Βελτίωση των αναλύσεων κίνησης των ζώων: Xωροχρονική αντιστοιχία της θέσης ζώων με δεδομένα τηλεπισκόπησης

Από RemoteSensing Wiki

Αναθεώρηση της 21:13, 24 Φεβρουαρίου 2023

Πρωτότυπος τίτλος: Enhancing Animal Movement Analyses: Spatiotemporal Matching of Animal Positions with Remotely Sensed Data Using Google Earth Engine and R.

Συγγραφείς: Ramiro D. Crego , Majaliwa M. Masolele, Grant Connette and Jared A. Stabach

Δημοσιεύθηκε: MDPI Open Access Journals, Remote Sensing 16.10.2021, 13, 4154

Σύνδεσμος πρωτότυπου κειμένου: [1]

Λέξεις-Κλειδιά: οικολογία μετακινήσεων, MODIS, NDVI, τηλεπισκόπηση, τηλεμετρία, συσκευές εντοπισμού

1. Εισαγωγή

Η επιστήμη της οικολογίας των μετακινήσεων ζώων έχει προχωρήσει ραγδαία τις τελευταίες δεκαετίες. Αυτό συνέβη, εν μέρει, χάρη στις τεχνολογικές καινοτομίες που μείωσαν το μέγεθος και το βάρος των συσκευών δορυφορικής παρακολούθησης που τοποθετούνται στα ζώα, διευρύνοντας την ποικιλότητα των ειδών που παρακολουθούνται και αυξάνοντας τη διάρκεια των περιόδων παρακολούθησης. Μαζί με τα προϊόντα τηλεπισκοπικών δεδομένων, που γίνονται όλο και περισσότερο (δωρεάν) διαθέσιμα, όπως είναι η πλατφόρμα χωρικής ανάλυσης Google Earth Engine (GEE), οι επιστήμονες είναι σε θέση να αντιμετωπίσουν μια μεγαλύτερη ποικιλία χωροχρονικών ερωτημάτων, κάνοντας χρήση των μοντέλων υψομέτρου και των δεικτών κανονικοποιημένης διαφοράς βλάστησης (NDVI). Ομοίως, οι νέες στατιστικές μέθοδοι για την ανάλυση και οπτικοποίηση της κίνησης έχουν γίνει πιο προσιτές. Για παράδειγμα, υπάρχουν τουλάχιστον 58 διαφορετικά πακέτα στη γλώσσα προγραμματισμού R, έναν από τον πιο δημοφιλή ανοιχτό κώδικα ανάλυσης δεδομένων μεταξύ των επιστημόνων της οικολογίας.

Μέχρι πρότινος, ήταν δύσκολη η ενσωμάτωση τηλεπισκοπικών δεδομένων από το Google Earth Engine απ’ ευθείας στην R. Ωστόσο, ένα πακέτο R που κυκλοφόρησε πρόσφατα (2020), ονόματι rGEE, έχει καταστήσει πιο προσιτή την ενσωμάτωση αυτή.

Θα παρουσιάσουμε δύο μελέτες περίπτωσης :

• Στην πρώτη εξάγουμε τον δείκτη NDVI από το Φασματοραδιόμετρο Απεικόνισης Μέτριας Ανάλυσης (MODIS) της NASA, με δεδομένα παρακολούθησης της θέσης 10 ζώων, τριών διαφορετικών ειδών, για ένα έτος: αφρικανικό βουβάλι (Syncerus caffer), αφρικανικός ελέφαντας (Loxodonta africana) και μπλε γκνου (Connochaetes taurinus).

• Στη δεύτερη μελέτη εξάγουμε εκτιμήσεις της επιφανειακής θερμοκρασίας από τα ωριαία δεδομένα του ατμοσφαιρικού μοντέλου ERA5-Land και αντιπαραβάλλουμε τη θερμοκρασία μεταξύ διαδοχικών βημάτων 12 μεμονωμένων γκνου σε τρία οικοσυστήματα της Κένυας.

Εικόνα 1: Διάγραμμα ροής εργασιών του κώδικα που δείχνει τη συνολική διαδικασία εξαγωγής τιμών εικονοστοιχείων στις θέσεις εντοπισμού των ζώων, με τη χρήση της γλώσσας προγραμματισμού R και του Google Earth Engine

2. Υλικά και Μέθοδοι

2.1. Ροή εργασιών κώδικα

Μόλις τα δεδομένα τηλεμετρίας φορτωθούν στο R, η χρονική σφραγίδα τους πρέπει να μετατραπεί σε χιλιοστά του δευτερολέπτου, μια μορφή διαχείρισης ημερομηνιών που χρησιμοποιείται στο GEE. Το σύνολο των δεδομένων (scv) μετατρέπεται σε ένα αντικείμενο απλού χαρακτηριστικού (sf), το οποίο μπορεί να φορτωθεί στο GEE ως συλλογή χαρακτηριστικών (feature collection), βάσει μιας συνάρτησης από το πακέτο rGEE. Εν συνεχεία, εφαρμόζεται ένα φίλτρο που ταιριάζει αποτελεσματικά τις συλλογές χαρακτηριστικών και τις συλλογές εικόνων (image collection) μιας χρονοσειράς. Έτσι, αποθηκεύεται η εικόνα που βρίσκεται χρονικά πλησιέστερα σε κάθε θέση εντοπισμού GPS. Κάθε “καλύτερη” εικόνα προσαρτάται σε κάθε χαρακτηριστικό για ολόκληρη τη συλλογή χαρακτηριστικών. Ύστερα, με τη βοήθεια μιας συνάρτησης που δημιουργήσαμε στο GEE, εξάγεται η τιμή του εικονοστοιχείου (pixel value) στην εκάστοτε θέση GPS και στη συνέχεια αποθηκεύεται η τιμή ως μια νέα ιδιότητα χαρακτηριστικού (βλ. Εικόνα 1).

2.2. Δεδομένα παρακολούθησης ζώων για μελέτες περίπτωσης

Έγινε χρήση δεδομένων παρακολούθησης από το Movebank (https://www.movebank.org με ημερομηνία πρόσβασης 10/10/2021) για 1 αφρικανικό βουβάλι, 2 αφρικανικούς ελέφαντες και 3 μπλε γκνου στη Μελέτη περίπτωσης α’ (εξαγωγή NDVI) και για 12 γκνου στη Μελέτη περίπτωσης β’ (εξαγωγή ωριαίας θερμοκρασίας). Για κάθε είδος συμπεριλήφθησαν μόνο τα ζώα που περιείχαν δεδομένα ενός ολόκληρου έτους. Έγινε επαναδειγματοληψία όλων των δεδομένων σε χρονικό διάστημα 3 ωρών, χρησιμοποιώντας το πακέτο “adehabitat” από τη γλώσσα R.

2.3 Μελέτη περίπτωσης α’: εξαγωγή NDVI

Ο δείκτης NDVI έχει αποδειχτεί ότι αποτελεί ισχυρό προγνωστικό παράγοντα της μετακίνησης και της χρήσης του χώρου από τα φυτοφάγα ζώα. Μια συνήθης πρακτική με τον NDVI είναι να υπολογίζεται ο μέσος όρος των εικόνων (raster) για όλα τα έτη ή τις εποχές και να εξάγονται οι τιμές στις θέσεις των ζώων για την εφαρμογή στατιστικών μοντέλων. Συχνά, όμως, τα φυτοφάγα ζώα έχουν την ικανότητα να τροποποιούν την ανάπτυξη νέας βλάστησης, καθώς κινούνται και βόσκουν. Σε τέτοιες περιπτώσεις, η υπολογιστική ισχύς των δορυφορικών δεδομένων που απαιτείται για την επεξεργασία τους είναι χαμηλή ή είναι χρονοβόρα η διαδικασία συλλογής τους (πχ λόγω μεγάλων εκτάσεων ή μεγάλων χρονικών περιόδων). Ως λύση, αντί για το μέσο ετήσιο NDVI, χρησιμοποιείται ο χρονικά προσαρμοσμένος με την κίνηση των ζώων NDVI. Η ροή εργασίας του κώδικα που υλοποιήσαμε εξάγει την τιμή NDVI από το προϊόν δεδομένων MODIS/Terra (MOD1Q1) των 250m, 16 ημερών, το οποίο είναι χρονικά πλησιέστερο σε κάθε αποτύπωση GPS που συλλέγεται σε μια μελέτη παρακολούθησης ζώων. Αυτό σημαίνει ότι η μέγιστη χρονική υστέρηση μεταξύ κάθε σημείου GPS που συλλέγεται και της πλησιέστερης ημερομηνίας σύνθεσης εικόνας NDVI είναι 8 ημέρες. Ωστόσο, στην πράξη μπορεί να είναι μεγαλύτερη, γιατί οι πραγματικές ημερ/νίες παρατήρησης για κάθε εικονοστοιχείο είναι άγνωστες.

2.4 Μελέτη περίπτωσης β’: θερμοκρασιακή εκχύλιση

Η διακύμανση της θερμοκρασίας είναι ένας από τους κύριους περιβαλλοντικούς παράγοντες που επηρεάζει τη χρήση των ενδιαιτημάτων των ζώων. Για παράδειγμα, στα μεγάλα φυτοφάγα ζώα, η αύξηση θερμοκρασίας περιβάλλοντος μπορούν να μεταβάλλει τα πρότυπα μετακίνησης και τη συμπεριφορά, αναγκάζοντας το ζώο να μετακινηθεί πιο κοντά στο νερό ή τη σκιά ή ν’ αυξήσει το χρόνο ανάπαυσης. Αντίστοιχα, η μεγάλη πτώση της θερμοκρασίας που οδηγεί σε χιονοκάλυψη περιορίζει τη διαθεσιμότητα τροφής και μεταβάλλει, επίσης, τα πρότυπα μετακίνησης των ζώων. Για να καταδείξουμε την ισχύ της χρήσης του GEE για τη συσχέτιση κλιματικών δεδομένων με τοποθεσίες τηλεμετρίας, έγινε χρήση του συνόλου των δεδομένων ERA5-Land. Το ατμοσφαιρικό μοντέλο ERA5-Land αποτελείται από 50 κλιματικές μεταβλητές με ωριαία χρονική ανάλυση και χωρική ανάλυση ~9km. Από τις 50 διαθέσιμες μεταβλητές, το παράδειγμά μας δείχνει τη θερμοκρασία του αέρα στα 2m από την επιφάνεια της γης. Από το σύνολο δεδομένων για τα γκνου, επιλέξαμε τυχαία 12 άτομα από τρεις διαφορετικούς πληθυσμούς της Κένυας (τον πληθυσμό Maasai Mara/Loita Plains, τον Athi-Kaputiei Plains και τον Amboseli Basin). Χρησιμοποιήσαμε μια συνολική χρονοσειρά με 8.760 εικόνες. Εξάγαμε τιμές θερμοκρασίας που αντιστοιχούν στο χρόνο, σε κάθε τοποθεσία GPS. Ύστερα, ελέγξαμε τη σχέση μεταξύ μήκους βήματος ζώου και θερμοκρασίας, με την προσαρμογή ενός γραμμικού μοντέλου μικρών επιδράσεων (Gauss). Υλοποιήσαμε το μοντέλο στο σύνολό του στη γλώσσα προγραμματισμού R.

3. Αποτελέσματα

Πίνακας 1:Περίληψη των ειδών, των δεδομένων τηλεμετρίας, του προϊόντος τηλεπισκοπικών δεδομένων που χρησιμοποιήθηκε και του χρόνου επεξεργασίας για την εξαγωγή των τιμών των pixels σε κάθε θέση GPS.

Εικόνα 2:Τιμές MODIS NDVI που εξάγονται από δεδομένα ενός έτους για τον αφρικανικό βούβαλο, τον αφρικανικό ελέφαντα και το μπλε γκνου, που παρακολουθούνται με μονάδες τηλεμετρίας GPS. Τα αποτελέσματα δείχνουν μεγάλες αποκλίσεις μεταξύ του ετήσιου μέσου NDVI (κόκκινο) και του χρονικά προσαρμοσμένου NDVI (μπλε), που εξάγεται σε όλες τις θέσεις των ζώων.

• Μελέτη περίπτωσης α’ : Για τα 6 ζώα που συμπεριλήφθηκαν χρειάστηκαν περίπου 3 λεπτά για την επεξεργασία των 12.344 θέσεων GPS (βλ. Πίνακα 1). Το αποτέλεσμα που εξάγαμε, συγκρίνοντας το μέσο ετήσιο NDVI (annual mean) με τον χρονικά προσαρμοσμένο NDVI (time match), ήταν η αποτυχία του πρώτου να λάβει υπόψη την εποχιακή διακύμανση της παραγωγικότητας της βλάστησης που αντιμετωπίζουν τα ζώα (βλ. Εικόνα 2).

• Μελέτη περίπτωσης β’ : Για τα 12 γκνου που συμπεριλήφθηκαν στη συλλογή δεδομένων, χρειάστηκαν περίπου 34 λεπτά (0,06 sec ανά σημείο) για την επεξεργασία των 33.074 θέσεων GPS (βλ. Πίνακα 1). Το σύνολο δεδομένων θερμοκρασίας αέρα ERA5-Land είχε υψηλή συσχέτιση με τη θερμοκρασία που καταγράφηκε στα περιλαίμια των ζώων. Το αποτέλεσμα που εξάγαμε ήταν ότι τα γκνου μετακινούνται λιγότερο, καθώς αυξάνεται η θερμοκρασία (Εικόνα 3).

Εικόνα 3:Σχέση μεταξύ του βήματος και της θερμοκρασίας του αέρα για το μπλε γκνου. Τα δεδομένα εντοπισμού GPS ελήθησαν για τα 12 άτομα από τους τρεις πληθυμσούς στην Κένυα: πεδιάδες Maasai Mara/Loita (πράσινο), πεδιάδες Athi-Kaputiei (μπλε) και λέκανη Amboseli (κόκκινο). Η ωριαία θερμοκρασία του αέρα στα 2m πάνω από το έδαφος λήφθηκε από το σύνολο δεδομένων ERA5-Land. Όλα τα δεδομένα είναι από το 2011.

4. Συζήτηση – Συμπεράσματα

Τα τελευταία χρόνια αυξήθηκε ραγδαία ο όγκος δεδομένων οικολογίας, όπως είναι η παρακολούθηση της θέσης των ζώων, χάρη στην τηλεπισκόπηση. Σε αυτή τη μελέτη, παρουσιάσαμε παραδείγματα που ενσωματώνουν δύο επίπεδα περιβαλλοντικών δεδομένων για την εξήγηση της κίνησης και της συμπεριφοράς των μεγάλων φυτοφάγων ζώων της Αφρικής. Εναλλακτικά, άλλες συλλογές εικόνων που είναι διαθέσιμες μέσω του GEE, όπως είναι η διαθεσιμότητα επιφανειακών υδάτων ή άλλοι δείκτες βλάστησης, μπορούν να αντικατασταθούν στον κώδικα. Επιπλέον, η ευελιξία του GEE καθιστά δυνατή την ενσωμάτωση πληροφοριών που προέρχονται από πολυφασματικές εικόνες όπως το Landsat ή το Sentinel, ως πιθανές συνδιακυμάνσεις για δεδομένα κίνησης ζώων.