami naukowymi.
- Wykonawstwo specjalistycznych zleceń teledetekcyjnych.

Stowarzyszenie wykonuje projekty m.in. z Europejską Agencją Kosmiczną (European Space Agency, ESA). Dzięki projetom naukowym możemy wyodrębnić inne strefy dotyczące NE Polski, zwłaszcza naszego regionu - Puszczy Białowieskiej. Materiały satelitarne i programy wspomagające, warte tysiące dolarów, są nam przekazywane bezpłatnie. Z czasem dokładność przekazywanych materiałów jest coraz większa. W przeciągu ostarnich dwóch dekad rozdzielczość z ponad 10 m dochodzi do 15-25 cm, co w badaniach przyrodniczych jest już wystarczające. Są to rozdzielczości porównywalne do zdjęć lotniczych.

Zobrazowania satelitarne (i też lotnicze) wykonywane są na dużych powierzcniach i w różnych okresach, co pozwala na określenie dynamiki zjawisk przyrodniczych w różnych okresach. Jednak same optyczne porównanie zobrazowań satelitarnych nie wystarcza. Do określenia poszczególnych zjawisk stosowane są różne metody badawcze stosowane dla zobrazowań o określonym zakresie widmowym. Aby przybliżyć najważniejszy aspekt prac na obszarze NE Polski publikujemy niżej artykuł omawiający stosowane metody w pozyskiwaniu danych ze zdjęć satelitarnych i lotniczych.

Zamieszczamy też szereg zobrazowań satelitarnych puszcz i parków narodowych NE Polski wykonanych różnymi "starymi" satelitami, jak też najnowsze uzyskiwane niemal codziennie (np. Sentinel-2A)
Mapa Satelitarna Puszczy Białowieskiej, Biebrza, mapy topograficzne

linijka ze sową

Instytut Teledetekcji - pozyskiwanie danych ekologicznych, środowiskowych i socjologicznych o środowisku leśnym

Przedstawiamy niektóre wyniki uzyskane w ramach pozyskiwania danych ekologicznych, środowiskowych i socjologicznych w środowisku leśnym. Wyniki zostały pogrupowane w dwóch obszarach tematycznych:
A) badania lotnicze wdrażające obrazowanie wielospektralne UAS oraz
B) badania naziemne oparte na bezpośrednich pomiarach drzew i próbkowaniu niszczącym.
Przedstawione tutaj wyniki to tylko krótki wybór spośród uzyskanych wyników i mogą być traktowane jako wyniki wstępne stanowiące elementy metodyki stosowanej w Puszczy Białowieskiej.

A. Klasyfikacja gatunków drzew i ocena stanu zdrowotnego lasu mieszanego lasów liściastych i iglastych z obrazowaniem wielospektralnym UAS

Automatyczna ocena gatunków drzew i identyfikacja stresu fizjologicznego wywieranego na drzewa leśne przez czynniki biotyczne z bezzałogowych systemów powietrznych (UAS) oferują znaczne korzyści w praktykach gospodarki leśnej. Biorąc pod uwagę fakt, że czynniki biotyczne mają ciągły wpływ na zasoby leśne, wpływając na kilka gatunków i lasy na całym świecie, niniejsze badanie zapewnia nowe ramy dotyczące zastosowania nowatorskich podejść metodologicznych do teledetekcji poprzez złożoną analizę statystyczną do monitorowania i mapowania stanu zdrowia drzew mające na celu wspieranie precyzyjnej gospodarki leśnej i podejmowania decyzji na obszarach o małej skali (ryc. 1), przydatnej do oceny drzewostanu Puszczy Białowieskiek. W tym kontekście głównym celem było sprawdzenie, w jaki sposób można wykorzystać wielospektralne (5-pasmowe) dane z powietrza do:

1) Badań wrażliwości określonych wskaźników widmowych do klasyfikacji gatunków drzew.
2) Oceny stanu zdrowia poprzez ocenę i rozróżnienie objawów korony.
3) Szczegółowej klasyfikacji gatunków drzew i ocena stanu zdrowia za pomocą algorytmu maszyny wektorów nośnych (SVM).

Puszcza Białowieska - drzewostan Rys. 1. Perspektywa mapy aktualnego (2019) obszaru badań. (a) Pokazuje przechwyconą przez UAS orto-mozaikę (RGB) badanego obszaru wiosną oraz (b) pokazuje przechwyconą przez UAS ortomozaikę (RGB) badanego obszaru latem.

Analiza spektralna

Przetwarzane fotogrametrycznie zbiory danych uzyskane za pomocą techniki obrazowania struktury z ruchu (SfM), w której powstałe cyfrowe modele terenu (DTM), cyfrowe modele powierzchni (DSM) i ortofotomapy o rozdzielczości 0,05 m wykorzystano jako dane wejściowe dla spektrum czaszy analiza, a także analiza tekstury (TA). Aby lepiej zrozumieć przestrzenne i czasowe zmiany we wzorze (ryc. 2) spowodowane zmianami sezonowymi (wiosna i lato 2019 r.), Kilka wskaźników roślinności (VI), w tym różne pasma długości fal (RGB, czerwona krawędź i NIR) zastosowano do oceny stopnia zmiany szaty roślinnej między dwoma sezonami (ryc. 3 i tab. 1).

Puszcza Białowieska - martwy drzewostan Przykłady powiększonych koron drzew na różnych gatunkach drzew i stanie zdrowotnym z obu okresów sezonowych w pasmach widmowych RGB.

Tabela 1. Wskaźniki odbicia stosowane w porządku chronologicznym.

Puszcza Białowieska - tabela

Puszcza Białowieska - tabela
Rys. 3. (a) Przedstawienie zastosowania znormalizowanego wskaźnika różnicowego wegetacji (NDVI) wiosną (b) NDVI latem (c) pokazującego znormalizowany wskaźnik różnicy czerwonych krawędzi (NDRE) wiosną oraz (d) NDRE latem.

Z analizy post-hoc (ryc.4) NDVI, SAVI i MCARI2 wypadły najlepiej w klasyfikacji danych referencyjnych z wiosny 2019 r., Podczas gdy SAVI, MCARI2 i PSRI uzyskały najlepsze wyniki w okresie letnim (ryc.5). Wspomniane wyżej VI były w stanie z powodzeniem odróżnić od siebie wszystkie główne klasy. Ponieważ wspomniane VI bazują na długościach fal NIR, czerwieni i krawędzi czerwieni, mogą one wykrywać zmiany zachodzące w ilości wchłaniania chlorofilu i współczynniku odbicia struktury komórkowej liści.

Co więcej, wyniki post-hoc uwypukliły problem z różnicowaniem między głównymi klasami wiosną między zdrowymi drzewami liściastymi (B) a martwymi drzewami iglastymi (D), co prawdopodobnie miało miejsce z powodu natury liści liściastych pozbawionych liści na wiosnę. Problem ten spowodował zamieszanie w identyfikacji głównych klas w przypadku warstw RESR, M3CI, CI, PSRI i NDRE VI.

Zgodnie ze współczynnikiem determinacji Eta-kwadrat (2), odpowiednio MCARI2 i CI miały najwyższą korelację z głównymi klasami danych terenowych z Eta-kwadratem (22) 0,73 wiosną 2019 r. I 0,61 latem 2019 r. Wyniki te potwierdzają znaczenie czerwonej krawędzi dla szczegółowej klasyfikacji zarówno typu gatunków drzew, jak i stanu zdrowotnego w okresie wegetacji, ze względu na wrażliwość czerwonej krawędzi na niewielkie wahania zawartości chlorofilu i spójna dla większości gatunków i klas stanu zdrowia.

Wyniki post-hoc z lata wykazały lepsze wyniki PSRI w porównaniu z NDVI w klasyfikacji danych referencyjnych w różnych głównych klasach. Wyniki Eta-kwadrat (a 2) wykorzystano do wybrania najlepszych zmiennych niezależnych, w tym VI i TA, do dalszej analizy za pomocą SVM.

Puszcza Białowieska - wykres
Rys. 4. Analiza post-hoc dla wskaźników wegetacji (VIs) pokazująca siłę powiązania między czterema głównymi klasami kategorycznymi (zdrowe drzewa liściaste = B, zdrowe drzewa iglaste = C, porażone drzewa iglaste = I, martwe drzewa iglaste = D) i najbardziej znaczące statystyki opisowe dla każdego VI. Małe litery (a, b, c, d) zostały użyte do oznaczenia istotnych różnic między grupami (wartość p <0,05).
Puszcza Białowieska - wykres
Rys. 5. Analizy post-hoc dla wskaźników wegetacji (VIs) pokazujące siłę związku między czterema głównymi klasami kategorycznymi (zdrowe drzewa liściaste = B, zdrowe drzewa iglaste = C, porażone drzewa iglaste = I, martwe drzewa iglaste = D) i statystyki opisowe dla każdego VI. Małe litery (a-d) zostały użyte do oznaczenia istotnych różnic między grupami (wartość p <0,05).

Analiza tekstury

Mapujemy TA w obszarach strefowych z informacji topograficznej (nCHM). Dla każdego sezonu mapowano 13 warstw TA opartych na nCHM, w tym średnią, wariancję, entropię, kontrast, heterogeniczność, jednorodność, drugi moment kątowy, korelację, wektor różnicy poziomów szarości (GLDV) kątowy drugi moment, entropię GLDV, średnią GLDV, GLDV Contrast i Inverse Difference, z rozmiarem okna jądra 25 x 25 (32-bit) (Rys. 6).
Puszcza Białowieska - wykres
Rys. 6. Średni parametr miary tekstury zastosowany w nCHM (a) wiosną i (b) latem, z uwzględnieniem lokalizacji zdrowych, porażonych i martwych drzew na podstawie ich klas gatunkowych (B = Broadleaves, NSD = martwy świerk pospolity, NSH = zdrowy świerk pospolity, NSI = zaatakowany świerkiem pospolitym, SPD = martwa sosna zwyczajna, SPH = zdrowa sosna zwyczajna, SPI = zaatakowana sosną zwyczajną).<

Eta-kwadrat (2) wykazał, że w większości przypadków istniał słaby lub umiarkowany związek między wartościami przewidywanymi i obserwowanymi (np. Niepodobieństwo = 0,14, drugi moment kątowy GLDV = 0,22, entropia GLDV = 0,22, średnia GLDV = 0,14, różnica odwrotna = 0,15 i odchylenie standardowe = 0,17), średnia oparta na nCHM była jedyną zmienną, która wykazała silniejszy związek z danymi odniesienia w porównaniu z pozostałymi zmiennymi (ryc. 7), z Eta-kwadrat (2) 0,51 wiosną 2019 i 0,28 latem 2019.

Puszcza Białowieska - wykres
Ryc. 7. Analiza post-hoc dla analizy tekstury (TA) pokazująca siłę powiązania między czterema głównymi klasami kategorycznymi (zdrowe drzewa liściaste = B, zdrowe drzewa iglaste = C, porażone drzewa iglaste = I, martwe drzewa iglaste = D) i najbardziej znaczące opisowe statystyka uzyskana dla zmiennej Średnia w obu sezonach. Małe litery (a - d) zostały użyte do oznaczenia istotnych różnic między grupami (wartość p <0,05).

Szczegółowa klasyfikacja gatunków drzew i ocena stanu zdrowia przez SVM

Oprócz analizy spektralnej i tekstury, która została zastosowana do ogólnej klasyfikacji, algorytm SVM został przyjęty dla naszych niezrównoważonych danych próbnych w celu przeprowadzenia szczegółowej klasyfikacji gatunków drzew i stanu zdrowia. W celu poprawy dokładności wyników zastosowano klasyfikator SVM typu 1. Próbki szkoleniowe i walidacyjne wybrano losowo jako 70% do szkolenia i 30% do walidacji modelowania w każdej kategorii. Analiza SVM wykazała znaczące wyniki w zakresie podziału danych referencyjnych na bardziej złożone klasy, które jednocześnie obejmowały gatunki drzew i stan zdrowia.

Opierając się na wynikach Eta-kwadrat () 2), wszystkie VI warstwy, które miały silny związek z danymi referencyjnymi, zostały wykorzystane do modelowania procesu za pomocą SVM. Warstwy te to: CI (Min) lato, CI (Mediana) wiosna; M3CI (Sum) wiosna, M3CI (Kurtosis) lato; MCARI (średnia) wiosna, MCARI (skośność) lato; NDRE (maksymalna) wiosna, NDRE (skośność) lato; NDVI (średnia) wiosna, NDVI (mediana) lato; PSRE (STD) wiosna, PSRE (Variance) lato; RESR (Variance) wiosna, RESR (STD) lato; SR (średnia) wiosna, SR (mediana) lato; SAVI (średnia) wiosna, SAVI (średnia) lato. Modelując gatunki drzew z wykorzystaniem powyższych warstw, z powodzeniem rozróżniono dane referencyjne na szczegółowe klasy, uzyskując wynik F na poziomie 95,65% dla drzew liściastych, 78,48% dla świerka pospolitego i 53,75% dla sosny zwyczajnej, co daje OA na poziomie 78,82% (tabela 2).

Aby poprawić dokładność modelu, do modelowania danych referencyjnych wykorzystano połączenie warstw TA i VI. Kryteria doboru warstw TA do SVM były oparte wyłącznie na wynikach Eta-kwadrat (2). W przypadku warstw TA wybraliśmy warstwy o umiarkowanym i silnym związku z danymi referencyjnymi, takimi jak średnia (średnia) wiosna / lato; STD (zakres) lato; GLDV Angular Second Moment (Skewness) lato; Entropia GLDV (zakres) lato; GLDV Drugi moment kątowy (współczynnik zmienności) lato.

Tabela 2. Tabela podsumowująca klasyfikację gatunków drzew i macierz pomyłek przy użyciu wybranych VI warstw .
Puszcza Białowieska - wykres

Połączenie warstw VI i TA z powodzeniem poprawiło dokładność modelowania gatunków drzew za pomocą SVM o 2,36% (OA) (Tabela 3). SVM był w stanie oddzielić rośliny liściaste od pozostałych klas z dokładnością 100%, co daje zarówno CE, jak i OE na poziomie 0%. Podobnie SVM odróżnia świerk pospolity od liściastych i sosny zwyczajnej z PA 91,89%, co daje OE 8,11% (Tabela 3). W konsekwencji OA dla odróżnienia danych referencyjnych dla gatunków drzew od SVM wyniosła 81,18% (tab. 3). Oszacowaliśmy, że Kappa wynosi 0,70, co wskazuje na silny (istotny) związek między danymi referencyjnymi a zmiennymi niezależnymi. Ponadto połączenie wybranych warstw poprawiło wartość F-score o 100% dla drzew liściastych, 80,95% dla świerka pospolitego i 61,90% dla sosny zwyczajnej.

Tablica 3 . Tabela podsumowująca klasyfikację gatunków drzew i macierz pomyłki uzyskane z analizy maszyny wektorów nośnych (SVM) przy użyciu kombinacji warstw VI i TA.
Puszcza Białowieska - tabela

Biorąc pod uwagę tylko stan zdrowotny drzewa, połączenie warstw TA i VI nie może poprawić dokładności klasyfikacji stanu zdrowotnego. Jednak wykorzystując wyłącznie warstwy VI, algorytm SVM wyróżnił klasy z bardzo wysokim OA wynoszącym 84,71% (tabela 4). Stwierdzono, że PA dla wszystkich klas zdrowotności drzew wynosi> 80%. Podobnie jak w przypadku klasyfikacji gatunkowej drzew, Kappa dla oceny stanu zdrowia wyniósł 0,66, co również sugerowało istotny związek między danymi referencyjnymi a zmiennymi niezależnymi (tab. 4).

Tabela 4. Tabela klasyfikacji i macierz pomyłek stanu zdrowia drzewa z SVM przy użyciu VI warstw.
Puszcza Białowieska - tabela
Klasyfikacja gatunków/zdrowotności drzew za pomocą wybranych warstw VI z powodzeniem rozdzieliła dane referencyjne na szczegółowe klasy, dając OA 65,17% (tab. 5).

Tabela 5. Podsumowania klasyfikacji i macierz nieporozumień, w tym połączone gatunki drzew i stan zdrowia uzyskany z analizy SVM przy użyciu VI warstw.
Puszcza Białowieska - tabela

Połączenie warstw TA i VI wykazało wzrost OA o 4,24% (Tabela 6). Z powodzeniem wyróżniono klasy NSI i SPD z bardzo wysokim PA, odpowiednio 92% i 100%, co dało OA 69,41%. SPH uzyskał gorsze, ale porównywalne wyniki w porównaniu z NSI i SPD. Łącząc gatunki drzew i stan zdrowia, Kappa był gorszy, ale porównywalny (0,59), co stanowiło umiarkowaną zależność między danymi referencyjnymi a zmiennymi niezależnymi (tabela 6). Połączenie tekstury i VI znacząco poprawia rozróżnienie gatunków iglastych między drzewami zdrowymi. Wartość F-score wzrosła o 12,5% dla zdrowego świerka i 6,8% dla zdrowej sosny zwyczajnej.

Tabela 6. Tabela podsumowująca klasyfikację i macierz nieporozumień, w tym połączone gatunki drzew i stan zdrowia uzyskany z analizy SVM przy użyciu kombinacji warstw VI i TA.

Puszcza Białowieska - tabela

Podsumowując, dzięki zdolności UAS do pozyskiwania danych w ultrawysokiej rozdzielczości przestrzennej, nasza metoda nie tylko umożliwiła mapowanie gatunków drzew i ich aktualnego stanu zdrowotnego, ale także pomaga w monitorowaniu rozprzestrzeniania się choroby, wyznaczając możliwość wczesne wykrywanie lub nowe ogniska choroby na sąsiednich zdrowych drzewach. Co więcej, metoda ta może być wykorzystana do szybkiej oceny obszarów, na które wpłynęły czynniki zakłócające biologię, do wykrywania i mapowania, inwentaryzacji drzew i oceny warunków siedliskowych przy stosunkowo niskich kosztach. Podsumowując, podejście to może zapewnić nowy wymiar informacji pochodzących z platform UAS, co może prowadzić do lepszego zrozumienia stanu zdrowia i składu gatunkowego drzew z wiarygodną dokładnością.

B. Pomiary naziemne związane z czynnikami wpływającymi na właściwości drzewa (drzewostanu)

Wartość estetyczna (czyli percepcja cech estetycznych przez człowieka) dotyczy zwłaszcza składu gatunkowego drzew, pionowej i poziomej konstrukcji drzewostanu. Tworzy go jednak także indywidualna "wartość" estetyczna każdego pojedynczego drzewa. Wartość estetyczna pojedynczego drzewa jest najprawdopodobniej związana z alokacją biomasy biomasy nadziemnej oraz właściwościami morfologicznymi listowia, gałęzi i pnia. Spodziewamy się, że na te właściwości zarówno na poziomie drzewa, jak i na poziomie drzewostanu mogą wpływać np .:

1) Gatunki drzew jako specyficzne właściwości siedliskowe (nadziemna alokacja biomasy na komponenty drzew).
2) Gospodarka leśna, zwłaszcza poprzez regulację zagęszczenia drzewostanów (konkurencja koron).
3) Czynniki szkodliwe, np. przeglądanie przeżuwaczy kopytnych.

We wszystkich trzech obszarach zaimplementowaliśmy pomiary naziemne i pobieranie próbek na nadziemnych komponentach drzew. Przedstawiamy tutaj tylko trzy przykłady naszych badań nad biomasą nadziemną w kontekście właściwości estetycznych drzew i drzewostanów z uwzględnieniem określonych czynników wewnętrznych i zewnętrznych.

1. Gatunki drzew jako specyficzne właściwości siedliskowe (nadziemna alokacja biomasy na komponenty drzew)

Skoncentrowaliśmy się na pomiarach i modelowaniu nadziemnej biomasy jedenastu gatunków drzew o średnicy podstawy pnia do 100 mm. Do określenia ilości przegród drzew zastosowano metodę niszczącą. Składniki wysuszono w piecu i zważono (stała sucha masa). Następnie zbudowano modele, czyli relacje allometryczne dla biomasy nadziemnej, wykorzystując średnicę podstawy łodygi jako predyktor. Wyniki pokazały różnice międzygatunkowe zarówno ilościowe (ryc. 8), jak i jakościowe (przydział biomasy) (ryc. 9 i 10).

Puszcza Białowieska - rycina

Rys. 8. Naziemne modele biomasy dla niektórych gatunków drzew leśnych.

Puszcza Białowieska - rycina
Rys. 9. Udział masowy ulistnienia w nadziemnej biomasie gatunków drzew

Puszcza Białowieska - rycina
Ryc. 10. Udział masowy gałęzi do biomasy nadziemnej dla gatunków drzew.

Puszcza Białowieska - brzoza-świerk
Ryc. 11. Drzewostan z przewagą brzozy badany pod kątem wpływu konkurencji koron na przydział biomasy (sezon wczesno-wiosenny).

Puszcza Białowieska - rycina
Rys. 12. Przykłady klas konkursowych w próbkach brzóz brodawkowatych (widok z lotu ptaka - ciemny kolor wskazuje drzewo docelowe) odnotowanych na stanowisku badawczym, w szczególności: 0 - korona wolna od konkurencji (schemat A), 1 - korona w łagodnej konkurencji (schemat B), 2 - korona przy umiarkowanej konkurencji (schemat C) i 3 - korona przy ostrej konkurencji (schemat D). Pozycję drzew i ich rzut korony mierzono za pomocą technologii Filed-Map.
Puszcza Białowieska - rycina
Ryc. 13. Różna alokacja biomasy między kontrastującymi klasami konkurencji koron i charakterystyką kształtu trzpienia we wszystkich klasach konkurencji koron.

Uzyskane wyniki wskazują, że zagęszczenie drzewostanu (ewentualnie reżim gospodarki leśnej), a co za tym idzie, intensywność konkurencji koronowej, wpływa na alokację biomasy i kształt łodygi (ryc. 13). Mniejszy stres konkurencyjny to większy udział gałęzi i bardziej stożkowaty kształt pnia.

Wpływ długotrwałego żerowania przeżuwaczy kopytnych

Badaliśmy wpływ roślin paszowych przeżuwaczy kopytnych na stan lasu (produkcja, różnorodność gatunkowa i przestrzenne rozmieszczenie drzew). Założyliśmy 15 okrągłych działek na terenie ogrodzonym (bez zwierzyny łownej) i 15 działek poza terenem ogrodzonym (pod długotrwałym przeszukiwaniem; Rysunek 14).

Puszcza Białowieska - rycina
Ryc. 14. Działki na zewnątrz (fioletowe kółka) i wewnątrz (zielone kółka) ogrodzony obszar do ilościowego określenia wpływu zgryzania lasu.
Puszcza Białowieska - rycina
Rys. 15. Porównanie liczby gatunków na poletku i węgla w biomasie nadziemnej (t / ha) - górne wykresy, a wartości wskaźnika Clarka-Evansa dla poszczególnych powierzchni badawczych - dolny wykres.

Pomiary wykazały, że długotrwałe poszukiwanie zwierzyny łownej zmniejszyło różnorodność gatunkową i biomasę nadziemną (węgiel w tonach na ha) zasoby (Rys. 15. górne wykresy). Z drugiej strony - co dość zaskakujące - drzewa rosnące poza terenem ogrodzonym miały bardziej regularne rozmieszczenie przestrzenne (średnia wartość wskaźnika Clarka-Evansa wyniosła 0,96) niż drzewa rosnące wewnątrz ogrodzonego terenu (0,79; ryc. 15. płyta dolna). Wszystkie trzy prezentowane doświadczenia wskazują, że jakościowe i ilościowe właściwości poszczególnych drzew, a także całego drzewostanu są silnie modyfikowane czynnikami wewnętrznymi, tj. gatunkowymi i zewnętrznymi, tj. celowym zagospodarowaniem czy warunkami przyrodniczymi.

Artykuł w ramach projektu EWA 4.0.
9 stycznia 2021



logo ptopp

© Prawa niezastrzeżone - cytujcie autorów i naszą stronę www.bialowieza.org
    2003-2021 Polskie Towarzystwo Ochrony Pierwotnej Przyrody -