Ανίχνευση ειδών άγριας πανίδας με χρήση ορατών και θερμικών υπέρυθρων απεικονίσεων από UAV
Από RemoteSensing Wiki
| (12 ενδιάμεσες αναθεωρήσεις δεν εμφανίζονται.) | |||
| Γραμμή 3: | Γραμμή 3: | ||
'''Πρωτότυπος τίτλος:''' ''Wildlife Multispecies Remote Sensing Using Visible and Thermal Infrared Imagery Acquired from an Unmanned Aerial Vehicle (UAV)'' | '''Πρωτότυπος τίτλος:''' ''Wildlife Multispecies Remote Sensing Using Visible and Thermal Infrared Imagery Acquired from an Unmanned Aerial Vehicle (UAV)'' | ||
| - | [[Εικόνα: | + | [[Εικόνα:RSpaper2.1_Ntolka.JPG | thumb| right|'''Εικόνα 1. Περιοχή μελέτης. Περιφραγμένες εκτάσεις στο «Falardeau Wildlife Observation and Agricultural Interpretive Centre» στο Saint-David-de-Falardeau, Κεμπέκ, Καναδάς. ''' ''Μπλε περίφραξη'': αμερικάνικοι βίσωνες (''Bison bison''), ''πράσινη περίφραξη'': καναδικά ελάφια-βαπίτι (''Cervus canadensis''), ''πορτοκαλί περίφραξη'': πλατώνια (''Dama dama''), ''μωβ περίφραξη'': γκρίζοι λύκοι (''Canis lupus''). ''Κόκκινες γραμμές'': διαδρομές πτήσης (FL- Flight lines), ''γκρι τετράγωνα'': στόχοι εδάφους και ''σύμβολο κυαλιών'': παρατηρητές.]] |
| - | + | ||
'''Συγγραφείς: '''L.-P. Chrétien , J. Théau , P. Ménard | '''Συγγραφείς: '''L.-P. Chrétien , J. Théau , P. Ménard | ||
| Γραμμή 10: | Γραμμή 9: | ||
'''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XL-1/W4, 2015, International Conference on Unmanned Aerial Vehicles in Geomatics, 30 Aug–02 Sep 2015, Toronto, Canada'' | '''Δημοσιεύθηκε: ''' ''The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XL-1/W4, 2015, International Conference on Unmanned Aerial Vehicles in Geomatics, 30 Aug–02 Sep 2015, Toronto, Canada'' | ||
| - | [[Εικόνα: | + | [[Εικόνα:RSpaper2.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Υπό μελέτη είδη''' Α. αμερικάνικος βίσωνας (''Bison bison''), Β. καναδικά ελάφια-βαπίτι (''Cervus canadensis''), Γ. πλατώνι (''Dama dama''), Δ. γκρίζος λύκος (''Canis lupus'').]] |
'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/281462647_Wildlife_multispecies_remote_sensing_using_visible_and_thermal_infrared_imagery_acquired_from_an_unmanned_aerial_vehicle_UAV] | '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/281462647_Wildlife_multispecies_remote_sensing_using_visible_and_thermal_infrared_imagery_acquired_from_an_unmanned_aerial_vehicle_UAV] | ||
| - | [[Εικόνα: | + | [[Εικόνα:RSpaper2.3aTable1_Ntolka.JPG | thumb| right|'''Πίνακας 1. Προδιαγραφές UAV και περιορισμοί πτήσης''']] |
| + | |||
| + | [[Εικόνα:RSpaper2.3b_Ntolka.JPG | thumb| right|'''Εικόνα 3. Σταθμός ελέγχου εδάφους και μη επανδρωμένο ιπτάμενο όχημα ''' που χρησιμοποιήθηκαν στη μελέτη (Responder, ING Robotic Aviation). ]] | ||
'''Λέξεις-Κλειδιά: ''' Απογραφή άγριας πανίδας, ανίχνευση πολλαπλών ειδών, μη επανδρωμένο αεροσκάφος, πολλαπλών κριτηρίων αντικειμενοστραφής ανάλυση εικόνας, ορατή και θερμική υπέρυθρη απεικόνιση | '''Λέξεις-Κλειδιά: ''' Απογραφή άγριας πανίδας, ανίχνευση πολλαπλών ειδών, μη επανδρωμένο αεροσκάφος, πολλαπλών κριτηρίων αντικειμενοστραφής ανάλυση εικόνας, ορατή και θερμική υπέρυθρη απεικόνιση | ||
| + | |||
'''Εισαγωγή''' | '''Εισαγωγή''' | ||
| - | [[Εικόνα: | + | [[Εικόνα:RSpaper2.4_Ntolka.JPG | thumb| right|'''Εικόνα 4. Συλλογή, προεπεξεργασία δεδομένων και πολλαπλών κριτηρίων αντικειμενοστραφής ανάλυση (ΜΟΒΙΑ) για την ανίχνευση των διαφορετικών ειδών. ''']] |
Η διαχείριση της άγριας πανίδας βασίζεται συχνά σε δεδομένα πληθυσμιακής πυκνότητας. Οι εναέριες έρευνες χρησιμοποιούνται γενικά για την απογραφή μεγάλων σε μέγεθος ζώων σε μεγάλης έκτασης περιοχές, ειδικά όταν αυτές είναι απομακρυσμένες ή απρόσιτες. Παρόλα αυτά, έχουν αυξημένες απαιτήσεις σε χρόνο, ανθρώπινο δυναμικό και πόρους. Η ταυτόχρονη ανίχνευση πολλών διαφορετικών ειδών (multispecies detection) μέσω της επεξεργασίας πολυφασματικών αεροφωτογραφιών που ελήφθησαν από μη επανδρωμένο ιπτάμενο όχημα (UAV- unmanned aerial vehicle) θα μπορούσε να φανεί ιδιαίτερα χρήσιμη στη μελέτη ειδών τα οποία συνυπάρχουν χωρικά, καθώς μειώνει το κόστος σε μια μόνο απογραφή και συνεισφέρει στην καλύτερη κατανόηση των οικολογικών διεργασιών. Ο συγκεκριμένος συνδυασμός μεθοδολογιών έχει δοκιμασθεί και ελεγχθεί στο παρελθόν για την απογραφή ενός μόνο είδους, του ελαφιού της Βιρτζίνια (''Odocoileus virginianus''), με την εφαρμογή πολλαπλών κριτηρίων αντικειμενοστραφούς ανάλυσης εικόνας (ΜΟΒΙΑ- multicriteria object-based image analysis) σε ορατές και θερμικές υπέρυθρες απεικονισείς από UAV. Κύριος στόχος της παρούσας μελέτης είναι να προσαρμόσει και να αξιολογήσει τις επιδόσεις της συγκεκριμένης προσέγγισης, όταν αυτή εφαρμόζεται για την ανίχνευση και καταμέτρηση πολλών διαφορετικών ειδών μεγάλων θηλαστικών σε ένα ελεγχόμενο περιβάλλον. | Η διαχείριση της άγριας πανίδας βασίζεται συχνά σε δεδομένα πληθυσμιακής πυκνότητας. Οι εναέριες έρευνες χρησιμοποιούνται γενικά για την απογραφή μεγάλων σε μέγεθος ζώων σε μεγάλης έκτασης περιοχές, ειδικά όταν αυτές είναι απομακρυσμένες ή απρόσιτες. Παρόλα αυτά, έχουν αυξημένες απαιτήσεις σε χρόνο, ανθρώπινο δυναμικό και πόρους. Η ταυτόχρονη ανίχνευση πολλών διαφορετικών ειδών (multispecies detection) μέσω της επεξεργασίας πολυφασματικών αεροφωτογραφιών που ελήφθησαν από μη επανδρωμένο ιπτάμενο όχημα (UAV- unmanned aerial vehicle) θα μπορούσε να φανεί ιδιαίτερα χρήσιμη στη μελέτη ειδών τα οποία συνυπάρχουν χωρικά, καθώς μειώνει το κόστος σε μια μόνο απογραφή και συνεισφέρει στην καλύτερη κατανόηση των οικολογικών διεργασιών. Ο συγκεκριμένος συνδυασμός μεθοδολογιών έχει δοκιμασθεί και ελεγχθεί στο παρελθόν για την απογραφή ενός μόνο είδους, του ελαφιού της Βιρτζίνια (''Odocoileus virginianus''), με την εφαρμογή πολλαπλών κριτηρίων αντικειμενοστραφούς ανάλυσης εικόνας (ΜΟΒΙΑ- multicriteria object-based image analysis) σε ορατές και θερμικές υπέρυθρες απεικονισείς από UAV. Κύριος στόχος της παρούσας μελέτης είναι να προσαρμόσει και να αξιολογήσει τις επιδόσεις της συγκεκριμένης προσέγγισης, όταν αυτή εφαρμόζεται για την ανίχνευση και καταμέτρηση πολλών διαφορετικών ειδών μεγάλων θηλαστικών σε ένα ελεγχόμενο περιβάλλον. | ||
| - | |||
| - | |||
'''Περιοχή μελέτης''' | '''Περιοχή μελέτης''' | ||
| Γραμμή 40: | Γραμμή 40: | ||
| - | [[Εικόνα: | + | [[Εικόνα:RSpaper2.5_Ntolka.JPG | thumb| right|'''Εικόνα 5. Παραδείγματα αποτελεσμάτων ταξινόμησης της ΜΟΒΙΑ στις ορατές και θερμικές υπέρυθρες απεικονίσεις.''' |
Το κόκκινο πολύγωνο αντιστοιχεί στην επιθυμητή έκταση σάρωσης, την οποία έχει οριοθετήσει ο χειριστής. Η προσαρμογή των γωνιών της περιοχής οδηγεί σε αυτόματη προσαρμογή των σημείων των ενδιάμεσων σταθμών. Η υπολογισμένη βέλτιστη διαδρομή πτήσης απεικονίζεται από το πρόγραμμα ως κίτρινη γραμμή. Κάθε σημείο ενδιάμεσου σταθμού σημαίνεται ως μπλε κουκίδα που περιβάλλεται από το οπτικό πεδίο πάνω στο έδαφος (διαφανές μπλε ορθογώνιο).]] | Το κόκκινο πολύγωνο αντιστοιχεί στην επιθυμητή έκταση σάρωσης, την οποία έχει οριοθετήσει ο χειριστής. Η προσαρμογή των γωνιών της περιοχής οδηγεί σε αυτόματη προσαρμογή των σημείων των ενδιάμεσων σταθμών. Η υπολογισμένη βέλτιστη διαδρομή πτήσης απεικονίζεται από το πρόγραμμα ως κίτρινη γραμμή. Κάθε σημείο ενδιάμεσου σταθμού σημαίνεται ως μπλε κουκίδα που περιβάλλεται από το οπτικό πεδίο πάνω στο έδαφος (διαφανές μπλε ορθογώνιο).]] | ||
''Επεξεργασία δεδομένων & επαλήθευση ταξινόμησης'' | ''Επεξεργασία δεδομένων & επαλήθευση ταξινόμησης'' | ||
| - | Η προεπεξεργασία των δεδομένων (ορατές απεικονίσεις και θερμικό υπέρυθρο βίντεο) είχε ως αποτέλεσμα τη δημιουργία ενός γεωαναφερμένου | + | Η προεπεξεργασία των δεδομένων (ορατές απεικονίσεις και θερμικό υπέρυθρο βίντεο) είχε ως αποτέλεσμα τη δημιουργία ενός γεωαναφερμένου μωσαϊκού (Εικόνα 4). Από τις έξι διαδρομές πτήσης αναλύθηκαν μόνο οι τρείς. Για κάθε μωσαϊκό, πραγματοποιήθηκε αντικειμενοστραφής ανάλυση εικόνας πολλαπλών κριτηρίων (MOBIA) με χρήση του λογισμικού eCognition Developer 8.7 (Trimble): |
| + | α) Χρησιμοποιήθηκε κατάτμηση πολλαπλής ανάλυσης (multiresolution segmentation) με παράμετρο κλίμακας:150 και κριτήρια χρώματος/σχήμα και ομαλότητας/ συμπαγότητας: 0,9/0,1 και 0,5/0,5 αντίστοιχα. | ||
| + | β) Η προ-ταξινόμηση βασίστηκε κυρίως σε φασματικά κριτήρια, ώστε να ανιχνευθούν όλα τα πιθανά ζώα. | ||
| + | γ) Έγινε συγχώνευση αυτών των αντικειμένων σε υπερ-αντικείμενα, και | ||
| + | δ) διαδοχική ταξινόμηση για τον εντοπισμό κάθε στοχευόμενου είδους, προσαρμόζοντας σε κάθε επανάληψη τα ειδικά για κάθε είδος όρια τιμών για τα φασματικά, γεωμετρικά και συναφή κριτήρια. | ||
| + | Για κάθε ταξινόμηση και κάθε είδος, δημιουργήθηκε ένας πίνακας δυαδικών σφαλμάτων, με το πολύγωνο ως ελάχιστη μονάδα χαρτογράφησης. Τα πολύγωνα επαλήθευσης για την κατηγορία (class) «είδη» προήλθαν από τα δεδομένα εδάφους, ενώ τα πολύγωνα για την κατηγορία «μη ζώα» ταυτοποιήθηκαν με φωτοερμηνεία των περιβαλλοντικών στοιχείων (π.χ. φυλλοβόλα δέντρα, κωνοφόρα, χιόνι, στόχοι εδάφους, δεξαμενές τροφοδοσίας κ.λπ.). Η επαλήθευση της ταξινόμησης έγινε με σύγκριση της κυρίαρχης κατηγορίας/κλάσης σε κάθε πολύγωνο (>50%) με την κατηγορία που αναγνωρίσθηκε στο πεδίο. | ||
| - | [[Εικόνα: | + | [[Εικόνα:RSpaper2.6Table2_Ntolka.JPG | thumb| right|'''Πίνακας 2. Αποτελέσματα ταξινόμησης για κάθε διαδρομή πτήσης με χρήση ΜΟΒΙΑ στις ορατές και θερμικές υπέρυθρες απεικονίσεις.''']] |
| - | [[Εικόνα: | + | [[Εικόνα:RSpaper2.7_Ntolka.JPG | thumb| right|'''Εικόνα 6. Γεωαναφερμένες απεικονίσεις από τη διαδρομή πτήσης No 3.]] |
| + | |||
'''Αποτελέσματα & Συζήτηση''' | '''Αποτελέσματα & Συζήτηση''' | ||
Με την πολλαπλών κριτηρίων αντικειμενοστραφή ανάλυση εικόνας (MOBIA) ανιχνεύθηκαν και ταξινομήθηκαν όλα τα άτομα αμερικάνικου βίσωνα και βαπίτι. | Με την πολλαπλών κριτηρίων αντικειμενοστραφή ανάλυση εικόνας (MOBIA) ανιχνεύθηκαν και ταξινομήθηκαν όλα τα άτομα αμερικάνικου βίσωνα και βαπίτι. | ||
| - | Αντιθέτως, όσον αφορά τα πλατώνια και τους γκρίζους λύκους, η συγκεκριμένη μέθοδος δεν ήταν το ίδιο αποτελεσματική: από 0 έως 1 άτομο ανά διαδρομή πτήσης ταξινομήθηκε λανθασμένα ως στοιχείο τοπίου (π.χ. ως γυμνό έδαφος) ενώ από 0 έως 2 άτομα δεν ανιχνεύθηκαν καθόλου (Εικόνα 5, Πίνακας | + | Αντιθέτως, όσον αφορά τα πλατώνια και τους γκρίζους λύκους, η συγκεκριμένη μέθοδος δεν ήταν το ίδιο αποτελεσματική: από 0 έως 1 άτομο ανά διαδρομή πτήσης ταξινομήθηκε λανθασμένα ως στοιχείο τοπίου (π.χ. ως γυμνό έδαφος) ενώ από 0 έως 2 άτομα δεν ανιχνεύθηκαν καθόλου (Εικόνα 5, Πίνακας 2).Τα πλατώνια και οι γκρίζοι λύκοι έχουν χαρακτηριστικά γούνας που τους επιτρέπουν να κρύβονται καλύτερα στο περιβάλλον τους και επομένως είναι πολύ πιθανό να μπερδευτούν με στοιχεία του. Έχουν, επίσης, μικρότερο μέγεθος σώματος και βρίσκονται σε περιφραγμένες περιοχές με μεγαλύτερη πυκνότητα βλάστησης, γεγονός που επηρεάζει αρνητικά το ρυθμό ανίχνευσής τους και μπορεί να οδηγήσει σε υποεκτίμηση του πληθυσμού τους. Στις απεικονίσεις που αποκτήθηκαν υπήρχαν και άλλα είδη ζώων, όπως μια στρουθοκάμηλος, 3 κογιότ και 3 μαύρες αρκούδες, κανένα από τα οποία δεν ταξινομήθηκε με την MOBIA. |
| + | |||
Κατά τη διάρκεια της εκστρατείας πτήσης υπήρξαν διάφοροι παράγοντες, οι οποίοι επηρέασαν την ποιότητα των ληφθέντων εικόνων και της προεπεξεργασίας τους. H αστάθεια της πτήσης του UAV λόγω των συνθηκών του ανέμου είχε άμεσες επιπτώσεις στην ποιότητα της εικόνας και ταυτόχρονα προκάλεσε αυξημένη κατανάλωση ενέργειας και τη μείωση της αντοχής του. Επιπλέον, οδήγησε σε μια εμπρόσθια επικάλυψη της εικόνας σε ποσοστό 5-38% αντί του θεωρητικά αναμενόμενου 57% (Εικόνα 7), γεγονός που επηρέασε αρνητικά τη δυνατότητα επεξεργασίας των εικόνων. | Κατά τη διάρκεια της εκστρατείας πτήσης υπήρξαν διάφοροι παράγοντες, οι οποίοι επηρέασαν την ποιότητα των ληφθέντων εικόνων και της προεπεξεργασίας τους. H αστάθεια της πτήσης του UAV λόγω των συνθηκών του ανέμου είχε άμεσες επιπτώσεις στην ποιότητα της εικόνας και ταυτόχρονα προκάλεσε αυξημένη κατανάλωση ενέργειας και τη μείωση της αντοχής του. Επιπλέον, οδήγησε σε μια εμπρόσθια επικάλυψη της εικόνας σε ποσοστό 5-38% αντί του θεωρητικά αναμενόμενου 57% (Εικόνα 7), γεγονός που επηρέασε αρνητικά τη δυνατότητα επεξεργασίας των εικόνων. | ||
| + | |||
Γενικά, ορισμένοι από τους περιορισμούς που πρέπει να ληφθούν υπόψη σε σχέση με τη λήψη εικόνων από ένα UAV είναι οι εξής: έχουν δυνητικά υψηλό κόστος και υψηλή απαίτηση σε χρόνο και εξειδικευμένο προσωπικό τόσο για τη λειτουργία τους όσο και για την μετέπειτα επεξεργασία των δεδομένων και αδυνατούν να καλύψουν μεγάλης έκτασης περιοχές με μία πτήση. | Γενικά, ορισμένοι από τους περιορισμούς που πρέπει να ληφθούν υπόψη σε σχέση με τη λήψη εικόνων από ένα UAV είναι οι εξής: έχουν δυνητικά υψηλό κόστος και υψηλή απαίτηση σε χρόνο και εξειδικευμένο προσωπικό τόσο για τη λειτουργία τους όσο και για την μετέπειτα επεξεργασία των δεδομένων και αδυνατούν να καλύψουν μεγάλης έκτασης περιοχές με μία πτήση. | ||
| + | |||
Ωστόσο, η χρήση UAV για την ανίχνευση και πληθυσμιακή εκτίμηση ειδών άγριας πανίδας παρουσιάζει και σημαντικά πλεονεκτήματα: α)είναι πιο ασφαλής για τους ερευνητές σε σύγκριση με τις πτήσεις με επανδρωμένα οχήματα σε χαμηλά υψόμετρα για τον ίδιο σκοπό, β) τα UAV μπορούν να ακολουθήσουν ευθείες διαδρομές πτήσης με μεγαλύτερη ακρίβεια και γ)προκαλούν μικρότερη όχληση λόγω θορύβου στα άγρια ζώα, με αποτέλεσμα την αποφυγή τυχαίων συμπεριφορών, όπως φυγής, που μπορούν να οδηγήσουν σε θολές λήψεις εικόνων ή σε λάθη κατά την καταμέτρηση των ζώων. | Ωστόσο, η χρήση UAV για την ανίχνευση και πληθυσμιακή εκτίμηση ειδών άγριας πανίδας παρουσιάζει και σημαντικά πλεονεκτήματα: α)είναι πιο ασφαλής για τους ερευνητές σε σύγκριση με τις πτήσεις με επανδρωμένα οχήματα σε χαμηλά υψόμετρα για τον ίδιο σκοπό, β) τα UAV μπορούν να ακολουθήσουν ευθείες διαδρομές πτήσης με μεγαλύτερη ακρίβεια και γ)προκαλούν μικρότερη όχληση λόγω θορύβου στα άγρια ζώα, με αποτέλεσμα την αποφυγή τυχαίων συμπεριφορών, όπως φυγής, που μπορούν να οδηγήσουν σε θολές λήψεις εικόνων ή σε λάθη κατά την καταμέτρηση των ζώων. | ||
| - | |||
| Γραμμή 66: | Γραμμή 74: | ||
Τα αποτελέσματα της συγκεκριμένης έρευνας επιβεβαιώνουν τη δυνατότητα χρήσης πολυφασματικών απεικονίσεων υψηλής ποιότητας ανάλυσης από μη επανδρωμένο ιπτάμενο όχημα (UAV) για την πληθυσμιακή απογραφή της άγριας πανίδας. Η αντικειμενοστραφής ανάλυση πολλαπλών κριτηρίων (ΜΟΒΙΑ) φαίνεται να αποτελεί ένα κατάλληλο εργαλείο για την ταυτόχρονη ανίχνευση πολλών διαφορετικών ειδών. Είναι πιο αποτελεσματική στην ανίχνευση της άγριας πανίδας σε σύγκριση με τις μεθόδους που βασίζονται στην ανάλυση των φασματικών χαρακτηριστικών των εικονοστοιχείων και μπορεί να προσαρμοσθεί ειδικά για την ανίχνευση συγκεκριμένων ειδών-στόχων που ενδιαφέρουν τον ερευνητή αγνοώντας τα υπόλοιπα είδη στην περιοχή μελέτης. Στο μέλλον, θα ήταν ενδιαφέρον να εξετασθεί η συγκεκριμένη προσέγγιση σε μια ποικιλία από διαφορετικά περιβάλλοντα και καιρικές συνθήκες. | Τα αποτελέσματα της συγκεκριμένης έρευνας επιβεβαιώνουν τη δυνατότητα χρήσης πολυφασματικών απεικονίσεων υψηλής ποιότητας ανάλυσης από μη επανδρωμένο ιπτάμενο όχημα (UAV) για την πληθυσμιακή απογραφή της άγριας πανίδας. Η αντικειμενοστραφής ανάλυση πολλαπλών κριτηρίων (ΜΟΒΙΑ) φαίνεται να αποτελεί ένα κατάλληλο εργαλείο για την ταυτόχρονη ανίχνευση πολλών διαφορετικών ειδών. Είναι πιο αποτελεσματική στην ανίχνευση της άγριας πανίδας σε σύγκριση με τις μεθόδους που βασίζονται στην ανάλυση των φασματικών χαρακτηριστικών των εικονοστοιχείων και μπορεί να προσαρμοσθεί ειδικά για την ανίχνευση συγκεκριμένων ειδών-στόχων που ενδιαφέρουν τον ερευνητή αγνοώντας τα υπόλοιπα είδη στην περιοχή μελέτης. Στο μέλλον, θα ήταν ενδιαφέρον να εξετασθεί η συγκεκριμένη προσέγγιση σε μια ποικιλία από διαφορετικά περιβάλλοντα και καιρικές συνθήκες. | ||
| + | |||
| + | [[category:Εφαρμογές άγριας πανίδας]] | ||
[[category: Οικολογία]] | [[category: Οικολογία]] | ||
Παρούσα αναθεώρηση της 14:31, 3 Μαρτίου 2019
Ανίχνευση ειδών άγριας πανίδας με χρήση ορατών και θερμικών υπέρυθρων απεικονίσεων από UAV.
Πρωτότυπος τίτλος: Wildlife Multispecies Remote Sensing Using Visible and Thermal Infrared Imagery Acquired from an Unmanned Aerial Vehicle (UAV)
Συγγραφείς: L.-P. Chrétien , J. Théau , P. Ménard
Δημοσιεύθηκε: The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XL-1/W4, 2015, International Conference on Unmanned Aerial Vehicles in Geomatics, 30 Aug–02 Sep 2015, Toronto, Canada
Σύνδεσμος πρωτότυπου κειμένου: [1]
Λέξεις-Κλειδιά: Απογραφή άγριας πανίδας, ανίχνευση πολλαπλών ειδών, μη επανδρωμένο αεροσκάφος, πολλαπλών κριτηρίων αντικειμενοστραφής ανάλυση εικόνας, ορατή και θερμική υπέρυθρη απεικόνιση
Εισαγωγή
Η διαχείριση της άγριας πανίδας βασίζεται συχνά σε δεδομένα πληθυσμιακής πυκνότητας. Οι εναέριες έρευνες χρησιμοποιούνται γενικά για την απογραφή μεγάλων σε μέγεθος ζώων σε μεγάλης έκτασης περιοχές, ειδικά όταν αυτές είναι απομακρυσμένες ή απρόσιτες. Παρόλα αυτά, έχουν αυξημένες απαιτήσεις σε χρόνο, ανθρώπινο δυναμικό και πόρους. Η ταυτόχρονη ανίχνευση πολλών διαφορετικών ειδών (multispecies detection) μέσω της επεξεργασίας πολυφασματικών αεροφωτογραφιών που ελήφθησαν από μη επανδρωμένο ιπτάμενο όχημα (UAV- unmanned aerial vehicle) θα μπορούσε να φανεί ιδιαίτερα χρήσιμη στη μελέτη ειδών τα οποία συνυπάρχουν χωρικά, καθώς μειώνει το κόστος σε μια μόνο απογραφή και συνεισφέρει στην καλύτερη κατανόηση των οικολογικών διεργασιών. Ο συγκεκριμένος συνδυασμός μεθοδολογιών έχει δοκιμασθεί και ελεγχθεί στο παρελθόν για την απογραφή ενός μόνο είδους, του ελαφιού της Βιρτζίνια (Odocoileus virginianus), με την εφαρμογή πολλαπλών κριτηρίων αντικειμενοστραφούς ανάλυσης εικόνας (ΜΟΒΙΑ- multicriteria object-based image analysis) σε ορατές και θερμικές υπέρυθρες απεικονισείς από UAV. Κύριος στόχος της παρούσας μελέτης είναι να προσαρμόσει και να αξιολογήσει τις επιδόσεις της συγκεκριμένης προσέγγισης, όταν αυτή εφαρμόζεται για την ανίχνευση και καταμέτρηση πολλών διαφορετικών ειδών μεγάλων θηλαστικών σε ένα ελεγχόμενο περιβάλλον.
Περιοχή μελέτης
Η μελέτη πραγματοποιήθηκε στο «Falardeau Wildlife Observation and Agricultural Interpretive Centre» στο Saint-David-de-Falardeau (Κεμπέκ, Καναδάς), όπου φιλοξενούνται διάφορα είδη ζώων σε ξεχωριστές περιφραγμένες περιοχές με γνωστό αριθμό ατόμων (Εικόνα 1). Στόχος της έρευνας ήταν να ανιχνευθούν 4 αμερικάνικοι βίσωνες (Bison bison), 6 πλατώνια (Dama dama), 5 γκρίζοι λύκοι (Canis lupus), και 3 καναδικά ελάφια-βαπίτι (Cervus canadensis) (Εικόνα 2).
Υλικά και Μέθοδοι
Συλλογή δεδομένων
Η συλλογή των δεδομένων πραγματοποιήθηκε χρησιμοποιώντας ένα σύστημα που αποτελείται από: ένα VTOL (κάθετη απογείωση και προσγείωση) UAV (Responder, ING Robotic Aviation, Πίνακας 1, Εικόνα 3) εξοπλισμένο με αισθητήρες Tau640 (Συστήματα FLIR) για το ορατό φάσμα και D7000 (Nikon Inc.) για το θερμικό υπέρυθρο. Η λήψη των ορατών και θερμικών υπέρυθρων απεικονίσεων έγινε ταυτόχρονα από το μη επανδρωμένο όχημα. Πραγματοποιήθηκε συνολικά μια πτήση μεταξύ 10:40 και 10:55 στις 6 Νοεμβρίου του 2012, η οποία περιλάμβανε 6 ευθείες διαδρομές (Εικόνα 1), με ύψος πτήσης στα 60 μέτρα πάνω από το έδαφος και με ταχύτητες που κυμαίνονταν από 18 έως 35 km/hr ανάλογα με τον προσανατολισμό του ανέμου και του UAV. Η απόσταση δείγματος εδάφους (GSD- Ground Sampling Distance) αντιστοιχούσε σε 0,8 cm/pixel για τις ψηφιακές απεικονίσεις στο ορατό φάσμα και σε 5,4 cm/pixel στο θερμικό υπέρυθρο. Για την γεωαναφορά των φωτογραφιών χρησιμοποιήθηκαν 22 στόχοι εδάφους, οι οποίοι τοποθετήθηκαν σε ανοιχτές περιοχές κοντά σε δρόμους (Εικόνα 1) και εντοπίστηκαν με χρήση του GeoXHTM GPS (Trimble) με ακρίβεια 10 έως 30 εκατοστών. Πέντε από αυτούς χρησιμοποιήθηκαν ως σημεία ελέγχου ώστε να επιβεβαιωθεί ότι οι εικόνες ήταν σωστά γεωαναφερμένες. Επιπλέον, 3 παρατηρητές τοποθετημένοι κοντά στις περιφράξεις κατέγραφαν δεδομένα εδάφους, με στόχο να χαρτογραφηθεί η θέση κάθε ζώου κατά τη διάρκεια της πτήσης του UAV πάνω από τις περιφραγμένες περιοχές. Τα δεδομένα αυτά συγκρίθηκαν με τα στοιχεία που προέκυψαν από την επεξεργασία των απεικονίσεων, ώστε να αξιολογηθεί η αποτελεσματικότητα της ταξινόμησης.
Επεξεργασία δεδομένων & επαλήθευση ταξινόμησης
Η προεπεξεργασία των δεδομένων (ορατές απεικονίσεις και θερμικό υπέρυθρο βίντεο) είχε ως αποτέλεσμα τη δημιουργία ενός γεωαναφερμένου μωσαϊκού (Εικόνα 4). Από τις έξι διαδρομές πτήσης αναλύθηκαν μόνο οι τρείς. Για κάθε μωσαϊκό, πραγματοποιήθηκε αντικειμενοστραφής ανάλυση εικόνας πολλαπλών κριτηρίων (MOBIA) με χρήση του λογισμικού eCognition Developer 8.7 (Trimble): α) Χρησιμοποιήθηκε κατάτμηση πολλαπλής ανάλυσης (multiresolution segmentation) με παράμετρο κλίμακας:150 και κριτήρια χρώματος/σχήμα και ομαλότητας/ συμπαγότητας: 0,9/0,1 και 0,5/0,5 αντίστοιχα. β) Η προ-ταξινόμηση βασίστηκε κυρίως σε φασματικά κριτήρια, ώστε να ανιχνευθούν όλα τα πιθανά ζώα. γ) Έγινε συγχώνευση αυτών των αντικειμένων σε υπερ-αντικείμενα, και δ) διαδοχική ταξινόμηση για τον εντοπισμό κάθε στοχευόμενου είδους, προσαρμόζοντας σε κάθε επανάληψη τα ειδικά για κάθε είδος όρια τιμών για τα φασματικά, γεωμετρικά και συναφή κριτήρια. Για κάθε ταξινόμηση και κάθε είδος, δημιουργήθηκε ένας πίνακας δυαδικών σφαλμάτων, με το πολύγωνο ως ελάχιστη μονάδα χαρτογράφησης. Τα πολύγωνα επαλήθευσης για την κατηγορία (class) «είδη» προήλθαν από τα δεδομένα εδάφους, ενώ τα πολύγωνα για την κατηγορία «μη ζώα» ταυτοποιήθηκαν με φωτοερμηνεία των περιβαλλοντικών στοιχείων (π.χ. φυλλοβόλα δέντρα, κωνοφόρα, χιόνι, στόχοι εδάφους, δεξαμενές τροφοδοσίας κ.λπ.). Η επαλήθευση της ταξινόμησης έγινε με σύγκριση της κυρίαρχης κατηγορίας/κλάσης σε κάθε πολύγωνο (>50%) με την κατηγορία που αναγνωρίσθηκε στο πεδίο.
Αποτελέσματα & Συζήτηση
Με την πολλαπλών κριτηρίων αντικειμενοστραφή ανάλυση εικόνας (MOBIA) ανιχνεύθηκαν και ταξινομήθηκαν όλα τα άτομα αμερικάνικου βίσωνα και βαπίτι. Αντιθέτως, όσον αφορά τα πλατώνια και τους γκρίζους λύκους, η συγκεκριμένη μέθοδος δεν ήταν το ίδιο αποτελεσματική: από 0 έως 1 άτομο ανά διαδρομή πτήσης ταξινομήθηκε λανθασμένα ως στοιχείο τοπίου (π.χ. ως γυμνό έδαφος) ενώ από 0 έως 2 άτομα δεν ανιχνεύθηκαν καθόλου (Εικόνα 5, Πίνακας 2).Τα πλατώνια και οι γκρίζοι λύκοι έχουν χαρακτηριστικά γούνας που τους επιτρέπουν να κρύβονται καλύτερα στο περιβάλλον τους και επομένως είναι πολύ πιθανό να μπερδευτούν με στοιχεία του. Έχουν, επίσης, μικρότερο μέγεθος σώματος και βρίσκονται σε περιφραγμένες περιοχές με μεγαλύτερη πυκνότητα βλάστησης, γεγονός που επηρεάζει αρνητικά το ρυθμό ανίχνευσής τους και μπορεί να οδηγήσει σε υποεκτίμηση του πληθυσμού τους. Στις απεικονίσεις που αποκτήθηκαν υπήρχαν και άλλα είδη ζώων, όπως μια στρουθοκάμηλος, 3 κογιότ και 3 μαύρες αρκούδες, κανένα από τα οποία δεν ταξινομήθηκε με την MOBIA.
Κατά τη διάρκεια της εκστρατείας πτήσης υπήρξαν διάφοροι παράγοντες, οι οποίοι επηρέασαν την ποιότητα των ληφθέντων εικόνων και της προεπεξεργασίας τους. H αστάθεια της πτήσης του UAV λόγω των συνθηκών του ανέμου είχε άμεσες επιπτώσεις στην ποιότητα της εικόνας και ταυτόχρονα προκάλεσε αυξημένη κατανάλωση ενέργειας και τη μείωση της αντοχής του. Επιπλέον, οδήγησε σε μια εμπρόσθια επικάλυψη της εικόνας σε ποσοστό 5-38% αντί του θεωρητικά αναμενόμενου 57% (Εικόνα 7), γεγονός που επηρέασε αρνητικά τη δυνατότητα επεξεργασίας των εικόνων.
Γενικά, ορισμένοι από τους περιορισμούς που πρέπει να ληφθούν υπόψη σε σχέση με τη λήψη εικόνων από ένα UAV είναι οι εξής: έχουν δυνητικά υψηλό κόστος και υψηλή απαίτηση σε χρόνο και εξειδικευμένο προσωπικό τόσο για τη λειτουργία τους όσο και για την μετέπειτα επεξεργασία των δεδομένων και αδυνατούν να καλύψουν μεγάλης έκτασης περιοχές με μία πτήση.
Ωστόσο, η χρήση UAV για την ανίχνευση και πληθυσμιακή εκτίμηση ειδών άγριας πανίδας παρουσιάζει και σημαντικά πλεονεκτήματα: α)είναι πιο ασφαλής για τους ερευνητές σε σύγκριση με τις πτήσεις με επανδρωμένα οχήματα σε χαμηλά υψόμετρα για τον ίδιο σκοπό, β) τα UAV μπορούν να ακολουθήσουν ευθείες διαδρομές πτήσης με μεγαλύτερη ακρίβεια και γ)προκαλούν μικρότερη όχληση λόγω θορύβου στα άγρια ζώα, με αποτέλεσμα την αποφυγή τυχαίων συμπεριφορών, όπως φυγής, που μπορούν να οδηγήσουν σε θολές λήψεις εικόνων ή σε λάθη κατά την καταμέτρηση των ζώων.
Συμβολή της Τηλεπισκόπησης
Τα αποτελέσματα της συγκεκριμένης έρευνας επιβεβαιώνουν τη δυνατότητα χρήσης πολυφασματικών απεικονίσεων υψηλής ποιότητας ανάλυσης από μη επανδρωμένο ιπτάμενο όχημα (UAV) για την πληθυσμιακή απογραφή της άγριας πανίδας. Η αντικειμενοστραφής ανάλυση πολλαπλών κριτηρίων (ΜΟΒΙΑ) φαίνεται να αποτελεί ένα κατάλληλο εργαλείο για την ταυτόχρονη ανίχνευση πολλών διαφορετικών ειδών. Είναι πιο αποτελεσματική στην ανίχνευση της άγριας πανίδας σε σύγκριση με τις μεθόδους που βασίζονται στην ανάλυση των φασματικών χαρακτηριστικών των εικονοστοιχείων και μπορεί να προσαρμοσθεί ειδικά για την ανίχνευση συγκεκριμένων ειδών-στόχων που ενδιαφέρουν τον ερευνητή αγνοώντας τα υπόλοιπα είδη στην περιοχή μελέτης. Στο μέλλον, θα ήταν ενδιαφέρον να εξετασθεί η συγκεκριμένη προσέγγιση σε μια ποικιλία από διαφορετικά περιβάλλοντα και καιρικές συνθήκες.
