RemoteSensing Wiki - Συνεισφορές χρήστη [el]

3D-LiDAR χαρτογράφηση οικοσυστήματος και εξελίξεις στη μελέτη της οικολογίας της άγριας πανίδας

2019-03-03T16:33:42Z

Ntolka Eirini:

'''3D-LiDAR χαρτογράφηση οικοσυστήματος και εξελίξεις στη μελέτη της οικολογίας της άγριας πανίδας'''

'''Πρωτότυπος τίτλος:''' ''Advances in animal ecology from 3D-LiDAR ecosystem mapping''

[[Εικόνα:RSpaper10.T1a_Ntolka.JPG | thumb| right|'''Πίνακας 1α. Δημοσιευμένες εργασίες που βασίζονται σε δεδομένα LiDAR για την τρισδιάστατη δομή της βλάστησης και της τοπογραφίας ώστε να μελετήσουν την οικολογία των ζώων. ''']]

'''Συγγραφείς: ''' Andrew B. Davies & Gregory P. Asner

'''Δημοσιεύθηκε: ''' ''Trends in Ecology & Evolution 29(12), Οκτώβριος 2014, doi: 10.1016/j.tree.2014.10.005''

[[Εικόνα:RSpaper10.Τ1_Ntolka.JPG | thumb| right|'''Πίνακας 1β. Δημοσιευμένες εργασίες που βασίζονται σε δεδομένα LiDAR για την τρισδιάστατη δομή της βλάστησης και της τοπογραφίας ώστε να μελετήσουν την οικολογία των ζώων. ''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/267634893_Advances_in_animal_ecology_from_3D-LiDAR_ecosystem_mapping]

[[Εικόνα:RSpaper10.1_Ntolka.JPG | thumb| right|'''Εικόνα 1. Παράδειγμα καταγραφής δεδομένων LiDAR (Light Detection and Ranging) από αεροπλάνο, τα οποία συλλέχθηκαν στην πεδιάδα της Αμαζονίας από το Carnegie Airborne Observatory. '''Οι παλμοί laser εκπέμπονται και επιστρέφουν σε αισθητήρα LiDAR επί του αεροσκάφους, σαρώνοντας από πλευρά σε πλευρά την περιοχή καθώς το αεροπλάνο κινείται προς τα εμπρός στον αέρα, και δημιουργείται έτσι μια δυσδιάστατη χωρική κάλυψη. Κάθε ακτίνα laser στο εγγύς υπέρυθρο μήκος κύματος, διαπερνά την κόμη των δέντρων και επιστρέφει την φωτεινή ακτινοβολία κατά μήκος της διαδρομής της προς το έδαφος. Αυτή η αλληλεπίδραση είναι ψηφιοποιημένη από τον δέκτη LiDAR και χρησιμοποιείται για τη χαρτογράφηση του ύψους της βλάστησης (Α), του υποκείμενου εδάφους (Β) και της στρωματοποίησης της βλάστησης μεταξύ τους (δεν φαίνεται). ]]

'''Λέξεις-Κλειδιά: ''' 3D-LiDAR χαρτογράφηση, ενδιαίτημα, οικολογία, τοπογραφία, δομή βλάστησης, πανίδα, αφθονία ειδών, αφθονία ζώων, τηλεπισκόπηση

[[Εικόνα:RSpaper10.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Διατομή της τρισδιάστατης δομής της βλάστησης της Αφρικανικής σαβάνας, που συλλέχθηκε από το Carnegie Airborne Observatory. '''(a) κάλυψη θόλου των δέντρων, (b) ύψος θόλου, (c) κατακόρυφη στρωματοποίηση ή προφίλ, (d) βλάστηση υποορόφου, και (e) τοπογραφία. Ο συνδυασμός τους (a-e) ορίζει τη δομική ετερογένεια ή/και την πολυπλοκότητα ενός οικοσυστήματος.]]

[[Εικόνα:RSpaper10.3_Ntolka.JPG | thumb| right|'''Εικόνα 3. Η ποσοστιαία αναλογία των μελετών που διερευνούν τις αποκρίσεις των ζώων στην τρισδιάστατη δομή, όπως αυτές μετρήθηκαν και χαρτογραφήθηκαν με χρήση της τεχνολογίας LiDAR.''' Οι μελέτες αναφέρονται ανά ταξινομική ομάδα με βάση: (Α) τη γεωγραφική περιοχή και (Β) τον τύπο βιότοπου (biome). Δεν υπάρχουν δημοσιευμένες μελέτες σε περιοχές ή ενδιαιτήματα που δεν παρουσιάζονται εδώ.]]

[[Εικόνα:RSpaper10.4_Ntolka.JPG | thumb| right|'''Εικόνα 4. Αλληλεπιδράσεις μεταξύ ταξινομικών ομάδων ζώων και των τριών βασικών στοιχείων της τρισδιάστατης δομής της βλάστησης και της τοπογραφικής δομής '''(Εικόνα 2)''', που μετρήθηκαν με LiDAR.'''
(A) Ποσοστιαία αναλογία δημοσιευμένων μελετών, οι οποίες κατέγραψαν μια αύξηση του πλούτου των ειδών ή/και της ποικιλότητάς τους σε κάθε μετρούμενη δομική παράμετρο.(Β) Ο αριθμός των δημοσιευμένων μελετών, οι οποίες κατέγραψαν μια σημαντική (θετική ή αρνητική, μαύρες στήλες) ή ουδέτερη απόκριση (κενές στήλες) στην αφθονία των ζώων. Δεν βρέθηκαν δημοσιευμένες μελέτες σε σχέση με την αφθονία των μη ιπτάμενων θηλαστικών.]]

'''Εισαγωγή'''

Οι πρόσφατες εξελίξεις της τεχνολογίας LiDAR επέτρεψαν την ακριβή μέτρηση της τρισδιάστατης δομής (3D) των οικοσυστημάτων (Εικόνα 1). Στην παρούσα εργασία, εξετάζονται οι πληροφορίες που αποκτήθηκαν μέσω της τεχνολογίας LiDAR στη μελέτη της οικολογίας της πανίδας, αποκαλύπτοντας τη θεμελιώδη σημασία της τρισδιάστατης δομής του οικοσυστήματος για τα ζώα. Η δομική ετερογένεια συμβάλλει περισσότερο στην αύξηση του πλούτου και της αφθονίας των ειδών και επηρεάζεται πολύ περισσότερο από την αύξηση της πολυπλοκότητας της κάθετης δομής της βλάστησης, παρά από την ανομοιογένεια στην κάλυψη του θόλου. Ωστόσο, οι διαφορετικές ταξινομικές ομάδες αλληλεπιδρούν με μια ποικιλία τρισδιάστατων χαρακτηριστικών του θόλου των δέντρων και ορισμένες από αυτές με την τρισδιάστατη τοπογραφία. Για την καλύτερη κατανόηση της δυναμικής των ειδών, οι μελλοντικές μελέτες θα πρέπει να εξετάσουν τα αποτελέσματα των τρισδιάστατων απεικονίσεων των ενδιαιτημάτων σε μια ευρύτερη ποικιλία οικοσυστημάτων και περιλαμβάνοντας περισσότερες ταξινομικές βαθμίδες.

'''Τρισδιάστατη οικολογία: η σημαντικότητα της δομής'''

Η 3D δομή των οικοσυστημάτων έχει μεγάλη σημασία για τις ζωικές κοινότητες. Ήδη από το 1935, η κατακόρυφη δομή της βλάστησης αναγνωρίστηκε ως ένας σημαντικός παράγοντας για τις κατανομές των πτηνών. Στις πρώτες αυτές μελέτες αποδείχθηκε ότι, ο προσδιορισμός της ποικιλότητας των πτηνών στα φυλλοβόλα δάση μπορούσε να γίνει λαμβάνοντας υπόψη τη δομή της βλάστησης, ενώ η ποικιλότητα των φυτών ήταν σημαντική μόνο όταν επηρέαζε αυτή τη δομή. Είναι σαφές ότι η τρισδιάστατη δομή των οικοσυστημάτων επηρεάζει πολλές πτυχές της οικολογίας των ζωικών ειδών, που κυμαίνονται από τις κατανομές των ειδών και την αφθονία τους, ως τη συμπεριφορά και τα πρότυπα κινδύνου θήρευσης τους. Πράγματι, πολλές μελέτες έχουν δείξει ότι αποτελεί την κινητήρια δύναμη για την ποικιλομορφία πολλών ταξινομικών ομάδων πτηνών και πρωτευόντων.

Η κατανόηση της τρισδιάστατης δομής ενός οικοσυστήματος και των βιοτικών της επιδράσεων είναι θεμελιώδης για τη μελέτη της οικολογίας των ζώων. Μέχρι πρόσφατα, τα δεδομένα σχετικά με την τρισδιάστατη δομή ήταν λίγα, και ήταν δύσκολο να αποκτηθούν, ειδικά σε μεγάλες χωρικές κλίμακες. Τα μοντέλα των ενδιαιτημάτων βασίζονταν σε δεδομένα πεδίου περιορισμένης χωρικής ανάλυσης ή σε αεροφωτογραφίες και δορυφορικές εικόνες, που δεν μπορούν να διεισδύσουν πέρα από το ανώτατο τμήμα του ορόφου των φυτών ώστε να χαρακτηρίσουν την κάθετη δομή της βλάστησης. Η πρόοδος στην τεχνολογία της τηλεπισκόπησης, ιδιαίτερα όσον αφορά την τεχνολογία LiDAR, αντιμετώπισε επιτυχώς αυτές τις δυσκολίες, επιτρέποντας την ακριβή μέτρηση της τρισδιάστατης δομής των οικοσυστημάτων σε μεγάλες χωρικές κλίμακες και με μεγάλη λεπτομέρεια.

Ύστερα από διερεύνηση των δυνατοτήτων της εφαρμογής της τεχνολογίας LiDAR στην οικολογία, οι ερευνητές καταλήγουν ότι η τεχνολογία LiDAR είναι ακριβής και πολύ χρήσιμη για την αποσαφήνιση των σχέσεων μεταξύ πανίδας και της τρισδιάστατης δομής των οικοσυστημάτων. Η LiDAR δεν είναι το μόνο διαθέσιμο εργαλείο για την μέτρηση αυτής της δομής, αλλά αποτελεί αναμφίβολα την πιο ελπιδοφόρα τεχνική, όσον αφορά τόσο την ακρίβεια των αποτελεσμάτων της όσο και τη σχέση κόστους-απόδοσης ειδικά όταν εφαρμόζεται σε μεγάλες χωρικές κλίμακες, οι οποίες είναι έχουν μεγάλη σημασία σε οικοσυστημικό επίπεδο.

'''Εφαρμογές της τρισδιάστατης οικολογίας της πανίδας'''

''Ιπτάμενα σπονδυλωτά '' Τα ζώα που πετάνε (πουλιά, νυχτερίδες) ζουν και μετακινούνται σε έναν τρισδιάστατο χώρο. Ως εκ τούτου, η δομή της βλάστησης επηρεάζει όλες τις πτυχές της οικολογίας τους, από τα χαρακτηριστικά των ενδιαιτημάτων τους έως την κίνησή τους κατά την πτήση. Δεν είναι τυχαίο, ότι ο μεγαλύτερος όγκος της βιβλιογραφίας, η οποία αφορά τη δομή της βλάστησης για μελέτες οικολογίας πανίδας, έχει επικεντρωθεί στα πτηνά. Στις περισσότερες από τις μελέτες πάνω σε πουλιά που εξετάστηκαν, βρέθηκε ότι υπάρχει μια θετική συσχέτιση ανάμεσα στον πλούτο και την αφθονία των ειδών των πτηνών και στην ποικιλομορφία και πολυπλοκότητα της δομής της κόμης των δέντρων, την κάθετη κατανομή των ιστών (κλαδιά, φύλλα) και το συνολικό ύψος του θόλου (Πίνακας 1, Εικόνα 2). Επίσης, μελέτες πάνω σε νυχτερίδες κατέδειξαν ότι τόσο η δραστηριότητά τους όσο και η συχνότητα εμφάνισης της παρουσίας τους, αυξάνονταν όσο αυξανόταν και η ποικιλομορφία της δομής του θόλου των δέντρων ή/και του ύψους του.

''Χερσαία Θηλαστικά'' Σε σύγκριση με την έρευνα για τα πουλιά και τις νυχτερίδες, λιγότερες μελέτες έχουν διερευνήσει τις αλληλεπιδράσεις μεταξύ της τρισδιάστατης δομής της βλάστησης (από δεδομένα LiDAR) και των θηλαστικών. Όλες όσες εξετάστηκαν, όμως, έχουν καταγράψει σημαντική συσχέτιση μεταξύ ενός τουλάχιστον χαρακτηριστικού της δομής της βλάστησης και της προτίμησης ενδιαιτήματος από τα θηλαστικά. Αυτές οι μελέτες υποδεικνύουν ότι, όπως με τα ιπτάμενα σπονδυλωτά, η ετερογένεια της δομής της βλάστησης είναι σημαντική και για τα θηλαστικά. Τουλάχιστον δύο είδη (''Martes pennanti ''και ''Odocoileus hemionus'') φάνηκαν να ανταποκρίνονται θετικά στην αύξηση της κάθετης ετερογένειας της δομής της βλάστησης. Το πιο σημαντικό, ωστόσο, είναι ότι παρατηρήθηκαν διαφορές στις προτιμήσεις ως προς τη δομή της βλάστησης ακόμα και ανάμεσα στα δύο φύλα του ίδιου είδους, υπογραμμίζοντας την αναγκαιότητα της ύπαρξης ετερογένειας στα ενδιαιτήματα για τη βιοποικιλότητα. Η τρισδιάστατη τοπογραφική δομή παίζει επίσης πολύ σημαντικό ρόλο στην επιλογή ενδιαιτήματος από τα μη ιπτάμενα θηλαστικά. Όντας περιορισμένα στη χερσαία επιφάνεια, τα ζώα αυτά παρουσιάζουν μειωμένη κινητικότητα και επηρεάζονται έντονα από την τοπογραφία μιας περιοχής, γεγονός που αποδεικνύεται από τη σημασία της μορφολογίας του εδάφους για διάφορα είδη.

''Ασπόνδυλα'' Από τις μελέτες που εξετάστηκαν, η ετερογένεια της δομής της βλάστησης (τόσο της κατακόρυφης όσο και της οριζόντιας) ή αλλιώς « η δομική μεταβλητότητα », θεωρείται πολύ σημαντική για τις συναθροίσεις των ασπόνδυλων. Η αφθονία και ο πλούτος των ειδών των Κολεοπτέρων και των Αραχνών αυξάνεται με την αύξηση της ετερογένειας της δομικής μεταβλητότητας του θόλου. Οι διαφορές στο ύψος της βλάστησης αποτελούν, επίσης, ένα σημαντικό παράγοντα πρόβλεψης για την εκτίμηση των πληθυσμών των ασπόνδυλων. Για παράδειγμα, τρία είδη πεταλούδων προτιμούν ενδιαιτήματα με μεγάλο ύψος βλάστησης, ενώ η αφθονία των σκαθαριών μειώνεται με την αύξηση του ύψους της βλάστησης.

Τα περισσότερα ασπόνδυλα, λόγω του μικρού τους μεγέθους, κινούνται σε μικρές χωρικές κλίμακες (δεκάδες μέτρα), και τα πρότυπα απόκρισής τους στις δομικές μεταβλητές του χώρου αλλάζουν επίσης πάνω σε μικρές κλίμακες. Οι Müller et al. παρατήρησαν ότι η ποικιλότητα των αρθροπόδων αυξανόταν με την αύξηση της δομικής μεταβλητότητας και της πυκνότητας της βλάστησης σε κλίμακα επιπέδου δέντρου, αλλά ήταν σημαντικά χαμηλότερη σε κλίμακα συστάδας. Με βάση τα παραπάνω θα περιμέναμε να παρατηρήσουμε υψηλότερα επίπεδα ποικιλότητας αρθροπόδων σε δάση με σχετικά ανοιχτές συστάδες δέντρων, οι οποίες εμπεριέχουν μεμονωμένα δέντρα με πυκνή κόμη. Μια τέτοια μελέτη ήταν δυνατή μόνο λόγω της μοναδικής δυνατότητας της LiDAR, για ακριβή χαρτογράφηση της δασική δομής, σε λεπτομερή χωρική ανάλυση και για μεγάλες εκτάσεις.

'''Σύγχρονες τάσεις τρισδιάστατης χαρτογράφησης ενδιαιτημάτων'''

Οι περισσότερες μελέτες σχετικά με την οικολογία της άγριας πανίδας με χρήση LiDAR έχουν διεξαχθεί κυρίως για πουλιά, σε δασικά οικοσυστήματα της Βόρειας Αμερικής και της Ευρώπης (Εικόνα 3). Αυτό είναι αναμενόμενο δεδομένης: α) της εγγενούς τρισδιάστατης φύσης της οικολογίας των πτηνών, β) της ελκυστικότητας και της καταλληλότητας της τεχνολογίας LiDAR για τη χαρτογράφηση δασικών περιοχών και γ) της σχετικά μεγαλύτερης διαθεσιμότητας πόρων και εξειδικευμένης γνώσης σε σχέση με την LiDAR στη Βόρεια Αμερική και την Ευρώπη. Ωστόσο, το γεγονός αυτό έχει αποτελέσει έναν περιοριστικό παράγοντα ως προς τη δυνατότητα χρήσης της LiDAR για την καλύτερη κατανόηση του τρόπου με τον οποίο η τρισδιάστατη δομή ενός οικοσυστήματος επηρεάζει τη δυναμική της πανίδας.

Αποτελεσματικές μελέτες που βασίζονται σε LiDAR, τόσο για ιπτάμενα θηλαστικά, ασπόνδυλα όσο και σε σχέση με την ακουστική ποικιλομορφία (Πίνακας 1), έχουν υλοποιηθεί στην Αφρική και τη Νότια Αμερική, και σε άλλα οικοσυστήματα εκτός από δασικά. Ωστόσο, λόγω της έλλειψης επαρκούς αριθμού μελετών, είναι δύσκολο να γίνουν σαφείς δηλώσεις ως προς την κατανόηση αυτών των ταξινομικών ομάδων (taxa) ή των περιοχών. Επιπλέον, παρόλο που οι περισσότερες μελέτες επικεντρώθηκαν σε πτηνά, όλες αφορούσαν τη Βόρεια Αμερική, την Ευρώπη ή τη Χαβάη, ενώ καμία οικολογική μελέτη βασισμένη σε LiDAR δεν έχει δεν έχει δημοσιευτεί από την Ασία ή την Αυστραλία.

'''Σύνθεση'''

Η τεχνολογία LiDAR αποκάλυψε τις ισχυρές επιδράσεις της τρισδιάστατης δομής των ενδιαιτημάτων στην ποικιλομορφία και την κατανομή της πανίδας, πολλές από τις οποίες ήταν δυσδιάκριτες προηγουμένως. Η αυξημένη ετερογένεια της δομής των ενδιαιτημάτων συχνά οδηγεί σε αύξηση του πλούτου και της αφθονίας των ειδών, ενώ η κάλυψη του θόλου έχει μικτά αποτελέσματα. Υπάρχει μεγάλη έμφαση στη μέτρηση της φυτικής κάλυψης ως εναλλακτική μεθοδολογία για τη μελέτη της δομής της βλάστησης και των μοτίβων των ενδιαιτημάτων, αλλά η αύξηση της κάλυψης δεν οδηγεί πάντα σε αυξημένη ποικιλότητα ειδών. Στην πραγματικότητα, στην παρούσα επισκόπηση παρατηρήθηκε ότι συχνά οδηγεί σε μείωση της ποικιλότητας των ειδών, με τον πλούτο και την αφθονία τους να ανταποκρίνονται θετικά περισσότερο στην κάθετη τρισδιάστατη δομική ετερογένεια παρά στην κάλυψη του θόλου.

Με βάση τη μέχρι στιγμής βιβλιογραφία, συμπεραίνουμε ότι η δομική ετερογένεια των ενδιαιτημάτων αποτελεί την πλέον ευνοϊκή παράμετρο ως προς την αύξηση της βιοποικιλότητας των ειδών. Επομένως, οικοσυστήματα με μεγαλύτερη δομική ετερογένεια (π.χ. φυσικά δάση σε σύγκριση με καλλιέργειες) αναμένεται να είναι πιο ευνοϊκά για την αύξηση της βιοποικιλότητας. Επιπλέον, οι ήδη υπάρχουσες μελέτες, οι οποίες έχουν πραγματοποιηθεί σε μια μεγάλη ποικιλία ταξινομικών ομάδων (taxa) και ενδιαιτημάτων, καταδεικνύουν ότι η τεχνολογία LiDAR έχει τη δυνατότητα να προσφέρει μια μεγάλη ποικιλία στοιχείων για τα διάφορα taxa, και ότι εάν εφαρμοσθεί ευρύτερα, θα συμβάλλει σημαντικά στην περαιτέρω κατανόηση των σχέσεων και αλληλεπιδράσεων της οικολογίας των ζώων (ποικιλομορφία, διασπορά και συμπεριφορά ειδών) και της δομής της βλάστησης.

Αν και η δομική ετερογένεια οδηγεί σε γενική αύξηση της ποικιλομορφίας με την προώθηση της συνύπαρξης των ειδών, οι διαφορές απόκρισης ανάμεσα στις διαφορετικές ταξινομικές ομάδες υποδηλώνουν, ότι διαφορετικά χαρακτηριστικά της τρισδιάστατης δομής έχουν διαφορετικού βαθμού σημασία για τις διαφορετικές ομάδες. Τα ιπτάμενα σπονδυλωτά ανταποκρίνονται στην κατακόρυφη τρισδιάστατη δομή, την κάλυψη του θόλου και την πυκνότητα της βλάστησης του υποορόφου (Εικόνα 4), αλλά η αύξηση του πλούτου και της αφθονίας των ειδών (ή/και η παρουσία τους) εξαρτάται περισσότερο από την κάθετη τρισδιάστατη δομική ετερογένεια ενός ενδιαιτήματος.

Οι αποκρίσεις σε σχέση με την κάλυψη του θόλου και την πυκνότητα της βλάστησης του υποορόφου διαφέρουν ανάμεσα στα είδη, είναι θετικές για ορισμένα από αυτά και αρνητικές για κάποια άλλα. Η τοπογραφική δομή ενός οικοσυστήματος βρέθηκε ότι είναι πιο σημαντική για τα μη ιπτάμενα θηλαστικά και τα ασπόνδυλα, παρά για τα ιπτάμενα σπονδυλωτά (Εικόνα 4Β). Φαίνεται, επίσης, ότι η κάλυψη του θόλου των δέντρων έχει θετική επίδραση στα μη ιπτάμενα θηλαστικά, ενώ η πυκνότητα της βλάστησης του υποορόφου επηρεάζει τις συνήθειες αναζήτησης λείας (hunting habbits) των θηρευτών. Η κάθετη δομική ετερογένεια είχε μικτά αποτελέσματα για αυτήν την ομάδα.

Τα ασπόνδυλα ανταποκρίνονται σε διάφορα τρισδιάστατα δομικά στοιχεία, συμπεριλαμβανομένης της κάθετης ετερογένειας, της πυκνότητας του υποορόφου και της τοπογραφικής δομής, αλλά λιγότερο στην κάλυψη του θόλου (Εικόνα 4).
Παρά τη σημασία της τρισδιάστατης δομής των ενδιαιτημάτων για την οικολογία των ζώων, η μορφή και τα στάδια ανάπτυξης της βλάστησης και η σύνθεση των φυτικών ειδών εξακολουθούν να έχουν σημαντικές επιδράσεις στις ζωικές κοινότητες. Επομένως, στις οικολογικές μελέτες θα πρέπει να λαμβάνονται υπόψη και οι δύο αυτές προσεγγίσεις. Δεδομένου ότι η LiDAR δεν μπορεί εύκολα να εντοπίσει διαφοροποιήσεις ως προς τη φυτική σύνθεση, απαιτούνται μελέτες πεδίου ή άλλες προσεγγίσεις τηλεπισκόπησης, ώστε να συμπληρώσουν τα δομικά δεδομένα LiDAR.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Η συμβολή της τεχνολογίας LiDAR στην αποσαφήνιση των σχέσεων μεταξύ της πανίδας και της τρισδιάστατης δομής των ενδιαιτημάτων είναι πάρα πολύ σημαντική, παρέχοντας δεδομένα με μεγάλη λεπτομέρεια και ακρίβεια και για μεγάλες εκτάσεις. Σε συνδυασμό με δεδομένα GPS τηλεμετρίας, η LiDAR παρέχει μια εξαιρετική ευκαιρία ώστε να εκτιμηθεί ο τρόπος με τον οποίο επηρεάζονται οι μετακινήσεις των ζώων από τη βλάστηση και την τοπογραφική δομή. Η χρήση δεδομένων LiDAR θα πρέπει να επεκταθεί, εστιάζοντας όχι μόνο στην ταξινομική ποικιλομορφία, αλλά διερευνώντας επίσης το πώς τα δομικά στοιχεία ενός ενδιαιτήματος, που είναι σχετικά με τη σύνθεση των ειδών, επηρεάζουν τη λειτουργική ποικιλομορφία και τις υπηρεσίες του.

[[category:Χαρτογράφηση των οικοτόπων της πανίδας]]

[[category: Οικολογία]]

3D-LiDAR χαρτογράφηση οικοσυστήματος και εξελίξεις στη μελέτη της οικολογίας της άγριας πανίδας

2019-03-03T16:30:42Z

Ntolka Eirini:

'''3D-LiDAR χαρτογράφηση οικοσυστήματος και εξελίξεις στη μελέτη της οικολογίας της άγριας πανίδας'''

'''Πρωτότυπος τίτλος:''' ''Advances in animal ecology from 3D-LiDAR ecosystem mapping''

[[Εικόνα:RSpaper10.T1a_Ntolka.JPG | thumb| right|'''Πίνακας 1α. Δημοσιευμένες εργασίες που βασίζονται σε δεδομένα LiDAR για την τρισδιάστατη δομή της βλάστησης και της τοπογραφίας ώστε να μελετήσουν την οικολογία των ζώων. ''']]

'''Συγγραφείς: ''' Andrew B. Davies & Gregory P. Asner

'''Δημοσιεύθηκε: ''' ''Trends in Ecology & Evolution 29(12), Οκτώβριος 2014, doi: 10.1016/j.tree.2014.10.005''

[[Εικόνα:RSpaper10.Τ1_Ntolka.JPG | thumb| right|'''Πίνακας 1β. Δημοσιευμένες εργασίες που βασίζονται σε δεδομένα LiDAR για την τρισδιάστατη δομή της βλάστησης και της τοπογραφίας ώστε να μελετήσουν την οικολογία των ζώων. ''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/267634893_Advances_in_animal_ecology_from_3D-LiDAR_ecosystem_mapping]

[[Εικόνα:RSpaper10.1_Ntolka.JPG | thumb| right|'''Εικόνα 1. Παράδειγμα καταγραφής δεδομένων LiDAR (Light Detection and Ranging) από αεροπλάνο, τα οποία συλλέχθηκαν στην πεδιάδα της Αμαζονίας από το Carnegie Airborne Observatory. '''Οι παλμοί laser εκπέμπονται και επιστρέφουν σε αισθητήρα LiDAR επί του αεροσκάφους, σαρώνοντας από πλευρά σε πλευρά την περιοχή καθώς το αεροπλάνο κινείται προς τα εμπρός στον αέρα, και δημιουργείται έτσι μια δυσδιάστατη χωρική κάλυψη. Κάθε ακτίνα laser στο εγγύς υπέρυθρο μήκος κύματος, διαπερνά την κόμη των δέντρων και επιστρέφει την φωτεινή ακτινοβολία κατά μήκος της διαδρομής της προς το έδαφος. Αυτή η αλληλεπίδραση είναι ψηφιοποιημένη από τον δέκτη LiDAR και χρησιμοποιείται για τη χαρτογράφηση του ύψους της βλάστησης (Α), του υποκείμενου εδάφους (Β) και της στρωματοποίησης της βλάστησης μεταξύ τους (δεν φαίνεται). ]]

'''Λέξεις-Κλειδιά: ''' 3D-LiDAR χαρτογράφηση, ενδιαίτημα, οικολογία, τοπογραφία, δομή βλάστησης, πανίδα, αφθονία ειδών, αφθονία ζώων, τηλεπισκόπηση

[[Εικόνα:RSpaper10.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Διατομή της τρισδιάστατης δομής της βλάστησης της Αφρικανικής σαβάνας, που συλλέχθηκε από το Carnegie Airborne Observatory. '''(a) κάλυψη θόλου των δέντρων, (b) ύψος θόλου, (c) κατακόρυφη στρωματοποίηση ή προφίλ, (d) βλάστηση υποορόφου, και (e) τοπογραφία. Ο συνδυασμός τους (a-e) ορίζει τη δομική ετερογένεια ή/και την πολυπλοκότητα ενός οικοσυστήματος.]]

[[Εικόνα:RSpaper10.3_Ntolka.JPG | thumb| right|'''Εικόνα 3. Η ποσοστιαία αναλογία των μελετών που διερευνούν τις αποκρίσεις των ζώων στην τρισδιάστατη δομή, όπως αυτές μετρήθηκαν και χαρτογραφήθηκαν με χρήση της τεχνολογίας LiDAR.''' Οι μελέτες αναφέρονται ανά ταξινομική ομάδα με βάση: (Α) τη γεωγραφική περιοχή και (Β) τον τύπο βιοσυστήματος (biome). Δεν υπάρχουν δημοσιευμένες μελέτες σε περιοχές ή ενδιαιτήματα που δεν παρουσιάζονται εδώ.]]

[[Εικόνα:RSpaper10.4_Ntolka.JPG | thumb| right|'''Εικόνα 4. Αλληλεπιδράσεις μεταξύ ταξινομικών ομάδων ζώων και των τριών βασικών στοιχείων της τρισδιάστατης δομής της βλάστησης και της τοπογραφικής δομής '''(Εικόνα 2)''', που μετρήθηκαν με LiDAR.'''
(A) Ποσοστιαία αναλογία δημοσιευμένων μελετών, οι οποίες κατέγραψαν μια αύξηση του πλούτου των ειδών ή/και της ποικιλότητάς τους σε κάθε μετρούμενη δομική παράμετρο.(Β) Ο αριθμός των δημοσιευμένων μελετών, οι οποίες κατέγραψαν μια σημαντική (θετική ή αρνητική, μαύρες στήλες) ή ουδέτερη απόκριση (κενές στήλες) στην αφθονία των ζώων. Δεν βρέθηκαν δημοσιευμένες μελέτες σε σχέση με την αφθονία των μη ιπτάμενων θηλαστικών.]]

'''Εισαγωγή'''

Οι πρόσφατες εξελίξεις της τεχνολογίας LiDAR επέτρεψαν την ακριβή μέτρηση της τρισδιάστατης δομής (3D) των οικοσυστημάτων (Εικόνα 1). Στην παρούσα εργασία, εξετάζονται οι πληροφορίες που αποκτήθηκαν μέσω της τεχνολογίας LiDAR στη μελέτη της οικολογίας της πανίδας, αποκαλύπτοντας τη θεμελιώδη σημασία της τρισδιάστατης δομής του οικοσυστήματος για τα ζώα. Η δομική ετερογένεια συμβάλλει περισσότερο στην αύξηση του πλούτου και της αφθονίας των ειδών και επηρεάζεται πολύ περισσότερο από την αύξηση της πολυπλοκότητας της κάθετης δομής της βλάστησης, παρά από την ανομοιογένεια στην κάλυψη του θόλου. Ωστόσο, οι διαφορετικές ταξινομικές ομάδες αλληλεπιδρούν με μια ποικιλία τρισδιάστατων χαρακτηριστικών του θόλου των δέντρων και ορισμένες από αυτές με την τρισδιάστατη τοπογραφία. Για την καλύτερη κατανόηση της δυναμικής των ειδών, οι μελλοντικές μελέτες θα πρέπει να εξετάσουν τα αποτελέσματα των τρισδιάστατων απεικονίσεων των ενδιαιτημάτων σε μια ευρύτερη ποικιλία οικοσυστημάτων και περιλαμβάνοντας περισσότερες ταξινομικές βαθμίδες.

'''Τρισδιάστατη οικολογία: η σημαντικότητα της δομής'''

Η 3D δομή των οικοσυστημάτων έχει μεγάλη σημασία για τις ζωικές κοινότητες. Ήδη από το 1935, η κατακόρυφη δομή της βλάστησης αναγνωρίστηκε ως ένας σημαντικός παράγοντας για τις κατανομές των πτηνών. Στις πρώτες αυτές μελέτες αποδείχθηκε ότι, ο προσδιορισμός της ποικιλότητας των πτηνών στα φυλλοβόλα δάση μπορούσε να γίνει λαμβάνοντας υπόψη τη δομή της βλάστησης, ενώ η ποικιλότητα των φυτών ήταν σημαντική μόνο όταν επηρέαζε αυτή τη δομή. Είναι σαφές ότι η τρισδιάστατη δομή των οικοσυστημάτων επηρεάζει πολλές πτυχές της οικολογίας των ζωικών ειδών, που κυμαίνονται από τις κατανομές των ειδών και την αφθονία τους, ως τη συμπεριφορά και τα πρότυπα κινδύνου θήρευσης τους. Πράγματι, πολλές μελέτες έχουν δείξει ότι αποτελεί την κινητήρια δύναμη για την ποικιλομορφία πολλών ταξινομικών ομάδων πτηνών και πρωτευόντων.

Η κατανόηση της τρισδιάστατης δομής ενός οικοσυστήματος και των βιοτικών της επιδράσεων είναι θεμελιώδης για τη μελέτη της οικολογίας των ζώων. Μέχρι πρόσφατα, τα δεδομένα σχετικά με την τρισδιάστατη δομή ήταν λίγα, και ήταν δύσκολο να αποκτηθούν, ειδικά σε μεγάλες χωρικές κλίμακες. Τα μοντέλα των ενδιαιτημάτων βασίζονταν σε δεδομένα πεδίου περιορισμένης χωρικής ανάλυσης ή σε αεροφωτογραφίες και δορυφορικές εικόνες, που δεν μπορούν να διεισδύσουν πέρα από το ανώτατο τμήμα του ορόφου των φυτών ώστε να χαρακτηρίσουν την κάθετη δομή της βλάστησης. Η πρόοδος στην τεχνολογία της τηλεπισκόπησης, ιδιαίτερα όσον αφορά την τεχνολογία LiDAR, αντιμετώπισε επιτυχώς αυτές τις δυσκολίες, επιτρέποντας την ακριβή μέτρηση της τρισδιάστατης δομής των οικοσυστημάτων σε μεγάλες χωρικές κλίμακες και με μεγάλη λεπτομέρεια.

Ύστερα από διερεύνηση των δυνατοτήτων της εφαρμογής της τεχνολογίας LiDAR στην οικολογία, οι ερευνητές καταλήγουν ότι η τεχνολογία LiDAR είναι ακριβής και πολύ χρήσιμη για την αποσαφήνιση των σχέσεων μεταξύ πανίδας και της τρισδιάστατης δομής των οικοσυστημάτων. Η LiDAR δεν είναι το μόνο διαθέσιμο εργαλείο για την μέτρηση αυτής της δομής, αλλά αποτελεί αναμφίβολα την πιο ελπιδοφόρα τεχνική, όσον αφορά τόσο την ακρίβεια των αποτελεσμάτων της όσο και τη σχέση κόστους-απόδοσης ειδικά όταν εφαρμόζεται σε μεγάλες χωρικές κλίμακες, οι οποίες είναι έχουν μεγάλη σημασία σε οικοσυστημικό επίπεδο.

'''Εφαρμογές της τρισδιάστατης οικολογίας της πανίδας'''

''Ιπτάμενα σπονδυλωτά '' Τα ζώα που πετάνε (πουλιά, νυχτερίδες) ζουν και μετακινούνται σε έναν τρισδιάστατο χώρο. Ως εκ τούτου, η δομή της βλάστησης επηρεάζει όλες τις πτυχές της οικολογίας τους, από τα χαρακτηριστικά των ενδιαιτημάτων τους έως την κίνησή τους κατά την πτήση. Δεν είναι τυχαίο, ότι ο μεγαλύτερος όγκος της βιβλιογραφίας, η οποία αφορά τη δομή της βλάστησης για μελέτες οικολογίας πανίδας, έχει επικεντρωθεί στα πτηνά. Στις περισσότερες από τις μελέτες πάνω σε πουλιά που εξετάστηκαν, βρέθηκε ότι υπάρχει μια θετική συσχέτιση ανάμεσα στον πλούτο και την αφθονία των ειδών των πτηνών και στην ποικιλομορφία και πολυπλοκότητα της δομής της κόμης των δέντρων, την κάθετη κατανομή των ιστών (κλαδιά, φύλλα) και το συνολικό ύψος του θόλου (Πίνακας 1, Εικόνα 2). Επίσης, μελέτες πάνω σε νυχτερίδες κατέδειξαν ότι τόσο η δραστηριότητά τους όσο και η συχνότητα εμφάνισης της παρουσίας τους, αυξάνονταν όσο αυξανόταν και η ποικιλομορφία της δομής του θόλου των δέντρων ή/και του ύψους του.

''Χερσαία Θηλαστικά'' Σε σύγκριση με την έρευνα για τα πουλιά και τις νυχτερίδες, λιγότερες μελέτες έχουν διερευνήσει τις αλληλεπιδράσεις μεταξύ της τρισδιάστατης δομής της βλάστησης (από δεδομένα LiDAR) και των θηλαστικών. Όλες όσες εξετάστηκαν, όμως, έχουν καταγράψει σημαντική συσχέτιση μεταξύ ενός τουλάχιστον χαρακτηριστικού της δομής της βλάστησης και της προτίμησης ενδιαιτήματος από τα θηλαστικά. Αυτές οι μελέτες υποδεικνύουν ότι, όπως με τα ιπτάμενα σπονδυλωτά, η ετερογένεια της δομής της βλάστησης είναι σημαντική και για τα θηλαστικά. Τουλάχιστον δύο είδη (''Martes pennanti ''και ''Odocoileus hemionus'') φάνηκαν να ανταποκρίνονται θετικά στην αύξηση της κάθετης ετερογένειας της δομής της βλάστησης. Το πιο σημαντικό, ωστόσο, είναι ότι παρατηρήθηκαν διαφορές στις προτιμήσεις ως προς τη δομή της βλάστησης ακόμα και ανάμεσα στα δύο φύλα του ίδιου είδους, υπογραμμίζοντας την αναγκαιότητα της ύπαρξης ετερογένειας στα ενδιαιτήματα για τη βιοποικιλότητα. Η τρισδιάστατη τοπογραφική δομή παίζει επίσης πολύ σημαντικό ρόλο στην επιλογή ενδιαιτήματος από τα μη ιπτάμενα θηλαστικά. Όντας περιορισμένα στη χερσαία επιφάνεια, τα ζώα αυτά παρουσιάζουν μειωμένη κινητικότητα και επηρεάζονται έντονα από την τοπογραφία μιας περιοχής, γεγονός που αποδεικνύεται από τη σημασία της μορφολογίας του εδάφους για διάφορα είδη.

''Ασπόνδυλα'' Από τις μελέτες που εξετάστηκαν, η ετερογένεια της δομής της βλάστησης (τόσο της κατακόρυφης όσο και της οριζόντιας) ή αλλιώς « η δομική μεταβλητότητα », θεωρείται πολύ σημαντική για τις συναθροίσεις των ασπόνδυλων. Η αφθονία και ο πλούτος των ειδών των Κολεοπτέρων και των Αραχνών αυξάνεται με την αύξηση της ετερογένειας της δομικής μεταβλητότητας του θόλου. Οι διαφορές στο ύψος της βλάστησης αποτελούν, επίσης, ένα σημαντικό παράγοντα πρόβλεψης για την εκτίμηση των πληθυσμών των ασπόνδυλων. Για παράδειγμα, τρία είδη πεταλούδων προτιμούν ενδιαιτήματα με μεγάλο ύψος βλάστησης, ενώ η αφθονία των σκαθαριών μειώνεται με την αύξηση του ύψους της βλάστησης.

Τα περισσότερα ασπόνδυλα, λόγω του μικρού τους μεγέθους, κινούνται σε μικρές χωρικές κλίμακες (δεκάδες μέτρα), και τα πρότυπα απόκρισής τους στις δομικές μεταβλητές του χώρου αλλάζουν επίσης πάνω σε μικρές κλίμακες. Οι Müller et al. παρατήρησαν ότι η ποικιλότητα των αρθροπόδων αυξανόταν με την αύξηση της δομικής μεταβλητότητας και της πυκνότητας της βλάστησης σε κλίμακα επιπέδου δέντρου, αλλά ήταν σημαντικά χαμηλότερη σε κλίμακα συστάδας. Με βάση τα παραπάνω θα περιμέναμε να παρατηρήσουμε υψηλότερα επίπεδα ποικιλότητας αρθροπόδων σε δάση με σχετικά ανοιχτές συστάδες δέντρων, οι οποίες εμπεριέχουν μεμονωμένα δέντρα με πυκνή κόμη. Μια τέτοια μελέτη ήταν δυνατή μόνο λόγω της μοναδικής δυνατότητας της LiDAR, για ακριβή χαρτογράφηση της δασική δομής, σε λεπτομερή χωρική ανάλυση και για μεγάλες εκτάσεις.

'''Σύγχρονες τάσεις τρισδιάστατης χαρτογράφησης ενδιαιτημάτων'''

Οι περισσότερες μελέτες σχετικά με την οικολογία της άγριας πανίδας με χρήση LiDAR έχουν διεξαχθεί κυρίως για πουλιά, σε δασικά οικοσυστήματα της Βόρειας Αμερικής και της Ευρώπης (Εικόνα 3). Αυτό είναι αναμενόμενο δεδομένης: α) της εγγενούς τρισδιάστατης φύσης της οικολογίας των πτηνών, β) της ελκυστικότητας και της καταλληλότητας της τεχνολογίας LiDAR για τη χαρτογράφηση δασικών περιοχών και γ) της σχετικά μεγαλύτερης διαθεσιμότητας πόρων και εξειδικευμένης γνώσης σε σχέση με την LiDAR στη Βόρεια Αμερική και την Ευρώπη. Ωστόσο, το γεγονός αυτό έχει αποτελέσει έναν περιοριστικό παράγοντα ως προς τη δυνατότητα χρήσης της LiDAR για την καλύτερη κατανόηση του τρόπου με τον οποίο η τρισδιάστατη δομή ενός οικοσυστήματος επηρεάζει τη δυναμική της πανίδας.

Αποτελεσματικές μελέτες που βασίζονται σε LiDAR, τόσο για ιπτάμενα θηλαστικά, ασπόνδυλα όσο και σε σχέση με την ακουστική ποικιλομορφία (Πίνακας 1), έχουν υλοποιηθεί στην Αφρική και τη Νότια Αμερική, και σε άλλα οικοσυστήματα εκτός από δασικά. Ωστόσο, λόγω της έλλειψης επαρκούς αριθμού μελετών, είναι δύσκολο να γίνουν σαφείς δηλώσεις ως προς την κατανόηση αυτών των ταξινομικών ομάδων (taxa) ή των περιοχών. Επιπλέον, παρόλο που οι περισσότερες μελέτες επικεντρώθηκαν σε πτηνά, όλες αφορούσαν τη Βόρεια Αμερική, την Ευρώπη ή τη Χαβάη, ενώ καμία οικολογική μελέτη βασισμένη σε LiDAR δεν έχει δεν έχει δημοσιευτεί από την Ασία ή την Αυστραλία.

'''Σύνθεση'''

Η τεχνολογία LiDAR αποκάλυψε τις ισχυρές επιδράσεις της τρισδιάστατης δομής των ενδιαιτημάτων στην ποικιλομορφία και την κατανομή της πανίδας, πολλές από τις οποίες ήταν δυσδιάκριτες προηγουμένως. Η αυξημένη ετερογένεια της δομής των ενδιαιτημάτων συχνά οδηγεί σε αύξηση του πλούτου και της αφθονίας των ειδών, ενώ η κάλυψη του θόλου έχει μικτά αποτελέσματα. Υπάρχει μεγάλη έμφαση στη μέτρηση της φυτικής κάλυψης ως εναλλακτική μεθοδολογία για τη μελέτη της δομής της βλάστησης και των μοτίβων των ενδιαιτημάτων, αλλά η αύξηση της κάλυψης δεν οδηγεί πάντα σε αυξημένη ποικιλότητα ειδών. Στην πραγματικότητα, στην παρούσα επισκόπηση παρατηρήθηκε ότι συχνά οδηγεί σε μείωση της ποικιλότητας των ειδών, με τον πλούτο και την αφθονία τους να ανταποκρίνονται θετικά περισσότερο στην κάθετη τρισδιάστατη δομική ετερογένεια παρά στην κάλυψη του θόλου.

Με βάση τη μέχρι στιγμής βιβλιογραφία, συμπεραίνουμε ότι η δομική ετερογένεια των ενδιαιτημάτων αποτελεί την πλέον ευνοϊκή παράμετρο ως προς την αύξηση της βιοποικιλότητας των ειδών. Επομένως, οικοσυστήματα με μεγαλύτερη δομική ετερογένεια (π.χ. φυσικά δάση σε σύγκριση με καλλιέργειες) αναμένεται να είναι πιο ευνοϊκά για την αύξηση της βιοποικιλότητας. Επιπλέον, οι ήδη υπάρχουσες μελέτες, οι οποίες έχουν πραγματοποιηθεί σε μια μεγάλη ποικιλία ταξινομικών ομάδων (taxa) και ενδιαιτημάτων, καταδεικνύουν ότι η τεχνολογία LiDAR έχει τη δυνατότητα να προσφέρει μια μεγάλη ποικιλία στοιχείων για τα διάφορα taxa, και ότι εάν εφαρμοσθεί ευρύτερα, θα συμβάλλει σημαντικά στην περαιτέρω κατανόηση των σχέσεων και αλληλεπιδράσεων της οικολογίας των ζώων (ποικιλομορφία, διασπορά και συμπεριφορά ειδών) και της δομής της βλάστησης.

Αν και η δομική ετερογένεια οδηγεί σε γενική αύξηση της ποικιλομορφίας με την προώθηση της συνύπαρξης των ειδών, οι διαφορές απόκρισης ανάμεσα στις διαφορετικές ταξινομικές ομάδες υποδηλώνουν, ότι διαφορετικά χαρακτηριστικά της τρισδιάστατης δομής έχουν διαφορετικού βαθμού σημασία για τις διαφορετικές ομάδες. Τα ιπτάμενα σπονδυλωτά ανταποκρίνονται στην κατακόρυφη τρισδιάστατη δομή, την κάλυψη του θόλου και την πυκνότητα της βλάστησης του υποορόφου (Εικόνα 4), αλλά η αύξηση του πλούτου και της αφθονίας των ειδών (ή/και η παρουσία τους) εξαρτάται περισσότερο από την κάθετη τρισδιάστατη δομική ετερογένεια ενός ενδιαιτήματος.

Οι αποκρίσεις σε σχέση με την κάλυψη του θόλου και την πυκνότητα της βλάστησης του υποορόφου διαφέρουν ανάμεσα στα είδη, είναι θετικές για ορισμένα από αυτά και αρνητικές για κάποια άλλα. Η τοπογραφική δομή ενός οικοσυστήματος βρέθηκε ότι είναι πιο σημαντική για τα μη ιπτάμενα θηλαστικά και τα ασπόνδυλα, παρά για τα ιπτάμενα σπονδυλωτά (Εικόνα 4Β). Φαίνεται, επίσης, ότι η κάλυψη του θόλου των δέντρων έχει θετική επίδραση στα μη ιπτάμενα θηλαστικά, ενώ η πυκνότητα της βλάστησης του υποορόφου επηρεάζει τις συνήθειες αναζήτησης λείας (hunting habbits) των θηρευτών. Η κάθετη δομική ετερογένεια είχε μικτά αποτελέσματα για αυτήν την ομάδα.

Τα ασπόνδυλα ανταποκρίνονται σε διάφορα τρισδιάστατα δομικά στοιχεία, συμπεριλαμβανομένης της κάθετης ετερογένειας, της πυκνότητας του υποορόφου και της τοπογραφικής δομής, αλλά λιγότερο στην κάλυψη του θόλου (Εικόνα 4).
Παρά τη σημασία της τρισδιάστατης δομής των ενδιαιτημάτων για την οικολογία των ζώων, η μορφή και τα στάδια ανάπτυξης της βλάστησης και η σύνθεση των φυτικών ειδών εξακολουθούν να έχουν σημαντικές επιδράσεις στις ζωικές κοινότητες. Επομένως, στις οικολογικές μελέτες θα πρέπει να λαμβάνονται υπόψη και οι δύο αυτές προσεγγίσεις. Δεδομένου ότι η LiDAR δεν μπορεί εύκολα να εντοπίσει διαφοροποιήσεις ως προς τη φυτική σύνθεση, απαιτούνται μελέτες πεδίου ή άλλες προσεγγίσεις τηλεπισκόπησης, ώστε να συμπληρώσουν τα δομικά δεδομένα LiDAR.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Η συμβολή της τεχνολογίας LiDAR στην αποσαφήνιση των σχέσεων μεταξύ της πανίδας και της τρισδιάστατης δομής των ενδιαιτημάτων είναι πάρα πολύ σημαντική, παρέχοντας δεδομένα με μεγάλη λεπτομέρεια και ακρίβεια και για μεγάλες εκτάσεις. Σε συνδυασμό με δεδομένα GPS τηλεμετρίας, η LiDAR παρέχει μια εξαιρετική ευκαιρία ώστε να εκτιμηθεί ο τρόπος με τον οποίο επηρεάζονται οι μετακινήσεις των ζώων από τη βλάστηση και την τοπογραφική δομή. Η χρήση δεδομένων LiDAR θα πρέπει να επεκταθεί, εστιάζοντας όχι μόνο στην ταξινομική ποικιλομορφία, αλλά διερευνώντας επίσης το πώς τα δομικά στοιχεία ενός ενδιαιτήματος, που είναι σχετικά με τη σύνθεση των ειδών, επηρεάζουν τη λειτουργική ποικιλομορφία και τις υπηρεσίες του.

[[category:Χαρτογράφηση των οικοτόπων της πανίδας]]

[[category: Οικολογία]]

Ανίχνευση δασικών δρόμων με χρήση δεδομένων LiDAR

2019-03-03T16:15:11Z

Ntolka Eirini:

'''Ανίχνευση δασικών δρόμων με χρήση δεδομένων LiDAR '''
[[Εικόνα:RSpaper9.1_Ntolka.JPG | thumb| right|'''Εικόνα 1.''' (a) '''DTM''',(b) '''DSM''', (c) '''DNTM''', (d) '''Δεδομένα έντασης ''']]

'''Πρωτότυπος τίτλος:''' ''Forest Road Detection Using LiDAR Data''

[[Εικόνα:RSpaperT9.1_Ntolka.JPG | thumb| right|'''Πίνακας 1. SVM μήτρα ταξινόμησης '''(Support Vector Machine - Μηχανή Διανυσματικής Υποστήριξης ) ]]

'''Συγγραφείς: ''' Zahra Azizi, Akbar Najafi, Saeed Sadeghian

'''Δημοσιεύθηκε: ''' ''Journal of Forestry Research 25(4): 975-980, Δεκέμβριος 2014, doi: 10.1007/s11676-014-0544-0''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/267816462_Forest_Road_Detection_Using_LiDAR_Data]

'''Λέξεις-Κλειδιά: ''' δασικός δρόμος, LiDAR, SVM, μέθοδος IDW

[[Εικόνα:RSpaper9.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Πεδίο ρύθμισης κεντρικών γραμμών '''(πράσινο)''' και ψηφιοποιημένη κεντρική γραμμή''' (ροζ)'''. ''']]

[[Εικόνα:RSpaperT9.2_Ntolka.JPG | thumb| right|'''Πίνακας 2. Εκτιμήσεις της SVM ταξινόμησης.''']]

'''Εισαγωγή'''

Η λεπτομερής και ακριβής καταγραφή των δασικών δρόμων είναι πολύ σημαντική για τη διαχείριση των δασών. Είναι απαραίτητο να υπάρχει ένας λεπτομερής χάρτης για κάθε δασικό δρόμο, ώστε να διευκολύνονται δραστηριότητες, όπως η λήψη μέτρων αντιπυρικής προστασίας, η μεταφορά δασικών προϊόντων, τα ταξίδια, η αναψυχή και η εκπαίδευση. Οι δρόμοι αποτελούν, επίσης, ένα σημαντικό θεματικό επίπεδο δεδομένων (data layer) στα Γεωγραφικά Συστήματα Πληροφοριών (GIS - Geographical Information Systems).

Η χρήση δεδομένων GPS αποτελεί μέχρι σήμερα την καταλληλότερη μέθοδο για την ενημέρωση των πληροφοριών σε σχέση με τους δασικούς δρόμους του Ιράν, κυρίως λόγω του χαμηλού της κόστους. Ωστόσο, είναι συχνά ανακριβής και χρονοβόρα. Κατά την εφαρμογή της σε δασικές περιοχές εμφανίζονται διάφορα προβλήματα, όπως η χαμηλή διαθεσιμότητα των δορυφορικών σημάτων κάτω από το θόλο των δέντρων.

Η αυτοματοποιημένη εξαγωγή (extrapolation) δρόμων με τη χρήση δεδομένων τηλεπισκόπησης μπορεί να συμβάλλει στην εξοικονόμηση του χρόνου και κόστους εργασίας για την ενημέρωση μιας βάσης δεδομένων δασικών δρόμων. Η χαρτογράφηση της επιφάνειας της γης χρησιμοποιώντας ένα σύστημα ''LiDAR (Light Detection and Ranging)'' αποτελεί την πιο ακριβή μέθοδο. Η LiDAR χρησιμοποιείται για τη λήψη πληροφοριών σε σχέση με τη μορφολογία του εδάφους και στηρίζεται στην εκπομπή παλμικής ακτινοβολίας laser στην ατμόσφαιρα και στην ακόλουθη καταγραφή της οπισθοσκεδαζόμενης ακτινοβολίας για την καταγραφή της απόστασης από την επιφάνεια της γης.
Αποτελεί μια αξιόπιστη τεχνική για τη συλλογή υψομετρικών δεδομένων διαφόρων επιπέδων επιφανείας, ανάλογα με τη διείσδυση της δέσμης laser προς το έδαφος. Αυτά τα δεδομένα μπορούν να χρησιμοποιηθούν για τη δημιουργία ενός Ψηφιακού Υψομετρικού Μοντέλου ''(DEM - Digital Elevation Model)'', και η καταγραφή της έντασης της οπισθοσκεδαζόμενης ακτινοβολίας μπορεί να χρησιμοποιηθεί για την ταξινόμηση των επιφανειακών αντικειμένων. Σε περιοχές όπου υπάρχει βλάστηση, οι πρώτες επιστροφές της ακτινοβολίας αντιστοιχούν γενικά στο ανώτερο επίπεδο του θόλου (στις κορυφές της κόμης των δέντρων) και χρησιμοποιούνται για τη δημιουργία των Ψηφιακών Επιφανειακών Μοντέλων ''(DSM - Digital Surface Model)'', ενώ οι τελευταίες επιστροφές αντιστοιχούν στην επιφάνεια του εδάφους και χρησιμοποιούνται για τη δημιουργία των Ψηφιακών Εδαφικών Μοντέλων ''(DTM - Digital Terrain Model)''. Τα δεδομένα DEM είναι συνήθως σε μορφή ψηφιδωτού (raster) και δημιουργούνται χρησιμοποιώντας τεχνικές χωρικής παρεμβολής πάνω σε σημειακά δεδομένα. Οι πιο κοινοί τύποι επιφανειών είναι αυτοί που παράγονται από τα δίκτυα ακανόνιστων τριγώνων ''(TIN - Triangulated Irregular Network) ''ή τη μέθοδο αντίστροφης βαρύνουσας απόστασης ''(IDW - Inverse Distance Weighting)''.

Η ταξινόμηση των δεδομένων LiDAR σε αντικείμενα όπως ένας δρόμος, ένα δέντρο και ένα κτίριο σε μια δασική περιοχή έχει αποτελέσει ένα δύσκολο έργο στις μελέτες τηλεπισκόπησης. Μέχρι πρόσφατα, η Μηχανή Διανυσματικής Υποστήριξης ''(SVM - Support Vector Machine)'' υπήρξε μια δημοφιλής και αξιόπιστη προσέγγιση για την ταξινόμηση των δεδομένων με στόχο την εξαγωγή δρόμων.

Σκοπός αυτής της μελέτης ήταν ο προσδιορισμός της καταλληλότητας της τεχνολογίας LiDAR για την εξαγωγή δασικών δρόμων. Ακολουθήθηκε μια διαδικασία τριών σταδίων: Στο πρώτο στάδιο χρησιμοποιήθηκε η μέθοδος χωρικής παρεμβολής IDW, ώστε να δημιουργηθούν τα στρώματα DSM, DTM και ''DNTM (Digital Non Terrain Model)''. Στο δεύτερο στάδιο, ταξινομήθηκαν τα δεδομένα LiDAR με χρήση του αλγόριθμου SVM, ώστε να εξαχθεί ένας δασικός δρόμος και στο τελευταίο στάδιο πραγματοποιήθηκε αξιολόγηση της ακρίβειας των αποτελεσμάτων. Η θέση του δρόμου αξιολογήθηκε με βάση τα ακόλουθα κριτήρια: α)την ''ταξινόμηση'', καθορισμός του ποσοστού της οδικής περιοχής που θα μπορούσε να προσδιοριστεί ορθά με τα δεδομένα LiDAR, β) την ''ακρίβεια θέσης'', καθορισμός του 95ου εκατοστημορίου της οριζόντιας απόστασης που διαχωρίζει την προερχόμενη από το LiDAR κεντρική γραμμή και την επιβεβαιωμένη από έρευνα πεδίου κεντρική γραμμή του δρόμου.

'''Περιοχή μελέτης'''

Η περιοχή μελέτης αποτελεί τμήμα των δασών Hyrcanian στην επαρχία Golestan του Ιράν. H μορφολογία του εδάφους είναι κρημνώδης, ανομοιόμορφη, με υψόμετρα που κυμαίνονται από 290 έως 720 m και κλίσεις επιφάνειας εδάφους από 3% έως 65%. Ο δασικός δρόμος χτίστηκε το 1990 και χρησιμοποιήθηκε για την πρόσβαση στο δάσος Shastkola για τη συγκομιδή ξυλείας, την πραγματοποίηση ερευνών πεδίου και τη διαχείριση και προστασία των δασών. Το μέσο πλάτος της επιφάνειας του οδοστρώματος ήταν 3,5 m. Ορισμένα τμήματα του δρόμου ήταν κρυμμένα κάτω από το θόλο του δάσους, με μέσο όρο κάλυψής του 80% και εύρος 40-100%.

'''Υλικά και Μέθοδοι '''

''Πηγές δεδομένων''

Τα δεδομένα LiDAR συλλέχθηκαν από τον Εθνικό Γεωγραφικό Οργανισμό του Ιράν (NGO), χρησιμοποιώντας έναν αισθητήρα τοποθετημένο σε αεροσκάφος σταθερής πτέρυγας. Η έρευνα διεξήχθη τον Οκτώβριο του 2011 και τα δεδομένα LiDAR συμπεριλάμβαναν τις πρώτες και τελευταίες επιστροφές των δεδομένων απόστασης και έντασης ακτινοβολίας laser, με μέση πυκνότητα σημείων στην επιφάνεια τα 4 σημεία/τ.μ.. Για την αξιολόγηση της εξαγωγής του δρόμου, χρησιμοποιήθηκαν 2 διανυσματικά θεματικά επίπεδα. Ένα από 87 σημεία ελέγχου με οριζόντια ακρίβεια 0,08 m, και ένα ακόμα οδικό δίκτυο (σε μορφή γραμμών) από προηγούμενες μελέτες στην ίδια περιοχή.

''Προεπεξεργασία & προετοιμασία των στρωμάτων''

Για τη δημιουργία ενός ακριβούς DEM, πριν την παρεμβολή του σε μορφή raster, πρέπει να αφαιρεθούν τα μη εδαφικά σημεία. Στην παρούσα έρευνα για το φιλτράρισμα του εδάφους (ground filtering) χρησιμοποιήθηκαν οι τελευταίες επιστροφές παλμού, καθώς διαπερνούν τη βλάστηση και φτάνουν πιο κοντά στην επιφάνεια του εδάφους. Τα μη εδαφικά σημεία αφαιρέθηκαν με την εφαρμογή της Εξίσωσης 1, με βάση την οποία η διαφορά μεταξύ του πρώτου και του τελευταίου παλμού δεν πρέπει να είναι μικρότερη από μια συγκεκριμένη τιμή κατωφλίου ''Τ''. Στην περίπτωση που η διαφορά είναι μικρότερη από Τ, το σημείο αφαιρείται. Το Τ υπολογίζεται μέσω της Εξίσωσης 2, όπου ''σ'' είναι το σφάλμα στη μέτρηση του υψομέτρου στα δεδομένα LiDAR.
Για τον επανυπολογισμό των αφαιρεθέντων σημείων, εφαρμόσθηκε στη συνέχεια η μέθοδος παρεμβολής IDW.Από τα δεδομένα για τον τελευταίο παλμό δημιουργήθηκε ένα Ψηφιακό Εδαφικό Μοντέλο (DTM) και από τα δεδομένα για τον πρώτο παλμό ένα Ψηφιακό Επιφανειακό Μοντέλο (DSM). Για να απαλειφθεί η τοπογραφική επίδραση στον προσδιορισμό του δρόμου χρησιμοποιήθηκε ένα Ψηφιακό Μη Εδαφικό Μοντέλο (DNTM), (Εξίσωση 3):

First Pulse – Last Pulse > Τ (1)

T ≥ √(σ^2*First Pulse+σ^2*Last Pulse) (2)

DNTM = DSM – DTM (3)

''Ταξινόμηση SVM & αξιολόγηση αποτελεσμάτων''

Tα δεδομένα LiDAR για την ένταση της ακτινοβολίας ταξινομήθηκαν μέσω της μηχανής εκπαίδευσης SVM σε δύο κατηγορίες. Στη μία κατηγορία αντιστοιχούσαν τα δεδομένα που υποδείκνυαν την εύρεση δρόμου και στην άλλη αυτά που δεν την υποδείκνυαν. Στη συνέχεια, στην ταξινόμηση χρησιμοποιήθηκαν και τα LiDAR δεδομένα απόστασης, ώστε να αφαιρεθούν τα εικονοστοιχεία τα οποία είχαν ραδιομετρικές τιμές παρόμοιες με τα εικονοστοιχεία επιφάνειας δρόμου, αλλά δεν αποτελούσαν εικονοστοιχεία δρόμου.
Η αξιολόγηση των εξαχθέντων δεδομένων δρόμου έγινε σε 2 στάδια.
Κατά το πρώτο στάδιο, συγκρίθηκαν οι αυτόματα εξαχθείσες κεντρικές γραμμές του δρόμου με τους χειροκίνητα σχεδιασμένους οδικούς άξονες, οι οποίοι χρησιμοποιήθηκαν ως δεδομένα αναφοράς. Συγκεκριμένα, με χρήση του αλγόριθμου SVM υπολογίσθηκε ο αριθμός των εξαχθέντων δρόμων που αντιστοιχούσε ορθά - «ταίριαζε» στον αριθμό του οδικού δικτύου αναφοράς. Τα αντιστοιχισμένα εξαχθέντα για τους δρόμους δεδομένα χαρακτηρίζονταν ως ορθώς θετικά ( ΤP - True Positive), υπογραμμίζοντας το γεγονός ότι ο αλγόριθμος εξαγωγής βρήκε πράγματι δρόμο. Τα εξαχθέντα δεδομένα δρόμου που δεν συνέπιπταν με αυτά του δικτύου αναφοράς χαρακτηρίζονταν ως ψευδώς θετικά (FP – False Positive). Στη συνέχεια, η σύγκριση των δεδομένων έγινε με αντίστροφο τρόπο, δηλαδή εξετάζοντας αν τα δεδομένα αναφοράς ταιριάζουν με τα εξαχθέντα για τους δρόμους δεδομένα, τα οποία χρησιμοποιούνταν ως βάση. Τα δεδομένα αναφοράς που δεν συνέπιπταν με τα εξαχθέντα δεδομένα χαρακτηρίζονταν ως λανθασμένα αρνητικά (FN - False Negative) ενώ αυτά που συνέπιπταν ως ορθώς θετικά ( TP - True Positive).
Κατά το δεύτερο στάδιο, για την αξιολόγηση των εξαχθέντων δεδομένων δρόμου χρησιμοποιήθηκαν τρία μέτρα ποιότητας: η πληρότητα (completeness), η ορθότητα (correctness) και η ποιότητα (quality) (Εξισώσεις 4-6).

Completeness = TP/ (TP + FN) (4)

Correctness = TP/ (TP + FP) (5)

Quality = TP/ (TP + FP + FN) (6)

''Σύγκριση εξαχθείσας κεντρικής γραμμής δρόμου με εκείνη που προσδιορίστηκε από επιτόπια έρευνα ''

Η θέση της κεντρικής γραμμής δρόμου που προέκυψε από τα δεδομένα LiDAR με τη θέση της κεντρικής γραμμής από την έρευνα πεδίου, πραγματοποιήθηκε με χρήση 117 σημείων ελέγχου. Κατά αυτόν τον τρόπο, εκτιμήθηκε το ποσοστό του ψηφιοποιημένου δασικού δρόμου που «έπεσε» εντός (x) μέτρων από την εξεταζόμενη κεντρική γραμμή δρόμου. Η συνολική ακρίβεια θέσης εκτιμήθηκε με τον καθορισμό του 95ου εκατοστημορίου της οριζόντιας απόστασης που διαχωρίζει την προερχόμενη από το LiDAR κεντρική γραμμή και την επιβεβαιωμένη από την έρευνα πεδίου κεντρική γραμμή του δρόμου

'''Αποτελέσματα'''

Σύμφωνα με τα αποτελέσματα της μεθόδου παρεμβολής IDW, τα σημεία που έπρεπε να αφαιρεθούν από το νέφος σημείων LiDAR αντιστοιχούσαν σε λιγότερο από το 10% του συνόλου των σημειακών δεδομένων. Το μέσο τετραγωνικό σφάλμα πρόβλεψης ''(RMSE- Root Mean Square Error)'' για την παρεμβολή των δεδομένων LiDAR ήταν 0,19 m και τα στρώματα DSM, DTM και DNTM δημιουργήθηκαν με χωρική ανάλυση 1 m (Εικόνα 1).
Η Μηχανή Διανυσματικής Υποστήριξης (SVM) κατηγοριοποίησε τα δεδομένα έντασης LiDAR και τα συγχωνευμένα δεδομένα (δεδομένα έντασης και DNTM) σε δύο κατηγορίες, «δρόμος» και «μη δρόμος», συμβάλλοντας στον καλύτερο εντοπισμό της θέσης του δασικού δρόμου. Κάθε εικονοστοιχείο των εξαχθέντων δεδομένων δρόμου από το προηγούμενο στάδιο ανάλυσης ταξινομήθηκε ως ορθός θετικό (TP) ή ψευδώς αρνητικό (FN) ή ψευδώς θετικό (FP) (Πίνακας 1).
Η εφαρμογή των μέτρων ποιότητας για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης οδήγησε σε 75% πληρότητα, 63% ορθότητα και 52% ποιότητα (Πίνακας 2).
Οι άκρες του δρόμου ήταν καλά καθορισμένες στα στρώματα που εξήχθησαν με την LiDAR και επέτρεψαν την ακριβή ψηφιοποίηση της θέσης της κεντρικής γραμμής του δασικού δρόμου. Περισσότερο από το 95% των εξαχθέντων τμημάτων του δασικού δρόμου ψηφιοποιήθηκε εντός της απόσταση των 1,3 m από την κανονική κεντρική γραμμή που προσδιορίστηκε με έρευνα πεδίου (Εικόνα 2)

'''Συζήτηση & Συμβολή της Τηλεπισκόπησης'''

Στην παρούσα μελέτη, με χρήση της τεχνολογίας LiDAR ήταν δυνατό να γίνει εντοπισμός της θέσης ενός δασικού δρόμου με ακρίβεια ± 1.3 m, η οποία είναι σημαντικά βελτιωμένη σε σύγκριση με την ακρίβεια των ± 10 m που επιτυγχάνεται με τις παραδοσιακές πηγές δεδομένων για την χαρτογράφηση δρόμων στους 1: 25.000 τοπογραφικούς χάρτες στο Ιράν.
Η θέση των δασικών δρόμων αποτελεί σημαντική παράμετρο απογραφής για την αξιολόγηση της διαχείρισης των δασών. Ο εντοπισμός της μπορεί να επιτευχθεί με ακρίβεια και αποτελεσματικότητα χρησιμοποιώντας δεδομένα LiDAR υψηλής ανάλυσης, τα οποία μειώνουν την ανάγκη για έρευνες πεδίου για αυτή τη βασική παράμετρο. Τα οδικά δεδομένα που προκύπτουν από LiDAR μπορούν να αντιμετωπίσουν τα κενά που υπάρχουν στις τρέχουσες πηγές δεδομένων, ειδικά για δασικές εκτάσεις, και αποτελούν ένα πολύτιμο εργαλείο για την αξιολόγηση των δασικών δρόμων σε κλίμακες που δεν ήταν εφικτές στο παρελθόν.

'''Συντομογραφίες'''

DEM - Digital Elevation Model - Ψηφιακό Υψομετρικό Μοντέλο

DNTM - Digital Non Terrain Model

DSM - Digital Surface Model - Ψηφιακό Μοντέλο Επιφάνειας

DTM - Digital Terrain Model - Ψηφιακό Μοντέλο Εδάφους

GIS - Geographical Information - Γεωγραφικά Συστήματα Πληροφοριών

IDW - Inverse Distance Weighting - Αντίστροφης Βαρύνουσας Απόστασης

LiDAR - Light Detection and Ranging

RMSE - Root Mean Square Error - Μέσο Τετραγωνικό Σφάλμα Πρόβλεψης

SVM - Support Vector Machine - Μηχανή Διανυσματικής Υποστήριξης

TIN - Triangulated Irregular Network - Δίκτυα Ακανόνιστων Τριγώνων

[[category:Δασοπονία, Δασική διαχείριση]]

[[category: Οικολογία]]

Ανίχνευση δασικών δρόμων με χρήση δεδομένων LiDAR

2019-03-03T16:04:33Z

Ntolka Eirini:

'''Ανίχνευση δασικών δρόμων με χρήση δεδομένων LiDAR '''
[[Εικόνα:RSpaper9.1_Ntolka.JPG | thumb| right|'''Εικόνα 1.''' (a) '''DTM''',(b) '''DSM''', (c) '''DNTM''', (d) '''Δεδομένα έντασης ''']]

'''Πρωτότυπος τίτλος:''' ''Forest Road Detection Using LiDAR Data''

[[Εικόνα:RSpaperT9.1_Ntolka.JPG | thumb| right|'''Πίνακας 1. SVM μήτρα ταξινόμησης '''(Support Vector Machine - Μηχανή Διανυσματικής Υποστήριξης ) ]]

'''Συγγραφείς: ''' Zahra Azizi, Akbar Najafi, Saeed Sadeghian

'''Δημοσιεύθηκε: ''' ''Journal of Forestry Research 25(4): 975-980, Δεκέμβριος 2014, doi: 10.1007/s11676-014-0544-0''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/267816462_Forest_Road_Detection_Using_LiDAR_Data]

'''Λέξεις-Κλειδιά: ''' δασικός δρόμος, LiDAR, SVM, μέθοδος IDW

[[Εικόνα:RSpaper9.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Πεδίο ρύθμισης κεντρικών γραμμών '''(πράσινο)''' και ψηφιοποιημένη κεντρική γραμμή''' (ροζ)'''. ''']]

[[Εικόνα:RSpaperT9.2_Ntolka.JPG | thumb| right|'''Πίνακας 2. Εκτιμήσεις της SVM ταξινόμησης.''']]

'''Εισαγωγή'''

Η λεπτομερής και ακριβής καταγραφή των δασικών δρόμων είναι πολύ σημαντική για τη διαχείριση των δασών. Είναι απαραίτητο να υπάρχει ένας λεπτομερής χάρτης για κάθε δασικό δρόμο, ώστε να διευκολύνονται δραστηριότητες, όπως η λήψη μέτρων αντιπυρικής προστασίας, η μεταφορά δασικών προϊόντων, τα ταξίδια, η αναψυχή και η εκπαίδευση. Οι δρόμοι αποτελούν, επίσης, ένα σημαντικό θεματικό επίπεδο δεδομένων (data layer) στα Γεωγραφικά Συστήματα Πληροφοριών (GIS - Geographical Information Systems).

Η χρήση δεδομένων GPS αποτελεί μέχρι σήμερα την καταλληλότερη μέθοδο για την ενημέρωση των πληροφοριών σε σχέση με τους δασικούς δρόμους του Ιράν, κυρίως λόγω του χαμηλού της κόστους. Ωστόσο, είναι συχνά ανακριβής και χρονοβόρα. Κατά την εφαρμογή της σε δασικές περιοχές εμφανίζονται διάφορα προβλήματα, όπως η χαμηλή διαθεσιμότητα των δορυφορικών σημάτων κάτω από το θόλο των δέντρων.

Η αυτοματοποιημένη εξαγωγή (extrapolation) δρόμων με τη χρήση δεδομένων τηλεπισκόπησης μπορεί να συμβάλλει στην εξοικονόμηση του χρόνου και κόστους εργασίας για την ενημέρωση μιας βάσης δεδομένων δασικών δρόμων. Η χαρτογράφηση της επιφάνειας της γης χρησιμοποιώντας ένα σύστημα ''LiDAR (Light Detection and Ranging)'' αποτελεί την πιο ακριβή μέθοδο. Η LiDAR χρησιμοποιείται για τη λήψη πληροφοριών σε σχέση με τη μορφολογία του εδάφους και στηρίζεται στην εκπομπή παλμικής ακτινοβολίας laser στην ατμόσφαιρα και στην ακόλουθη καταγραφή της οπισθοσκεδαζόμενης ακτινοβολίας για την καταγραφή της απόστασης από την επιφάνεια της γης.
Αποτελεί μια αξιόπιστη τεχνική για τη συλλογή υψομετρικών δεδομένων διαφόρων επιπέδων επιφανείας, ανάλογα με τη διείσδυση της δέσμης laser προς το έδαφος. Αυτά τα δεδομένα μπορούν να χρησιμοποιηθούν για τη δημιουργία ενός Ψηφιακού Υψομετρικού Μοντέλου ''(DEM - Digital Elevation Model)'', και η καταγραφή της έντασης της οπισθοσκεδαζόμενης ακτινοβολίας μπορεί να χρησιμοποιηθεί για την ταξινόμηση των επιφανειακών αντικειμένων. Σε περιοχές όπου υπάρχει βλάστηση, οι πρώτες επιστροφές της ακτινοβολίας αντιστοιχούν γενικά στο ανώτερο επίπεδο του θόλου (στις κορυφές της κόμης των δέντρων) και χρησιμοποιούνται για τη δημιουργία των Ψηφιακών Επιφανειακών Μοντέλων ''(DSM - Digital Surface Model)'', ενώ οι τελευταίες επιστροφές αντιστοιχούν στην επιφάνεια του εδάφους και χρησιμοποιούνται για τη δημιουργία των Ψηφιακών Εδαφικών Μοντέλων ''(DTM - Digital Terrain Model)''. Τα δεδομένα DEM είναι συνήθως σε μορφή ψηφιδωτού (raster) και δημιουργούνται χρησιμοποιώντας τεχνικές χωρικής παρεμβολής πάνω σε σημειακά δεδομένα. Οι πιο κοινοί τύποι επιφανειών είναι αυτοί που παράγονται από τα δίκτυα ακανόνιστων τριγώνων ''(TIN - Triangulated Irregular Network) ''ή τη μέθοδο αντίστροφης βαρύνουσας απόστασης ''(IDW - Inverse Distance Weighting)''.

Η ταξινόμηση των δεδομένων LiDAR σε αντικείμενα όπως ένας δρόμος, ένα δέντρο και ένα κτίριο σε μια δασική περιοχή έχει αποτελέσει ένα δύσκολο έργο στις μελέτες τηλεπισκόπησης. Μέχρι πρόσφατα, η Μηχανή Διανυσματικής Υποστήριξης ''(SVM - Support Vector Machine)'' υπήρξε μια δημοφιλής και αξιόπιστη προσέγγιση για την ταξινόμηση των δεδομένων με στόχο την εξαγωγή δρόμων.

Σκοπός αυτής της μελέτης ήταν ο προσδιορισμός της καταλληλότητας της τεχνολογίας LiDAR για την εξαγωγή δασικών δρόμων. Ακολουθήθηκε μια διαδικασία τριών σταδίων: Στο πρώτο στάδιο χρησιμοποιήθηκε η μέθοδος χωρικής παρεμβολής IDW, ώστε να δημιουργηθούν τα στρώματα DSM, DTM και ''DNTM (Digital Non Terrain Model)''. Στο δεύτερο στάδιο, ταξινομήθηκαν τα δεδομένα LiDAR με χρήση του αλγόριθμου SVM, ώστε να εξαχθεί ένας δασικός δρόμος και στο τελευταίο στάδιο πραγματοποιήθηκε αξιολόγηση της ακρίβειας των αποτελεσμάτων. Η θέση του δρόμου αξιολογήθηκε με βάση τα ακόλουθα κριτήρια: α)την ''ταξινόμηση'', καθορισμός του ποσοστού της οδικής περιοχής που θα μπορούσε να προσδιοριστεί ορθά με τα δεδομένα LiDAR, β) την ''ακρίβεια θέσης'', καθορισμός του 95ου εκατοστημορίου της οριζόντιας απόστασης που διαχωρίζει την προερχόμενη από το LiDAR κεντρική γραμμή και την επιβεβαιωμένη από έρευνα πεδίου κεντρική γραμμή του δρόμου.

'''Περιοχή μελέτης'''

Η περιοχή μελέτης αποτελεί τμήμα των δασών Hyrcanian στην επαρχία Golestan του Ιράν. H μορφολογία του εδάφους είναι κρημνώδης, ανομοιόμορφη, με υψόμετρα που κυμαίνονται από 290 έως 720 m και κλίσεις επιφάνειας εδάφους από 3% έως 65%. Ο δασικός δρόμος χτίστηκε το 1990 και χρησιμοποιήθηκε για την πρόσβαση στο δάσος Shastkola για τη συγκομιδή ξυλείας, την πραγματοποίηση ερευνών πεδίου και τη διαχείριση και προστασία των δασών. Το μέσο πλάτος της επιφάνειας του οδοστρώματος ήταν 3,5 m. Ορισμένα τμήματα του δρόμου ήταν κρυμμένα κάτω από το θόλο του δάσους, με μέσο όρο κάλυψής του 80% και εύρος 40-100%.

'''Υλικά και Μέθοδοι '''

''Πηγές δεδομένων''

Τα δεδομένα LiDAR συλλέχθηκαν από τον Εθνικό Γεωγραφικό Οργανισμό του Ιράν (NGO), χρησιμοποιώντας έναν αισθητήρα τοποθετημένο σε αεροσκάφος σταθερής πτέρυγας. Η έρευνα διεξήχθη τον Οκτώβριο του 2011 και τα δεδομένα LiDAR συμπεριλάμβαναν τις πρώτες και τελευταίες επιστροφές των δεδομένων απόστασης και έντασης ακτινοβολίας laser, με μέση πυκνότητα σημείων στην επιφάνεια τα 4 σημεία/τ.μ.. Για την αξιολόγηση της εξαγωγής του δρόμου, χρησιμοποιήθηκαν 2 διανυσματικά θεματικά επίπεδα. Ένα από 87 σημεία ελέγχου με οριζόντια ακρίβεια 0,08 m, και ένα ακόμα οδικό δίκτυο (σε μορφή γραμμών) από προηγούμενες μελέτες στην ίδια περιοχή.

''Προεπεξεργασία & προετοιμασία των στρωμάτων''

Για τη δημιουργία ενός ακριβούς DEM, πριν την παρεμβολή του σε μορφή raster, πρέπει να αφαιρεθούν τα μη εδαφικά σημεία. Στην παρούσα έρευνα για το φιλτράρισμα του εδάφους (ground filtering) χρησιμοποιήθηκαν οι τελευταίες επιστροφές παλμού, καθώς διαπερνούν τη βλάστηση και φτάνουν πιο κοντά στην επιφάνεια του εδάφους. Τα μη εδαφικά σημεία αφαιρέθηκαν με την εφαρμογή της Εξίσωσης 1, με βάση την οποία η διαφορά μεταξύ του πρώτου και του τελευταίου παλμού δεν πρέπει να είναι μικρότερη από μια συγκεκριμένη τιμή κατωφλίου ''Τ''. Στην περίπτωση που η διαφορά είναι μικρότερη από Τ, το σημείο αφαιρείται. Το Τ υπολογίζεται μέσω της Εξίσωσης 2, όπου ''σ''είναι το σφάλμα στη μέτρηση του υψομέτρου στα δεδομένα LiDAR.
Για τον επανυπολογισμό των αφαιρεθέντων σημείων, εφαρμόσθηκε στη συνέχεια η μέθοδος παρεμβολής IDW.Από τα δεδομένα για τον τελευταίο παλμό δημιουργήθηκε ένα Ψηφιακό Εδαφικό Μοντέλο (DTM) και από τα δεδομένα για τον πρώτο παλμό ένα Ψηφιακό Επιφανειακό Μοντέλο (DSM). Για να απαλειφθεί η τοπογραφική επίδραση στον προσδιορισμό του δρόμου χρησιμοποιήθηκε ένα Ψηφιακό Μη Εδαφικό Μοντέλο (DNTM), (Εξίσωση 3):

First Pulse – Last Pulse > Τ (1)

T ≥ √(σ^2*First Pulse+σ^2*Last Pulse) (2)

DNTM = DSM – DTM (3)

''Ταξινόμηση SVM & αξιολόγηση αποτελεσμάτων''

Tα δεδομένα LiDAR για την ένταση της ακτινοβολίας ταξινομήθηκαν μέσω της μηχανής εκπαίδευσης SVM σε δύο κατηγορίες. Στη μία κατηγορία αντιστοιχούσαν τα δεδομένα που υποδείκνυαν την εύρεση δρόμου και στην άλλη αυτά που δεν την υποδείκνυαν. Στη συνέχεια, στην ταξινόμηση χρησιμοποιήθηκαν και τα LiDAR δεδομένα απόστασης, ώστε να αφαιρεθούν τα εικονοστοιχεία τα οποία είχαν ραδιομετρικές τιμές παρόμοιες με τα εικονοστοιχεία επιφάνειας δρόμου, αλλά δεν αποτελούσαν εικονοστοιχεία δρόμου.
Η αξιολόγηση των εξαχθέντων δεδομένων δρόμου έγινε σε 2 στάδια.
Κατά το πρώτο στάδιο, συγκρίθηκαν οι αυτόματα εξαχθείσες κεντρικές γραμμές του δρόμου με τους χειροκίνητα σχεδιασμένους οδικούς άξονες, οι οποίοι χρησιμοποιήθηκαν ως δεδομένα αναφοράς. Συγκεκριμένα, με χρήση του αλγόριθμου SVM υπολογίσθηκε ο αριθμός των εξαχθέντων δρόμων που αντιστοιχούσε ορθά - «ταίριαζε» στον αριθμό του οδικού δικτύου αναφοράς. Τα αντιστοιχισμένα εξαχθέντα για τους δρόμους δεδομένα χαρακτηρίζονταν ως ορθώς θετικά ( ΤP - True Positive), υπογραμμίζοντας το γεγονός ότι ο αλγόριθμος εξαγωγής βρήκε πράγματι δρόμο. Τα εξαχθέντα δεδομένα δρόμου που δεν συνέπιπταν με αυτά του δικτύου αναφοράς χαρακτηρίζονταν ως ψευδώς θετικά (FP – False Positive). Στη συνέχεια, η σύγκριση των δεδομένων έγινε με αντίστροφο τρόπο, δηλαδή εξετάζοντας αν τα δεδομένα αναφοράς ταιριάζουν με τα εξαχθέντα για τους δρόμους δεδομένα, τα οποία χρησιμοποιούνταν ως βάση. Τα δεδομένα αναφοράς που δεν συνέπιπταν με τα εξαχθέντα δεδομένα χαρακτηρίζονταν ως λανθασμένα αρνητικά (FN - False Negative) ενώ αυτά που συνέπιπταν ως ορθώς θετικά ( TP - True Positive).
Κατά το δεύτερο στάδιο, για την αξιολόγηση των εξαχθέντων δεδομένων δρόμου χρησιμοποιήθηκαν τρία μέτρα ποιότητας: η πληρότητα (completeness), η ορθότητα (correctness) και η ποιότητα (quality) (Εξισώσεις 4-6).

Completeness = TP/ (TP + FN) (4)

Correctness = TP/ (TP + FP) (5)

Quality = TP/ (TP + FP + FN) (6)

''Σύγκριση εξαχθείσας κεντρικής γραμμής δρόμου με εκείνη που προσδιορίστηκε από επιτόπια έρευνα ''

Η θέση της κεντρικής γραμμής δρόμου που προέκυψε από τα δεδομένα LiDAR με τη θέση της κεντρικής γραμμής από την έρευνα πεδίου, πραγματοποιήθηκε με χρήση 117 σημείων ελέγχου. Κατά αυτόν τον τρόπο, εκτιμήθηκε το ποσοστό του ψηφιοποιημένου δασικού δρόμου που «έπεσε» εντός (x) μέτρων από την εξεταζόμενη κεντρική γραμμή δρόμου. Η συνολική ακρίβεια θέσης εκτιμήθηκε με τον καθορισμό του 95ου εκατοστημορίου της οριζόντιας απόστασης που διαχωρίζει την προερχόμενη από το LiDAR κεντρική γραμμή και την επιβεβαιωμένη από την έρευνα πεδίου κεντρική γραμμή του δρόμου

'''Αποτελέσματα'''

Σύμφωνα με τα αποτελέσματα της μεθόδου παρεμβολής IDW, τα σημεία που έπρεπε να αφαιρεθούν από το νέφος σημείων LiDAR αντιστοιχούσαν σε λιγότερο από το 10% του συνόλου των σημειακών δεδομένων. Το μέσο τετραγωνικό σφάλμα πρόβλεψης ''(RMSE- Root Mean Square Error)'' για την παρεμβολή των δεδομένων LiDAR ήταν 0,19 m και τα στρώματα DSM, DTM και DNTM δημιουργήθηκαν με χωρική ανάλυση 1 m (Εικόνα 1).
Η Μηχανή Διανυσματικής Υποστήριξης (SVM) κατηγοριοποίησε τα δεδομένα έντασης LiDAR και τα συγχωνευμένα δεδομένα (δεδομένα έντασης και DNTM) σε δύο κατηγορίες, «δρόμος» και «μη δρόμος», συμβάλλοντας στον καλύτερο εντοπισμό της θέσης του δασικού δρόμου. Κάθε εικονοστοιχείο των εξαχθέντων δεδομένων δρόμου από το προηγούμενο στάδιο ανάλυσης ταξινομήθηκε ως ορθός θετικό (TP) ή ψευδώς αρνητικό (FN) ή ψευδώς θετικό (FP) (Πίνακας 1).
Η εφαρμογή των μέτρων ποιότητας για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης οδήγησε σε 75% πληρότητα, 63% ορθότητα και 52% ποιότητα (Πίνακας 2).
Οι άκρες του δρόμου ήταν καλά καθορισμένες στα στρώματα που εξήχθησαν με την LiDAR και επέτρεψαν την ακριβή ψηφιοποίηση της θέσης της κεντρικής γραμμής του δασικού δρόμου. Περισσότερο από το 95% των εξαχθέντων τμημάτων του δασικού δρόμου ψηφιοποιήθηκε εντός της απόσταση των 1,3 m από την κανονική κεντρική γραμμή που προσδιορίστηκε με έρευνα πεδίου (Εικόνα 2)

'''Συζήτηση & Συμβολή της Τηλεπισκόπησης'''

Στην παρούσα μελέτη, με χρήση της τεχνολογίας LiDAR ήταν δυνατό να γίνει εντοπισμός της θέσης ενός δασικού δρόμου με ακρίβεια ± 1.3 m, η οποία είναι σημαντικά βελτιωμένη σε σύγκριση με την ακρίβεια των ± 10 m που επιτυγχάνεται με τις παραδοσιακές πηγές δεδομένων για την χαρτογράφηση δρόμων στους 1: 25.000 τοπογραφικούς χάρτες στο Ιράν.
Η θέση των δασικών δρόμων αποτελεί σημαντική παράμετρο απογραφής για την αξιολόγηση της διαχείρισης των δασών. Ο εντοπισμός της μπορεί να επιτευχθεί με ακρίβεια και αποτελεσματικότητα χρησιμοποιώντας δεδομένα LiDAR υψηλής ανάλυσης, τα οποία μειώνουν την ανάγκη για έρευνες πεδίου για αυτή τη βασική παράμετρο. Τα οδικά δεδομένα που προκύπτουν από LiDAR μπορούν να αντιμετωπίσουν τα κενά που υπάρχουν στις τρέχουσες πηγές δεδομένων, ειδικά για δασικές εκτάσεις, και αποτελούν ένα πολύτιμο εργαλείο για την αξιολόγηση των δασικών δρόμων σε κλίμακες που δεν ήταν εφικτές στο παρελθόν.

'''Συντομογραφίες'''

DEM - Digital Elevation Model - Ψηφιακό Υψομετρικό Μοντέλο

DNTM - Digital Non Terrain Model

DSM - Digital Surface Model - Ψηφιακό Μοντέλο Επιφάνειας

DTM - Digital Terrain Model - Ψηφιακό Μοντέλο Εδάφους

GIS - Geographical Information - Γεωγραφικά Συστήματα Πληροφοριών

IDW - Inverse Distance Weighting - Αντίστροφης Βαρύνουσας Απόστασης

LiDAR - Light Detection and Ranging

RMSE - Root Mean Square Error - Μέσο Τετραγωνικό Σφάλμα Πρόβλεψης

SVM - Support Vector Machine - Μηχανή Διανυσματικής Υποστήριξης

TIN - Triangulated Irregular Network - Δίκτυα Ακανόνιστων Τριγώνων

[[category:Δασοπονία, Δασική διαχείριση]]

[[category: Οικολογία]]

Ανίχνευση δασικών δρόμων με χρήση δεδομένων LiDAR

2019-03-03T16:03:55Z

Ntolka Eirini:

'''Ανίχνευση δασικών δρόμων με χρήση δεδομένων LiDAR '''
[[Εικόνα:RSpaper9.1_Ntolka.JPG | thumb| right|'''Εικόνα 1.''' (a) '''DTM''',(b) '''DSM''', (c) '''DNTM''', (d) '''Δεδομένα έντασης ''']]

'''Πρωτότυπος τίτλος:''' ''Forest Road Detection Using LiDAR Data''

[[Εικόνα:RSpaperT9.1_Ntolka.JPG | thumb| right|'''Πίνακας 1. SVM μήτρα ταξινόμησης '''(Support Vector Machine - Μηχανή Διανυσματικής Υποστήριξης ) ]]

'''Συγγραφείς: ''' Zahra Azizi, Akbar Najafi, Saeed Sadeghian

'''Δημοσιεύθηκε: ''' ''Journal of Forestry Research 25(4): 975-980, Δεκέμβριος 2014, doi: 10.1007/s11676-014-0544-0''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/267816462_Forest_Road_Detection_Using_LiDAR_Data]

'''Λέξεις-Κλειδιά: ''' δασικός δρόμος, LiDAR, SVM, μέθοδος IDW

[[Εικόνα:RSpaper9.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Πεδίο ρύθμισης κεντρικών γραμμών '''(πράσινο)''' και ψηφιοποιημένη κεντρική γραμμή''' (ροζ)'''. ''']]

[[Εικόνα:RSpaperT9.2_Ntolka.JPG | thumb| right|'''Πίνακας 2. Εκτιμήσεις της SVM ταξινόμησης.''']]

'''Εισαγωγή'''

Η λεπτομερής και ακριβής καταγραφή των δασικών δρόμων είναι πολύ σημαντική για τη διαχείριση των δασών. Είναι απαραίτητο να υπάρχει ένας λεπτομερής χάρτης για κάθε δασικό δρόμο, ώστε να διευκολύνονται δραστηριότητες, όπως η λήψη μέτρων αντιπυρικής προστασίας, η μεταφορά δασικών προϊόντων, τα ταξίδια, η αναψυχή και η εκπαίδευση. Οι δρόμοι αποτελούν, επίσης, ένα σημαντικό θεματικό επίπεδο δεδομένων (data layer) στα Γεωγραφικά Συστήματα Πληροφοριών (GIS - Geographical Information Systems).

Η χρήση δεδομένων GPS αποτελεί μέχρι σήμερα την καταλληλότερη μέθοδο για την ενημέρωση των πληροφοριών σε σχέση με τους δασικούς δρόμους του Ιράν, κυρίως λόγω του χαμηλού της κόστους. Ωστόσο, είναι συχνά ανακριβής και χρονοβόρα. Κατά την εφαρμογή της σε δασικές περιοχές εμφανίζονται διάφορα προβλήματα, όπως η χαμηλή διαθεσιμότητα των δορυφορικών σημάτων κάτω από το θόλο των δέντρων.

Η αυτοματοποιημένη εξαγωγή (extrapolation) δρόμων με τη χρήση δεδομένων τηλεπισκόπησης μπορεί να συμβάλλει στην εξοικονόμηση του χρόνου και κόστους εργασίας για την ενημέρωση μιας βάσης δεδομένων δασικών δρόμων. Η χαρτογράφηση της επιφάνειας της γης χρησιμοποιώντας ένα σύστημα ''LiDAR (Light Detection and Ranging)'' αποτελεί την πιο ακριβή μέθοδο. Η LiDAR χρησιμοποιείται για τη λήψη πληροφοριών σε σχέση με τη μορφολογία του εδάφους και στηρίζεται στην εκπομπή παλμικής ακτινοβολίας laser στην ατμόσφαιρα και στην ακόλουθη καταγραφή της οπισθοσκεδαζόμενης ακτινοβολίας για την καταγραφή της απόστασης από την επιφάνεια της γης.
Αποτελεί μια αξιόπιστη τεχνική για τη συλλογή υψομετρικών δεδομένων διαφόρων επιπέδων επιφανείας, ανάλογα με τη διείσδυση της δέσμης laser προς το έδαφος. Αυτά τα δεδομένα μπορούν να χρησιμοποιηθούν για τη δημιουργία ενός Ψηφιακού Υψομετρικού Μοντέλου ''(DEM - Digital Elevation Model)'', και η καταγραφή της έντασης της οπισθοσκεδαζόμενης ακτινοβολίας μπορεί να χρησιμοποιηθεί για την ταξινόμηση των επιφανειακών αντικειμένων. Σε περιοχές όπου υπάρχει βλάστηση, οι πρώτες επιστροφές της ακτινοβολίας αντιστοιχούν γενικά στο ανώτερο επίπεδο του θόλου (στις κορυφές της κόμης των δέντρων) και χρησιμοποιούνται για τη δημιουργία των Ψηφιακών Επιφανειακών Μοντέλων ''(DSM - Digital Surface Model)'', ενώ οι τελευταίες επιστροφές αντιστοιχούν στην επιφάνεια του εδάφους και χρησιμοποιούνται για τη δημιουργία των Ψηφιακών Εδαφικών Μοντέλων ''(DTM - Digital Terrain Model)''. Τα δεδομένα DEM είναι συνήθως σε μορφή ψηφιδωτού (raster) και δημιουργούνται χρησιμοποιώντας τεχνικές χωρικής παρεμβολής πάνω σε σημειακά δεδομένα. Οι πιο κοινοί τύποι επιφανειών είναι αυτοί που παράγονται από τα δίκτυα ακανόνιστων τριγώνων ''(TIN - Triangulated Irregular Network) ''ή τη μέθοδο αντίστροφης βαρύνουσας απόστασης ''(IDW - Inverse Distance Weighting)''.

Η ταξινόμηση των δεδομένων LiDAR σε αντικείμενα όπως ένας δρόμος, ένα δέντρο και ένα κτίριο σε μια δασική περιοχή έχει αποτελέσει ένα δύσκολο έργο στις μελέτες τηλεπισκόπησης. Μέχρι πρόσφατα, η Μηχανή Διανυσματικής Υποστήριξης ''(SVM - Support Vector Machine)'' υπήρξε μια δημοφιλής και αξιόπιστη προσέγγιση για την ταξινόμηση των δεδομένων με στόχο την εξαγωγή δρόμων.

Σκοπός αυτής της μελέτης ήταν ο προσδιορισμός της καταλληλότητας της τεχνολογίας LiDAR για την εξαγωγή δασικών δρόμων. Ακολουθήθηκε μια διαδικασία τριών σταδίων: Στο πρώτο στάδιο χρησιμοποιήθηκε η μέθοδος χωρικής παρεμβολής IDW, ώστε να δημιουργηθούν τα στρώματα DSM, DTM και ''DNTM (Digital Non Terrain Model)''. Στο δεύτερο στάδιο, ταξινομήθηκαν τα δεδομένα LiDAR με χρήση του αλγόριθμου SVM, ώστε να εξαχθεί ένας δασικός δρόμος και στο τελευταίο στάδιο πραγματοποιήθηκε αξιολόγηση της ακρίβειας των αποτελεσμάτων. Η θέση του δρόμου αξιολογήθηκε με βάση τα ακόλουθα κριτήρια: α)την ''ταξινόμηση'', καθορισμός του ποσοστού της οδικής περιοχής που θα μπορούσε να προσδιοριστεί ορθά με τα δεδομένα LiDAR, β) την ''ακρίβεια θέσης'', καθορισμός του 95ου εκατοστημορίου της οριζόντιας απόστασης που διαχωρίζει την προερχόμενη από το LiDAR κεντρική γραμμή και την επιβεβαιωμένη από έρευνα πεδίου κεντρική γραμμή του δρόμου.

'''Περιοχή μελέτης'''

Η περιοχή μελέτης αποτελεί τμήμα των δασών Hyrcanian στην επαρχία Golestan του Ιράν. H μορφολογία του εδάφους είναι κρημνώδης, ανομοιόμορφη, με υψόμετρα που κυμαίνονται από 290 έως 720 m και κλίσεις επιφάνειας εδάφους από 3% έως 65%. Ο δασικός δρόμος χτίστηκε το 1990 και χρησιμοποιήθηκε για την πρόσβαση στο δάσος Shastkola για τη συγκομιδή ξυλείας, την πραγματοποίηση ερευνών πεδίου και τη διαχείριση και προστασία των δασών. Το μέσο πλάτος της επιφάνειας του οδοστρώματος ήταν 3,5 m. Ορισμένα τμήματα του δρόμου ήταν κρυμμένα κάτω από το θόλο του δάσους, με μέσο όρο κάλυψής του 80% και εύρος 40-100%.

'''Υλικά και Μέθοδοι '''

''Πηγές δεδομένων''

Τα δεδομένα LiDAR συλλέχθηκαν από τον Εθνικό Γεωγραφικό Οργανισμό του Ιράν (NGO), χρησιμοποιώντας έναν αισθητήρα τοποθετημένο σε αεροσκάφος σταθερής πτέρυγας. Η έρευνα διεξήχθη τον Οκτώβριο του 2011 και τα δεδομένα LiDAR συμπεριλάμβαναν τις πρώτες και τελευταίες επιστροφές των δεδομένων απόστασης και έντασης ακτινοβολίας laser, με μέση πυκνότητα σημείων στην επιφάνεια τα 4 σημεία/<math>m2</math>. Για την αξιολόγηση της εξαγωγής του δρόμου, χρησιμοποιήθηκαν 2 διανυσματικά θεματικά επίπεδα. Ένα από 87 σημεία ελέγχου με οριζόντια ακρίβεια 0,08 m, και ένα ακόμα οδικό δίκτυο (σε μορφή γραμμών) από προηγούμενες μελέτες στην ίδια περιοχή.

''Προεπεξεργασία & προετοιμασία των στρωμάτων''

Για τη δημιουργία ενός ακριβούς DEM, πριν την παρεμβολή του σε μορφή raster, πρέπει να αφαιρεθούν τα μη εδαφικά σημεία. Στην παρούσα έρευνα για το φιλτράρισμα του εδάφους (ground filtering) χρησιμοποιήθηκαν οι τελευταίες επιστροφές παλμού, καθώς διαπερνούν τη βλάστηση και φτάνουν πιο κοντά στην επιφάνεια του εδάφους. Τα μη εδαφικά σημεία αφαιρέθηκαν με την εφαρμογή της Εξίσωσης 1, με βάση την οποία η διαφορά μεταξύ του πρώτου και του τελευταίου παλμού δεν πρέπει να είναι μικρότερη από μια συγκεκριμένη τιμή κατωφλίου ''Τ''. Στην περίπτωση που η διαφορά είναι μικρότερη από Τ, το σημείο αφαιρείται. Το Τ υπολογίζεται μέσω της Εξίσωσης 2, όπου ''σ''είναι το σφάλμα στη μέτρηση του υψομέτρου στα δεδομένα LiDAR.
Για τον επανυπολογισμό των αφαιρεθέντων σημείων, εφαρμόσθηκε στη συνέχεια η μέθοδος παρεμβολής IDW.Από τα δεδομένα για τον τελευταίο παλμό δημιουργήθηκε ένα Ψηφιακό Εδαφικό Μοντέλο (DTM) και από τα δεδομένα για τον πρώτο παλμό ένα Ψηφιακό Επιφανειακό Μοντέλο (DSM). Για να απαλειφθεί η τοπογραφική επίδραση στον προσδιορισμό του δρόμου χρησιμοποιήθηκε ένα Ψηφιακό Μη Εδαφικό Μοντέλο (DNTM), (Εξίσωση 3):

First Pulse – Last Pulse > Τ (1)

T ≥ √(σ^2*First Pulse+σ^2*Last Pulse) (2)

DNTM = DSM – DTM (3)

''Ταξινόμηση SVM & αξιολόγηση αποτελεσμάτων''

Tα δεδομένα LiDAR για την ένταση της ακτινοβολίας ταξινομήθηκαν μέσω της μηχανής εκπαίδευσης SVM σε δύο κατηγορίες. Στη μία κατηγορία αντιστοιχούσαν τα δεδομένα που υποδείκνυαν την εύρεση δρόμου και στην άλλη αυτά που δεν την υποδείκνυαν. Στη συνέχεια, στην ταξινόμηση χρησιμοποιήθηκαν και τα LiDAR δεδομένα απόστασης, ώστε να αφαιρεθούν τα εικονοστοιχεία τα οποία είχαν ραδιομετρικές τιμές παρόμοιες με τα εικονοστοιχεία επιφάνειας δρόμου, αλλά δεν αποτελούσαν εικονοστοιχεία δρόμου.
Η αξιολόγηση των εξαχθέντων δεδομένων δρόμου έγινε σε 2 στάδια.
Κατά το πρώτο στάδιο, συγκρίθηκαν οι αυτόματα εξαχθείσες κεντρικές γραμμές του δρόμου με τους χειροκίνητα σχεδιασμένους οδικούς άξονες, οι οποίοι χρησιμοποιήθηκαν ως δεδομένα αναφοράς. Συγκεκριμένα, με χρήση του αλγόριθμου SVM υπολογίσθηκε ο αριθμός των εξαχθέντων δρόμων που αντιστοιχούσε ορθά - «ταίριαζε» στον αριθμό του οδικού δικτύου αναφοράς. Τα αντιστοιχισμένα εξαχθέντα για τους δρόμους δεδομένα χαρακτηρίζονταν ως ορθώς θετικά ( ΤP - True Positive), υπογραμμίζοντας το γεγονός ότι ο αλγόριθμος εξαγωγής βρήκε πράγματι δρόμο. Τα εξαχθέντα δεδομένα δρόμου που δεν συνέπιπταν με αυτά του δικτύου αναφοράς χαρακτηρίζονταν ως ψευδώς θετικά (FP – False Positive). Στη συνέχεια, η σύγκριση των δεδομένων έγινε με αντίστροφο τρόπο, δηλαδή εξετάζοντας αν τα δεδομένα αναφοράς ταιριάζουν με τα εξαχθέντα για τους δρόμους δεδομένα, τα οποία χρησιμοποιούνταν ως βάση. Τα δεδομένα αναφοράς που δεν συνέπιπταν με τα εξαχθέντα δεδομένα χαρακτηρίζονταν ως λανθασμένα αρνητικά (FN - False Negative) ενώ αυτά που συνέπιπταν ως ορθώς θετικά ( TP - True Positive).
Κατά το δεύτερο στάδιο, για την αξιολόγηση των εξαχθέντων δεδομένων δρόμου χρησιμοποιήθηκαν τρία μέτρα ποιότητας: η πληρότητα (completeness), η ορθότητα (correctness) και η ποιότητα (quality) (Εξισώσεις 4-6).

Completeness = TP/ (TP + FN) (4)

Correctness = TP/ (TP + FP) (5)

Quality = TP/ (TP + FP + FN) (6)

''Σύγκριση εξαχθείσας κεντρικής γραμμής δρόμου με εκείνη που προσδιορίστηκε από επιτόπια έρευνα ''

Η θέση της κεντρικής γραμμής δρόμου που προέκυψε από τα δεδομένα LiDAR με τη θέση της κεντρικής γραμμής από την έρευνα πεδίου, πραγματοποιήθηκε με χρήση 117 σημείων ελέγχου. Κατά αυτόν τον τρόπο, εκτιμήθηκε το ποσοστό του ψηφιοποιημένου δασικού δρόμου που «έπεσε» εντός (x) μέτρων από την εξεταζόμενη κεντρική γραμμή δρόμου. Η συνολική ακρίβεια θέσης εκτιμήθηκε με τον καθορισμό του 95ου εκατοστημορίου της οριζόντιας απόστασης που διαχωρίζει την προερχόμενη από το LiDAR κεντρική γραμμή και την επιβεβαιωμένη από την έρευνα πεδίου κεντρική γραμμή του δρόμου

'''Αποτελέσματα'''

Σύμφωνα με τα αποτελέσματα της μεθόδου παρεμβολής IDW, τα σημεία που έπρεπε να αφαιρεθούν από το νέφος σημείων LiDAR αντιστοιχούσαν σε λιγότερο από το 10% του συνόλου των σημειακών δεδομένων. Το μέσο τετραγωνικό σφάλμα πρόβλεψης ''(RMSE- Root Mean Square Error)'' για την παρεμβολή των δεδομένων LiDAR ήταν 0,19 m και τα στρώματα DSM, DTM και DNTM δημιουργήθηκαν με χωρική ανάλυση 1 m (Εικόνα 1).
Η Μηχανή Διανυσματικής Υποστήριξης (SVM) κατηγοριοποίησε τα δεδομένα έντασης LiDAR και τα συγχωνευμένα δεδομένα (δεδομένα έντασης και DNTM) σε δύο κατηγορίες, «δρόμος» και «μη δρόμος», συμβάλλοντας στον καλύτερο εντοπισμό της θέσης του δασικού δρόμου. Κάθε εικονοστοιχείο των εξαχθέντων δεδομένων δρόμου από το προηγούμενο στάδιο ανάλυσης ταξινομήθηκε ως ορθός θετικό (TP) ή ψευδώς αρνητικό (FN) ή ψευδώς θετικό (FP) (Πίνακας 1).
Η εφαρμογή των μέτρων ποιότητας για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης οδήγησε σε 75% πληρότητα, 63% ορθότητα και 52% ποιότητα (Πίνακας 2).
Οι άκρες του δρόμου ήταν καλά καθορισμένες στα στρώματα που εξήχθησαν με την LiDAR και επέτρεψαν την ακριβή ψηφιοποίηση της θέσης της κεντρικής γραμμής του δασικού δρόμου. Περισσότερο από το 95% των εξαχθέντων τμημάτων του δασικού δρόμου ψηφιοποιήθηκε εντός της απόσταση των 1,3 m από την κανονική κεντρική γραμμή που προσδιορίστηκε με έρευνα πεδίου (Εικόνα 2)

'''Συζήτηση & Συμβολή της Τηλεπισκόπησης'''

Στην παρούσα μελέτη, με χρήση της τεχνολογίας LiDAR ήταν δυνατό να γίνει εντοπισμός της θέσης ενός δασικού δρόμου με ακρίβεια ± 1.3 m, η οποία είναι σημαντικά βελτιωμένη σε σύγκριση με την ακρίβεια των ± 10 m που επιτυγχάνεται με τις παραδοσιακές πηγές δεδομένων για την χαρτογράφηση δρόμων στους 1: 25.000 τοπογραφικούς χάρτες στο Ιράν.
Η θέση των δασικών δρόμων αποτελεί σημαντική παράμετρο απογραφής για την αξιολόγηση της διαχείρισης των δασών. Ο εντοπισμός της μπορεί να επιτευχθεί με ακρίβεια και αποτελεσματικότητα χρησιμοποιώντας δεδομένα LiDAR υψηλής ανάλυσης, τα οποία μειώνουν την ανάγκη για έρευνες πεδίου για αυτή τη βασική παράμετρο. Τα οδικά δεδομένα που προκύπτουν από LiDAR μπορούν να αντιμετωπίσουν τα κενά που υπάρχουν στις τρέχουσες πηγές δεδομένων, ειδικά για δασικές εκτάσεις, και αποτελούν ένα πολύτιμο εργαλείο για την αξιολόγηση των δασικών δρόμων σε κλίμακες που δεν ήταν εφικτές στο παρελθόν.

'''Συντομογραφίες'''

DEM - Digital Elevation Model - Ψηφιακό Υψομετρικό Μοντέλο

DNTM - Digital Non Terrain Model

DSM - Digital Surface Model - Ψηφιακό Μοντέλο Επιφάνειας

DTM - Digital Terrain Model - Ψηφιακό Μοντέλο Εδάφους

GIS - Geographical Information - Γεωγραφικά Συστήματα Πληροφοριών

IDW - Inverse Distance Weighting - Αντίστροφης Βαρύνουσας Απόστασης

LiDAR - Light Detection and Ranging

RMSE - Root Mean Square Error - Μέσο Τετραγωνικό Σφάλμα Πρόβλεψης

SVM - Support Vector Machine - Μηχανή Διανυσματικής Υποστήριξης

TIN - Triangulated Irregular Network - Δίκτυα Ακανόνιστων Τριγώνων

[[category:Δασοπονία, Δασική διαχείριση]]

[[category: Οικολογία]]

LiDAR τηλεπισκόπηση και GPS τηλεμετρία παρέχουν στοιχεία για την επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι

2019-03-03T15:53:27Z

Ntolka Eirini:

'''LiDAR τηλεπισκόπηση και GPS τηλεμετρία παρέχουν στοιχεία για την επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι'''

'''Πρωτότυπος τίτλος:''' ''LiDAR Remote Sensing of Forest Structure and GPS Telemetry Data Provide Insights on Winter Habitat Selection of European Roe Deer ''

[[Εικόνα:RSpaper8.1_Ntolka.JPG | thumb| right|'''Περιοχή μελέτης.''' Ο Εθνικός Δρυμός της Βαυαρίας περικλείεται από μαύρο περίγραμμα, οι καταγραφόμενες θέσεις (GPS-fixes) των ζαρκαδιών σημαίνονται με μαύρους κύκλους, και οι τοποθεσίες των μετεωρολογικών σταθμών με τετράγωνα ( T: Taferlrück, WH: Waldhäuser, WSH: Waldschmidthaus).]]

'''Συγγραφείς: '''Michael Ewald, Claudia Dupke, Marco Heurich, Jörg Müller and Björn Reineking

'''Δημοσιεύθηκε: ''' ''Forests 2014 (5): 1374-1390, Ιούνιος 2014, doi:10.3390/f5061374 ''

[[Εικόνα:RSpaper8.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Κάθετη διατομή του νέφους σημείων των δεδομένων LiDAR και οι προκύπτουσες τιμές κλασματικής φυτοκάλυψης για τον κατώτερο υποόροφο, ανώτερο υποόροφο και ανώτερο όροφο των δέντρων, όπως απεικονίζονται σε μια διατομή μήκους 50m και πλάτους 5m.''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/263125324_LiDAR_Remote_Sensing_of_Forest_Structure_and_GPS_Telemetry_Data_Provide_Insights_on_Winter_Habitat_Selection_of_European_Roe_Deer]

[[Εικόνα:RSpaperT8.1_Ntolka.JPG | thumb| right|'''Πίνακας 1. Περίληψη των υπολογισθέντων μικτών μοντέλων λογιστικής παλινδρόμησης υπό συνθήκη (mixed conditional logistic regression models) που εξηγούν την επιλογή ενδιαιτήματος, οι μεταβλητές που περιέχουν και οι αντίστοιχες τιμές του δείκτη AIC (Akaike’s Information Criterion).'''
''dist_to_f'': distance to nearest artificial feeding place (απόσταση από την πλησιέστερη ταΐστρα), ''OC'': overstory cover (κάλυψη ανώτερου ορόφου), ''MC'': midstory cover (κάλυψη ανώτερου υποορόφου),'' UC'': understory cover (κάλυψη κατώτερου υποορόφου), ''temp'': απόκλιση από τη μέση θερμοκρασία την αντίστοιχη ώρα της ημέρας, ''act'': activity status των ζαρκαδιών, ''snow'': ύψος χιονιού, ''wind'': ταχύτητα ανέμου.]]

[[Εικόνα:RSpaperT8.2_Ntolka.JPG | thumb| right|'''Πίνακας 2. Αποτελέσματα μικτής λογιστικής παλινδρόμησης υπό συνθήκη (Μοντέλο 1). ''' Οι τιμές με p<0,05 υποδεικνύουν στατιστικά σημαντική επίδραση των όρων του μοντέλου.
''dist_to_f'': distance to nearest artificial feeding place (απόσταση από την πλησιέστερη ταΐστρα), ''OC'': overstory cover (κάλυψη ανώτερου ορόφου), ''MC'': midstory cover (κάλυψη ανώτερου υποορόφου),'' UC'': understory cover (κάλυψη κατώτερου υποορόφου), ''temp'': απόκλιση από τη μέση θερμοκρασία την αντίστοιχη ώρα της ημέρας, ''act'': activity status των ζαρκαδιών, ''snow'': ύψος χιονιού, ''wind'': ταχύτητα ανέμου. ]]

'''Λέξεις-Κλειδιά: ''' τηλεπισκόπηση, δασική διαμόρφωση, συμπεριφορά ζώων, επιλογή θέσης, συναρτήσεις βηματικής επιλογής

'''Εισαγωγή'''

[[Εικόνα:RSpaper8.3_Ntolka.JPG | thumb| right|'''Εικόνα 3. Προβλεπόμενες τιμές σχετικής προτίμησης για την κάλυψη του ανώτερου υποορόφου (2 m-10 m) και του ανώτερου ορόφου (10 m-60 m) ως συνάρτηση της απόκλισης της θερμοκρασίας από τις μέσες τιμές θερμοκρασίας σε ορισμένη ώρα της ημέρας, για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια.''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον μέσο όρο του συνόλου δεδομένων τους. Οι τιμές προτίμησης κλιμακώθηκαν μεταξύ 0 και 1, ώστε να είναι δυνατή η σύγκριση των αποτελεσμάτων μεταξύ των διαφορετικών θερμοκρασιών.]]

Η κατανόηση της επιλογής ενδιαιτήματος ενός είδους αποτελεί βασική προϋπόθεση για τη διαχείριση της άγριας πανίδας. Η επιλογή του ενδιαιτήματος μπορεί να διερευνηθεί σε μια πολύ λεπτομερή χωροχρονική ανάλυση χρησιμοποιώντας τηλεμετρία GPS, η οποία παρέχει δεδομένα θέσης κρυπτικών οργανισμών σε σχεδόν συνεχή κλίμακα. Η αερομεταφερόμενη σάρωση με laser (LiDAR -Light Detection and Ranging – ανίχνευση και σκόπευση φωτός) αποτελεί μια καθιερωμένη τεχνική τηλεπισκόπησης, η οποία προσφέρει τη μοναδική δυνατότητα περιγραφής της τρισδιάστατης δομής των δασών, με μεγάλη λεπτομέρεια και ακρίβεια, και για μεγάλες εκτάσεις.

Στην παρούσα εργασία, αναλύθηκε η επιλογή του χειμερινού ενδιαιτήματος του ζαρκαδιού (''Capreolus capreolus'') σε ένα ορεινό δασικό οικοσύστημα, συνδυάζοντας εκτιμήσεις κάλυψης βλάστησης σε τρία διαφορετικά στρώματα ύψους μέσω LiDAR, και δεδομένα δραστηριότητας από GPS τηλεμετρία. Το ευρωπαϊκό ζαρκάδι είναι ένα μεσαίου μεγέθους οπληφόρο, που κατανέμεται σε ολόκληρη την Ευρώπη και είναι προσαρμοσμένο σε μια ποικιλία ενδιαιτημάτων, με προτίμηση στα δασικά. Μπορεί να τραφεί με ένα πλήθος φυτικών ειδών, αλλά ακολουθεί μια «επικεντρωμένα επιλεκτική» στρατηγική τροφοληψίας και μπορεί να επηρεάσει σημαντικά τη σύνθεση της αναγέννησης των δέντρων. Στα βόρεια γεωγραφικά πλάτη, οι ακραίες καιρικές συνθήκες του χειμώνα επηρεάζουν έντονα τη δυνατότητα επιβίωσης του ζαρκαδιού. Ο χειμώνας αποτελεί μια περίοδο όπου η διαθεσιμότητα της τροφής είναι μικρή, οι χαμηλές θερμοκρασίες και ο ψυχρός άνεμος απαιτούν την κατανάλωση σημαντικών ποσών ενέργειας για θερμορύθμιση από τα ζώα, και το βαθύ χιόνι περιορίζει τις ικανότητες μετακίνησής τους.

'''Περιοχή μελέτης'''

Η μελέτη πραγματοποιήθηκε στον Εθνικό Δρυμό της Βαυαρίας (Εικόνα 1), που βρίσκεται στα νοτιοανατολικά σύνορα της Γερμανίας με την Τσεχία και καλύπτει μια έκταση 24.369 εκταρίων. Η δασική βλάστηση αποτελείται κυρίως από έλατα (ερυθρελάτη, λευκή ελάτη), οξιές και σημύδες και το υψόμετρο κυμαίνεται από 600 έως 1.453 μέτρα. Η μέση ετήσια θερμοκρασία αντιστοιχεί σε 2-7,3 °C, η χιονοκάλυψη διαρκεί κατά μέσο όρο 139 ημέρες ανά έτος στα μεσαία υψόμετρα, και το χιόνι έχει βάθος μεγαλύτερο από 50cm για κατά μέσο όρο 50 ημέρες το χρόνο. Τα ζαρκάδια χρησιμοποιούν όλη την έκταση του εθνικού δρυμού κατά τη διάρκεια του καλοκαιριού ενώ το χειμώνα κατεβαίνουν στα χαμηλότερα υψόμετρα, όπου το χιόνι είναι λιγότερο βαθύ. Σε κάποια σημεία της περιοχής υπάρχουν ταΐστρες μέσα και γύρω από παγίδες, οι οποίες χρησιμοποιούνται για τη σύλληψη ζώων για ερευνητικούς σκοπούς. Μέσα στην περιοχή μελέτης απαγορεύεται το κυνήγι. Στην περιοχή συναντάται, επίσης, ο ευρασιατικός λύγκας (''Lynx lynx''), ο οποίος αποτελεί πιθανό θηρευτή για το ζαρκάδι.

'''Πειραματικός σχεδιασμός '''

'' Δεδομένα τηλεμετρίας''

Για τη λήψη των δεδομένων τηλεμετρίας GPS χρησιμοποιήθηκαν περιλαίμια GPS-GSM με ενσωματωμένους αισθητήρες καταγραφής δραστηριότητας (σειρά 3.000 από την VECTRONIC Aerospace, Βερολίνο, Γερμανία), με τα οποία ραδιοσημάνθηκαν 15 ζαρκάδια. Η παρακολούθησή τους πραγματοποιήθηκε για διαφορετικές χρονικές περιόδους κατά τη διάρκεια του χειμώνα, οι οποίες διήρκησαν από 14 ημέρες έως έξι μήνες. Τα χρονικά διαστήματα μεταξύ δύο διαδοχικών καταγραφών κυμαίνονταν από 15 λεπτά έως 2 ώρες. Στην ανάλυση συμπεριλήφθησαν δεδομένα από 1.418 θέσεις για 9 ενήλικα θηλυκά και 6 ενήλικα αρσενικά ζαρκάδια, μεταξύ Απριλίου 2007 και Δεκεμβρίου 2010. Οι ενσωματωμένοι στα GPS περιλαίμια αισθητήρες δραστηριότητας είναι σε θέση να καταγράψουν την κινητικότητα των ζώων μετρώντας την επιτάχυνση κατά την κίνησή τους προς τα εμπρός/πίσω και προς τα πλάγια.

Για τον προσδιορισμό της κατάστασης δραστηριότητας (activity status) χρησιμοποιήθηκαν επίπεδα κατωφλίου, τα οποία καθορίστηκαν σε προηγούμενη ανεξάρτητη μελέτη, που πραγματοποιήθηκε στην ίδια περιοχή. Τα άτομα θεωρήθηκαν ενεργά (active) όταν το άθροισμα των δύο τιμών επιτάχυνσης (προς τα εμπρός/ προς τα πίσω και προς τα πλάγια) ήταν μεγαλύτερο από 4 και ως μη ενεργά-αναπαυόμενα (resting) σε όλες τις άλλες περιπτώσεις.

[[Εικόνα:RSpaper8.4_Ntolka.JPG | thumb| right|'''Εικόνα 4. Προβλεπόμενες τιμές σχετικής προτίμησης για την κάλυψη του ανώτερου υποορόφου (2 m-10 m) και του ανώτερου ορόφου (10 m-60 m) ως συνάρτηση του ύψους χιονιού, για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια. ''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον μέσο όρο του συνόλου δεδομένων τους. Οι τιμές προτίμησης κλιμακώθηκαν μεταξύ 0 και 1, ώστε να είναι δυνατή η σύγκριση των αποτελεσμάτων μεταξύ των διαφορετικών τιμών ύψους χιονιού.]]

''Μετεωρολογικά δεδομένα''

Χρησιμοποιήθηκαν δεδομένα θερμοκρασίας και ταχύτητας ανέμου από τρεις μετεωρολογικούς σταθμούς σε διαφορετικά υψόμετρα, Taferlruck (769 m), Waldhäuser (940 m ) και Waldschmidthaus (1356 m), τα οποία καταγράφονταν ανά χρονικό διάστημα 10 λεπτών, και δεδομένα ημερήσιου ύψους χιονιού από τον σταθμό Waldhäuser (Εικόνα 1). Οι τιμές θερμοκρασίας και ταχύτητας ανέμου για κάθε θέση καταγραφή ζαρκαδιού ελήφθησαν από τον πλησιέστερο μετεωρολογικό σταθμό.

[[Εικόνα:RSpaper8.5_Ntolka.JPG | thumb| right|'''Εικόνα 5. Προβλεπόμενες τιμές προτίμησης για την κάλυψη του κατώτερου υποορόφου για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια. ''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον αντίστοιχο μέσο όρο του συνόλου δεδομένων τους.]]

''Δεδομένα LiDAR''

Τα δεδομένα LiDAR για την περιοχή μελέτης αποκτήθηκαν κατά την περίοδο έλλειψης φυλλώματος μεταξύ Απριλίου 2008 και Νοεμβρίου 2009, χρησιμοποιώντας το αερομεταφερόμενο σύστημα Riegl LMS-Q 560 (RIEGL Inc., Horn, Αυστρία). Το σύστημα εξέπεμπε ακτινοβολία laser σε μήκος κύματος 1550 nm και κατέγραφε το πρώτο και το τελευταίο σημείο επιστροφής με κατακόρυφο σφάλμα +/- 0,16 m. Το μέσο πλάτος της λωρίδας σάρωσης αντιστοιχούσε σε 832 m, η μέση διάμετρος του αποτυπώματος της δέσμης laser σε 38,8 cm και η μέση σημειακή πυκνότητα σε 9,8 σημεία/m². Για την ταξινόμηση των σημείων επιστροφής από το έδαφος και από τη βλάστηση χρησιμοποιήθηκε το λογισμικό TerraScan (TerraSolid Ltd., Helsinki, Finland). Ένα ψηφιακό μοντέλο εδάφους (DTM) με χωρική ανάλυση 1 m υπολογίστηκε με το SCOP ++ (inpho GmbH, Βιέννη, Αυστρία). Το ύψος των LiDAR επιστροφών πάνω από το έδαφος υπολογίσθηκε αφαιρώντας την τιμή ύψους του υποκείμενου DTM από το ύψος κάθε σημείου. Το τρισδιάστατο νέφος σημείων που προέκυψε, αντιπροσωπεύει διακριτές επιστροφές παλμού από την επιφάνεια του εδάφους και από τη βλάστηση. Ο υπολογισμός της κλασματικής φυτοκάλυψης (fractional vegetation cover) έγινε σε 3 διαφορετικά επίπεδα, στον κατώτερο υποόροφο (0.5 m–2 m πάνω από το έδαφος), στον ανώτερο υποόροφο (2 m–10 m πάνω από το έδαφος) και στον ανώτερο όροφο των δέντρων (10 m–60 m πάνω από το έδαφος) (Εικόνα 2).

''Στατιστική ανάλυση''

Για την ανάλυση της επιλογής ενδιαιτήματος από τα ζαρκάδια εφαρμόστηκε μια συνάρτηση βηματικής επιλογής (Step Selection Function- SSF), μια ειδική μορφή συνάρτησης επιλογής πόρων (Resource Selection Function - RSF). Στην περίπτωση ενός SSF, γίνεται δειγματοληψία σημείων ελέγχου με βάση τα εμπειρικά δεδομένα της κινησιολογικής συμπεριφοράς των υπό παρακολούθηση ζώων. Η άμεση χωρική συσχέτιση μεταξύ δύο διαδοχικών καταγραφόμενων με GPS θέσεων αντιπροσωπεύει ένα βήμα. Για κάθε παρατηρούμενο βήμα, παράγεται ένας ορισμένος αριθμός βημάτων ελέγχου (εν προκειμένω 25 τυχαίων βημάτων), με βάση την εμπειρική κατανομή των μηκών βήματος (step-lengths) και των γωνιών στροφής (turning angles) μεταξύ των διαδοχικών βημάτων των υπό παρακολούθηση ζώων. Για να αναλυθούν οι προτιμήσεις ενδιαιτήματος, τα χαρακτηριστικά των παρατηρούμενων βημάτων ενός ατόμου συγκρίνονται με εκείνα των βημάτων ελέγχου που μοιράζονται το ίδιο σημείο εκκίνησης.

Σε αυτή τη μελέτη, πραγματοποιήθηκε σύγκριση μεταξύ διαφορετικών τιμών κάλυψης βλάστησης στο τελικό σημείο κάθε βήματος. Χρησιμοποιώντας ένα μοντέλο λογιστικής παλινδρόμησης υπό συνθήκη με τυχαίες επιδράσεις, υπολογίστηκε η ετερογένεια μεταξύ των ατόμων. Διερευνήθηκε, επίσης, εάν η επιλογή των θέσεων από τα άτομα επηρεάζεται από την εγγύτητα προς την πλησιέστερη ταΐστρα. Η επεξεργασία των δεδομένων και η στατιστική ανάλυση πραγματοποιήθηκαν χρησιμοποιώντας το στατιστικό πακέτο R (έκδοση 2.14.0). Οι τιμές κάλυψης βλάστησης που προήλθαν από την LiDAR, εξήχθησαν από κελιά ψηφιδωτού (raster cells) μέσα σε μία ζώνη ακτίνας (buffer) 5 μέτρων γύρω από τις παρατηρούμενες και τυχαίες θέσεις. Προκειμένου να συγκριθούν τα χαρακτηριστικά των επιλεγμένων και τυχαίων τοποθεσιών εφαρμόστηκε ένα λογιστικό μοντέλο μικτών επιδράσεων υπό συνθήκη, με τις τιμές κάλυψης βλάστησης ως επεξηγηματικές μεταβλητές και τα άτομα ως τυχαίες επιδράσεις, χρησιμοποιώντας τη συνάρτηση coxme στο R. Χρησιμοποιήθηκαν τέσσερα ξεχωριστά μοντέλα, τα οποία διέφεραν μεταξύ τους ως προς το εάν συμπεριλάμβαναν: (1) τις καιρικές μεταβλητές (απόκλιση θερμοκρασίας, ύψος χιονιού και ταχύτητα ανέμου) και τις πληροφορίες δραστηριότητας, (2) μόνο τις καιρικές μεταβλητές, (3) μόνο τη δραστηριότητα, ή (4) τίποτα από τα δύο (Πίνακας 1). Η απόσταση από την πλησιέστερη ταΐστρα συμπεριλήφθηκε ως επεξηγηματική μεταβλητή σε όλα τα μοντέλα. Ως καταλληλότερο μοντέλο επιλέχθηκε αυτό με τη χαμηλότερη τιμή AIC (Akaike’s Information Criterion).

Για τον προσδιορισμό της σημαντικότητας των επεξηγηματικών μεταβλητών στα επιλεγμένα μοντέλα, χρησιμοποιήθηκε μια διαδικασία επαναδειγματοληψίας. Πραγματοποιήθηκε σύγκριση της πρόβλεψης της SSF που υπολογίστηκε από τα αρχικά δεδομένα, με αυτήν που υπολογίστηκε από τυχαίες τιμές των επεξηγηματικών μεταβλητών και υπολογίστηκε ο συντελεστής αυτοσυσχέτισης Pearson μεταξύ των προβλέψεων. Χαμηλότερες τιμές του συντελεστή υποδηλώνουν μεγαλύτερη επίδραση της παραλλασσόμενης μεταβλητής.

'''Αποτελέσματα'''

Η ενσωμάτωση των καιρικών συνθηκών καθώς και της κατάστασης δραστηριότητας των ζώων βελτίωσε τα δοκιμασμένα μοντέλα επιλογής ενδιαιτήματος του ζαρκαδιού (Πίνακας 1). Ως καταλληλότερο μοντέλο με βάση τον δείκτη AIC επιλέχθηκε το μοντέλο 1, δηλαδή είχε την καλύτερη αναμενόμενη απόδοση πρόβλεψης πάνω σε νέες παρατηρήσεις υπό τις ίδιες περιβαλλοντικές συνθήκες (AIC: 9346). Όλα τα ακόλουθα αποτελέσματα αναφέρονται σε αυτό, συμπεριλαμβανομένων των μεταβλητών καιρού και της κατάστασης δραστηριότητας των ζώων.

Η κατάσταση δραστηριότητας των ζαρκαδιών επηρέασε τα πρότυπα επιλογής ενδιαιτήματος (Πίνακας 2). Γενικά, τα ενεργά άτομα επέλεγαν θέσεις με μικρότερη κάλυψη θόλων (ανώτερος όροφος, ανώτερος υποόροφος) και υψηλότερη κάλυψη κατώτερου υποορόφου (Εικόνες 3-5). Η θερμοκρασία και το ύψος χιονιού επηρέασαν, επίσης, την προτίμηση για κάλυψη στον ανώτερο όροφο και ανώτερο υποόοροφο (Πίνακας 2), ενώ η ταχύτητα το ανέμου δεν είχε καμία επίδραση στην επιλογή ενδιαιτήματος από το ζαρκάδι. Τα ζαρκάδια έτειναν να χρησιμοποιούν πιο συχνά τα δάση με υψηλή κάλυψη θόλων καθώς η θερμοκρασία μειωνόταν, και όταν το χιόνι ξεπερνούσε τα 0,6 m (Εικόνες 3, 5).

Η απόσταση από την πλησιέστερη ταΐστρα αποτέλεσε τη μεταβλητή με τη μεγαλύτερη επίδραση όσον αφορά την επιλογή ενδιαιτήματος από το ζαρκάδι. Στη σύγκριση ανάμεσα στις χρησιμοποιούμενες καιρικές μεταβλητές και την κατάσταση δραστηριότητας, τη μεγαλύτερη επίδραση είχε η κατάσταση δραστηριότητας, ακολουθούμενη από τη θερμοκρασία και το ύψος του χιονιού. Η πιο επιδραστική τιμή κάλυψης ήταν του ανώτερου ορόφου, ενώ ακολουθούσε ο ανώτερος υποόροφος και ο κατώτερος υποόροφος.

'''Συζήτηση '''

Η επιλογή χειμερινού ενδιαιτήματος από το ζαρκάδι εξαρτάται σε μεγάλο βαθμό από την κατάσταση της δραστηριότητας του ζώου και από τις καιρικές συνθήκες.
Τα ζαρκάδια έτειναν να χρησιμοποιούν τοποθεσίες που χαρακτηρίζονταν από τουλάχιστον ένα βαθμό κάλυψης θόλου ή τοποθεσίες που χαρακτηρίζονταν από υψηλή κάλυψη υποορόφου (Εικόνα 6). Με αυτόν τον τρόπο, το ζαρκάδι αποφεύγει τις ανοιχτές εκτάσεις, όπου κατά τη διάρκεια του χειμώνα επικρατούν σκληρές καιρικές συνθήκες και όπου δεν αναμένεται να υπάρχει διαθέσιμη τροφή. Στις περιπτώσεις όπου οι θερμοκρασίες ήταν πολύ χαμηλές ή όταν το ύψος χιονιού ξεπερνούσε τα 0,60 cm, τα ζαρκάδια προτιμούσαν περιοχές με υψηλότερη κάλυψη θόλου. Το γεγονός αυτό, επιβεβαιώνει την υπόθεση ότι τα ζαρκάδια χρησιμοποιούν δάση με υψηλή κάλυψη θόλου ως θερμικό καταφύγιο όταν κάνει κρύο. Τα αποτελέσματα σε σχέση με την ασθενή επίδραση του ανέμου στην επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι, οφείλονται πιθανώς στην έλλειψη πληροφοριών στα χρησιμοποιούμενα μετεωρολογικά δεδομένα.

Συνολικά, τα ζαρκάδια έτειναν να χρησιμοποιούν περιοχές με μικρότερη κάλυψη θόλου όταν ήταν ενεργά και μεγαλύτερη όταν αναπαύονταν, καθώς τους προσφέρει καταφύγιο σε σχέση με τις καιρικές συνθήκες. Όσον αφορά όμως τον υποόροφο, συμβαίνει το αντίστροφο. Τα ζαρκάδια προτιμούν περιοχές με πυκνό υποόροφο όταν είναι ενεργά, όπου αναζητούν την τροφή τους και περιοχές με αραιή βλάστηση υποορόφου όταν αναπαύονται, πιθανότατα για να αποφύγουν τις συναντήσεις με πιθανούς θηρευτές. Ειδικά ο λύγκας, που συναντάται στην περιοχή, εξαρτάται από την ύπαρξη βλάστησης στον υποόροφο ώστε να στήσει ενέδρα στο θήραμά του.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Η επιλογή χειμερινού ενδιαιτήματος από το ζαρκάδι δεν μπορεί να γενικευτεί, αλλά εξαρτάται σε μεγάλο βαθμό από εξωτερικές επιδράσεις, όπως ο καιρός, και από την κατάσταση δραστηριότητας του ζώου. Τα ζαρκάδια το χειμώνα εξαρτώνται από τις ετερογενείς δομές των δασών, για να καλύψουν τις ανάγκες τους σε σχέση με την εύρεση τροφής και την προφύλαξη από τις δύσκολες καιρικές συνθήκες.

Η ενσωμάτωση δεδομένων τηλεπισκόπησης υψηλής ανάλυσης και δεδομένων συμπεριφοράς, συνδυάζοντας την GPS τηλεμετρία με την προσέγγιση της λειτουργίας επιλογής πόρων (resource selection function), μπορεί να βοηθήσει σημαντικά στη μελέτη της επιλογής ενδιαιτήματος για οπληφόρα που ζουν σε δασικές περιοχές. Η τεχνολογία LiDAR προσφέρει δεδομένα υψηλής χωρικής ανάλυσης, παρέχοντας τη δυνατότητα για τη λεπτομερή απεικόνιση περίπλοκων τρισδιάστατων ενδιαιτημάτων, όπως τα δάση, και εφαρμόζεται όλο και πιο συχνά στη μελέτη της χρήσης ενδιαιτήματος από οπληφόρα. Οι χάρτες πρόβλεψης σε σχέση με τη χρήση ενδιαιτήματος, μπορούν να παρεκταθούν πέρα από τα όρια της περιοχής μελέτης και να προσφέρουν σημαντικές πληροφορίες για τη διατήρηση των δασών ή τη διαχείριση των άγριων ζώων.

[[Εικόνα:RSpaper8.6_Ntolka.JPG | thumb| center|'''Εικόνα 6. Χάρτες απεικόνισης των προβλεπόμενων τιμών προτίμησης ενδιαιτήματος από τα ζαρκάδια για διαφορετικά σενάρια καιρικών συνθηκών και κατάστασης δραστηριότητας (activity status).''' Οι χάρτες πρόβλεψης δημιουργήθηκαν με βάση το μοντέλο 1 (Πίνακας 2), διατηρώντας την απόσταση από την πλησιέστερη ταΐστρα σταθερή στο μέσο όρο του συνόλου δεδομένων.]]

[[category:Χαρτογράφηση των οικοτόπων της πανίδας]]

[[category: Οικολογία]]

LiDAR τηλεπισκόπηση και GPS τηλεμετρία παρέχουν στοιχεία για την επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι

2019-03-03T15:48:17Z

Ntolka Eirini:

'''LiDAR τηλεπισκόπηση και GPS τηλεμετρία παρέχουν στοιχεία για την επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι'''

'''Πρωτότυπος τίτλος:''' ''LiDAR Remote Sensing of Forest Structure and GPS Telemetry Data Provide Insights on Winter Habitat Selection of European Roe Deer ''

[[Εικόνα:RSpaper8.1_Ntolka.JPG | thumb| right|'''Περιοχή μελέτης.''' Ο Εθνικός Δρυμός της Βαυαρίας περικλείεται από μαύρο περίγραμμα, οι καταγραφόμενες θέσεις (GPS-fixes) των ζαρκαδιών σημαίνονται με μαύρους κύκλους, και οι τοποθεσίες των μετεωρολογικών σταθμών με τετράγωνα ( T: Taferlrück, WH: Waldhäuser, WSH: Waldschmidthaus).]]

'''Συγγραφείς: '''Michael Ewald, Claudia Dupke, Marco Heurich, Jörg Müller and Björn Reineking

'''Δημοσιεύθηκε: ''' ''Forests 2014 (5): 1374-1390, Ιούνιος 2014, doi:10.3390/f5061374 ''

[[Εικόνα:RSpaper8.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Κάθετη διατομή του νέφους σημείων των δεδομένων LiDAR και οι προκύπτουσες τιμές κλασματικής φυτοκάλυψης για τον κατώτερο υποόροφο, ανώτερο υποόροφο και ανώτερο όροφο των δέντρων, όπως απεικονίζονται σε μια διατομή μήκους 50m και πλάτους 5m.''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/263125324_LiDAR_Remote_Sensing_of_Forest_Structure_and_GPS_Telemetry_Data_Provide_Insights_on_Winter_Habitat_Selection_of_European_Roe_Deer]

[[Εικόνα:RSpaperT8.1_Ntolka.JPG | thumb| right|'''Πίνακας 1. Περίληψη των υπολογισθέντων μικτών μοντέλων λογιστικής παλινδρόμησης υπό συνθήκη (mixed conditional logistic regression models) που εξηγούν την επιλογή ενδιαιτήματος, οι μεταβλητές που περιέχουν και οι αντίστοιχες τιμές του δείκτη AIC (Akaike’s Information Criterion).'''
''dist_to_f'': distance to nearest artificial feeding place (απόσταση από την πλησιέστερη ταΐστρα), ''OC'': overstory cover (κάλυψη ανώτερου ορόφου), ''MC'': midstory cover (κάλυψη ανώτερου υποορόφου),'' UC'': understory cover (κάλυψη κατώτερου υποορόφου), ''temp'': απόκλιση από τη μέση θερμοκρασία την αντίστοιχη ώρα της ημέρας, ''act'': activity status των ζαρκαδιών, ''snow'': ύψος χιονιού, ''wind'': ταχύτητα ανέμου.]]

[[Εικόνα:RSpaperT8.2_Ntolka.JPG | thumb| right|'''Πίνακας 2. Αποτελέσματα μικτής λογιστικής παλινδρόμησης υπό συνθήκη (Μοντέλο 1). ''' Οι τιμές με p<0,05 υποδεικνύουν στατιστικά σημαντική επίδραση των όρων του μοντέλου.
''dist_to_f'': distance to nearest artificial feeding place (απόσταση από την πλησιέστερη ταΐστρα), ''OC'': overstory cover (κάλυψη ανώτερου ορόφου), ''MC'': midstory cover (κάλυψη ανώτερου υποορόφου),'' UC'': understory cover (κάλυψη κατώτερου υποορόφου), ''temp'': απόκλιση από τη μέση θερμοκρασία την αντίστοιχη ώρα της ημέρας, ''act'': activity status των ζαρκαδιών, ''snow'': ύψος χιονιού, ''wind'': ταχύτητα ανέμου. ]]

'''Λέξεις-Κλειδιά: ''' τηλεπισκόπηση, δασική διαμόρφωση, συμπεριφορά ζώων, επιλογή θέσης, συναρτήσεις βηματικής επιλογής

'''Εισαγωγή'''

[[Εικόνα:RSpaper8.3_Ntolka.JPG | thumb| right|'''Εικόνα 3. Προβλεπόμενες τιμές σχετικής προτίμησης για την κάλυψη του ανώτερου υποορόφου (2 m-10 m) και του ανώτερου ορόφου (10 m-60 m) ως συνάρτηση της απόκλισης της θερμοκρασίας από τις μέσες τιμές θερμοκρασίας σε ορισμένη ώρα της ημέρας, για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια.''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον μέσο όρο του συνόλου δεδομένων τους. Οι τιμές προτίμησης κλιμακώθηκαν μεταξύ 0 και 1, ώστε να είναι δυνατή η σύγκριση των αποτελεσμάτων μεταξύ των διαφορετικών θερμοκρασιών.]]

Η κατανόηση της επιλογής ενδιαιτήματος ενός είδους αποτελεί βασική προϋπόθεση για τη διαχείριση της άγριας πανίδας. Η επιλογή του ενδιαιτήματος μπορεί να διερευνηθεί σε μια πολύ λεπτομερή χωροχρονική ανάλυση χρησιμοποιώντας τηλεμετρία GPS, η οποία παρέχει δεδομένα θέσης κρυπτικών οργανισμών σε σχεδόν συνεχή κλίμακα. Η αερομεταφερόμενη σάρωση με laser (LiDAR -Light Detection and Ranging – ανίχνευση και σκόπευση φωτός) αποτελεί μια καθιερωμένη τεχνική τηλεπισκόπησης, η οποία προσφέρει τη μοναδική δυνατότητα περιγραφής της τρισδιάστατης δομής των δασών, με μεγάλη λεπτομέρεια και ακρίβεια, και για μεγάλες εκτάσεις.

Στην παρούσα εργασία, αναλύθηκε η επιλογή του χειμερινού ενδιαιτήματος του ζαρκαδιού (''Capreolus capreolus'') σε ένα ορεινό δασικό οικοσύστημα, συνδυάζοντας εκτιμήσεις κάλυψης βλάστησης σε τρία διαφορετικά στρώματα ύψους μέσω LiDAR, και δεδομένα δραστηριότητας από GPS τηλεμετρία. Το ευρωπαϊκό ζαρκάδι είναι ένα μεσαίου μεγέθους οπληφόρο, που κατανέμεται σε ολόκληρη την Ευρώπη και είναι προσαρμοσμένο σε μια ποικιλία ενδιαιτημάτων, με προτίμηση στα δασικά. Μπορεί να τραφεί με ένα πλήθος φυτικών ειδών, αλλά ακολουθεί μια «επικεντρωμένα επιλεκτική» στρατηγική τροφοληψίας και μπορεί να επηρεάσει σημαντικά τη σύνθεση της αναγέννησης των δέντρων. Στα βόρεια γεωγραφικά πλάτη, οι ακραίες καιρικές συνθήκες του χειμώνα επηρεάζουν έντονα τη δυνατότητα επιβίωσης του ζαρκαδιού. Ο χειμώνας αποτελεί μια περίοδο όπου η διαθεσιμότητα της τροφής είναι μικρή, οι χαμηλές θερμοκρασίες και ο ψυχρός άνεμος απαιτούν την κατανάλωση σημαντικών ποσών ενέργειας για θερμορύθμιση από τα ζώα, και το βαθύ χιόνι περιορίζει τις ικανότητες μετακίνησής τους.

'''Περιοχή μελέτης'''

Η μελέτη πραγματοποιήθηκε στον Εθνικό Δρυμό της Βαυαρίας (Εικόνα 1), που βρίσκεται στα νοτιοανατολικά σύνορα της Γερμανίας με την Τσεχία και καλύπτει μια έκταση 24.369 εκταρίων. Η δασική βλάστηση αποτελείται κυρίως από έλατα (ερυθρελάτη, λευκή ελάτη), οξιές και σημύδες και το υψόμετρο κυμαίνεται από 600 έως 1.453 μέτρα. Η μέση ετήσια θερμοκρασία αντιστοιχεί σε 2-7,3 °C, η χιονοκάλυψη διαρκεί κατά μέσο όρο 139 ημέρες ανά έτος στα μεσαία υψόμετρα, και το χιόνι έχει βάθος μεγαλύτερο από 50cm για κατά μέσο όρο 50 ημέρες το χρόνο. Τα ζαρκάδια χρησιμοποιούν όλη την έκταση του εθνικού δρυμού κατά τη διάρκεια του καλοκαιριού ενώ το χειμώνα κατεβαίνουν στα χαμηλότερα υψόμετρα, όπου το χιόνι είναι λιγότερο βαθύ. Σε κάποια σημεία της περιοχής υπάρχουν ταΐστρες μέσα και γύρω από παγίδες, οι οποίες χρησιμοποιούνται για τη σύλληψη ζώων για ερευνητικούς σκοπούς. Μέσα στην περιοχή μελέτης απαγορεύεται το κυνήγι. Στην περιοχή συναντάται, επίσης, ο ευρασιατικός λύγκας (''Lynx lynx''), ο οποίος αποτελεί πιθανό θηρευτή για το ζαρκάδι.

'''Πειραματικός σχεδιασμός '''

'' Δεδομένα τηλεμετρίας''

Για τη λήψη των δεδομένων τηλεμετρίας GPS χρησιμοποιήθηκαν περιλαίμια GPS-GSM με ενσωματωμένους αισθητήρες καταγραφής δραστηριότητας (σειρά 3.000 από την VECTRONIC Aerospace, Βερολίνο, Γερμανία), με τα οποία ραδιοσημάνθηκαν 15 ζαρκάδια. Η παρακολούθησή τους πραγματοποιήθηκε για διαφορετικές χρονικές περιόδους κατά τη διάρκεια του χειμώνα, οι οποίες διήρκησαν από 14 ημέρες έως έξι μήνες. Τα χρονικά διαστήματα μεταξύ δύο διαδοχικών καταγραφών κυμαίνονταν από 15 λεπτά έως 2 ώρες. Στην ανάλυση συμπεριλήφθησαν δεδομένα από 1.418 θέσεις για 9 ενήλικα θηλυκά και 6 ενήλικα αρσενικά ζαρκάδια, μεταξύ Απριλίου 2007 και Δεκεμβρίου 2010. Οι ενσωματωμένοι στα GPS περιλαίμια αισθητήρες δραστηριότητας είναι σε θέση να καταγράψουν την κινητικότητα των ζώων μετρώντας την επιτάχυνση κατά την κίνησή τους προς τα εμπρός/πίσω και προς τα πλάγια.

Για τον προσδιορισμό της κατάστασης δραστηριότητας (activity status) χρησιμοποιήθηκαν επίπεδα κατωφλίου, τα οποία καθορίστηκαν σε προηγούμενη ανεξάρτητη μελέτη, που πραγματοποιήθηκε στην ίδια περιοχή. Τα άτομα θεωρήθηκαν ενεργά (active) όταν το άθροισμα των δύο τιμών επιτάχυνσης (προς τα εμπρός/ προς τα πίσω και προς τα πλάγια) ήταν μεγαλύτερο από 4 και ως μη ενεργά-αναπαυόμενα (resting) σε όλες τις άλλες περιπτώσεις.

[[Εικόνα:RSpaper8.4_Ntolka.JPG | thumb| right|'''Εικόνα 4. Προβλεπόμενες τιμές σχετικής προτίμησης για την κάλυψη του ανώτερου υποορόφου (2 m-10 m) και του ανώτερου ορόφου (10 m-60 m) ως συνάρτηση του ύψους χιονιού, για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια. ''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον μέσο όρο του συνόλου δεδομένων τους. Οι τιμές προτίμησης κλιμακώθηκαν μεταξύ 0 και 1, ώστε να είναι δυνατή η σύγκριση των αποτελεσμάτων μεταξύ των διαφορετικών τιμών ύψους χιονιού.]]

''Μετεωρολογικά δεδομένα''

Χρησιμοποιήθηκαν δεδομένα θερμοκρασίας και ταχύτητας ανέμου από τρεις μετεωρολογικούς σταθμούς σε διαφορετικά υψόμετρα, Taferlruck (769 m), Waldhäuser (940 m ) και Waldschmidthaus (1356 m), τα οποία καταγράφονταν ανά χρονικό διάστημα 10 λεπτών, και δεδομένα ημερήσιου ύψους χιονιού από τον σταθμό Waldhäuser (Εικόνα 1). Οι τιμές θερμοκρασίας και ταχύτητας ανέμου για κάθε θέση καταγραφή ζαρκαδιού ελήφθησαν από τον πλησιέστερο μετεωρολογικό σταθμό.

[[Εικόνα:RSpaper8.5_Ntolka.JPG | thumb| right|'''Εικόνα 5. Προβλεπόμενες τιμές προτίμησης για την κάλυψη του κατώτερου υποορόφου για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια. ''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον αντίστοιχο μέσο όρο του συνόλου δεδομένων τους.]]

''Δεδομένα LiDAR''

Τα δεδομένα LiDAR για την περιοχή μελέτης αποκτήθηκαν κατά την περίοδο έλλειψης φυλλώματος μεταξύ Απριλίου 2008 και Νοεμβρίου 2009, χρησιμοποιώντας το αερομεταφερόμενο σύστημα Riegl LMS-Q 560 (RIEGL Inc., Horn, Αυστρία). Το σύστημα εξέπεμπε ακτινοβολία laser σε μήκος κύματος 1550 nm και κατέγραφε το πρώτο και το τελευταίο σημείο επιστροφής με κατακόρυφο σφάλμα +/- 0,16 m. Το μέσο πλάτος της λωρίδας σάρωσης αντιστοιχούσε σε 832 m, η μέση διάμετρος του αποτυπώματος της δέσμης laser σε 38,8 cm και η μέση σημειακή πυκνότητα σε 9,8 σημεία/m². Για την ταξινόμηση των σημείων επιστροφής από το έδαφος και από τη βλάστηση χρησιμοποιήθηκε το λογισμικό TerraScan (TerraSolid Ltd., Helsinki, Finland). Ένα ψηφιακό μοντέλο εδάφους (DTM) με χωρική ανάλυση 1 m υπολογίστηκε με το SCOP ++ (inpho GmbH, Βιέννη, Αυστρία). Το ύψος των LiDAR επιστροφών πάνω από το έδαφος υπολογίσθηκε αφαιρώντας την τιμή ύψους του υποκείμενου DTM από το ύψος κάθε σημείου. Το τρισδιάστατο νέφος σημείων που προέκυψε, αντιπροσωπεύει διακριτές επιστροφές παλμού από την επιφάνεια του εδάφους και από τη βλάστηση. Ο υπολογισμός της κλασματικής φυτοκάλυψης (fractional vegetation cover) έγινε σε 3 διαφορετικά επίπεδα, στον κατώτερο υποόροφο (0.5 m–2 m πάνω από το έδαφος), στον ανώτερο υποόροφο (2 m–10 m πάνω από το έδαφος) και στον ανώτερο όροφο των δέντρων (10 m–60 m πάνω από το έδαφος) (Εικόνα 2).

''Στατιστική ανάλυση''

Για την ανάλυση της επιλογής ενδιαιτήματος από τα ζαρκάδια εφαρμόστηκε μια συνάρτηση βηματικής επιλογής (Step Selection Function- SSF), μια ειδική μορφή συνάρτησης επιλογής πόρων (Resource Selection Function - RSF). Στην περίπτωση ενός SSF, γίνεται δειγματοληψία σημείων ελέγχου με βάση τα εμπειρικά δεδομένα της κινησιολογικής συμπεριφοράς των υπό παρακολούθηση ζώων. Η άμεση χωρική συσχέτιση μεταξύ δύο διαδοχικών καταγραφόμενων με GPS θέσεων αντιπροσωπεύει ένα βήμα. Για κάθε παρατηρούμενο βήμα, παράγεται ένας ορισμένος αριθμός βημάτων ελέγχου (εν προκειμένω 25 τυχαίων βημάτων), με βάση την εμπειρική κατανομή των μηκών βήματος (step-lengths) και των γωνιών στροφής (turning angles) μεταξύ των διαδοχικών βημάτων των υπό παρακολούθηση ζώων. Για να αναλυθούν οι προτιμήσεις ενδιαιτήματος, τα χαρακτηριστικά των παρατηρούμενων βημάτων ενός ατόμου συγκρίνονται με εκείνα των βημάτων ελέγχου που μοιράζονται το ίδιο σημείο εκκίνησης.

Σε αυτή τη μελέτη, πραγματοποιήθηκε σύγκριση μεταξύ διαφορετικών τιμών κάλυψης βλάστησης στο τελικό σημείο κάθε βήματος. Χρησιμοποιώντας ένα μοντέλο λογιστικής παλινδρόμησης υπό συνθήκη με τυχαίες επιδράσεις, υπολογίστηκε η ετερογένεια μεταξύ των ατόμων. Διερευνήθηκε, επίσης, εάν η επιλογή των θέσεων από τα άτομα επηρεάζεται από την εγγύτητα προς την πλησιέστερη ταΐστρα. Η επεξεργασία των δεδομένων και η στατιστική ανάλυση πραγματοποιήθηκαν χρησιμοποιώντας το στατιστικό πακέτο R (έκδοση 2.14.0). Οι τιμές κάλυψης βλάστησης που προήλθαν από την LiDAR, εξήχθησαν από κελιά ψηφιδωτού (raster cells) μέσα σε μία ζώνη ακτίνας (buffer) 5 μέτρων γύρω από τις παρατηρούμενες και τυχαίες θέσεις. Προκειμένου να συγκριθούν τα χαρακτηριστικά των επιλεγμένων και τυχαίων τοποθεσιών εφαρμόστηκε ένα λογιστικό μοντέλο μικτών επιδράσεων υπό συνθήκη, με τις τιμές κάλυψης βλάστησης ως επεξηγηματικές μεταβλητές και τα άτομα ως τυχαίες επιδράσεις, χρησιμοποιώντας τη συνάρτηση coxme στο R. Χρησιμοποιήθηκαν τέσσερα ξεχωριστά μοντέλα, τα οποία διέφεραν μεταξύ τους ως προς το εάν συμπεριλάμβαναν: (1) τις καιρικές μεταβλητές (απόκλιση θερμοκρασίας, ύψος χιονιού και ταχύτητα ανέμου) και τις πληροφορίες δραστηριότητας, (2) μόνο τις καιρικές μεταβλητές, (3) μόνο τη δραστηριότητα, ή (4) τίποτα από τα δύο (Πίνακας 1). Η απόσταση από την πλησιέστερη ταΐστρα συμπεριλήφθηκε ως επεξηγηματική μεταβλητή σε όλα τα μοντέλα. Ως καταλληλότερο μοντέλο επιλέχθηκε αυτό με τη χαμηλότερη τιμή AIC (Akaike’s Information Criterion).

Για τον προσδιορισμό της σημαντικότητας των επεξηγηματικών μεταβλητών στα επιλεγμένα μοντέλα, χρησιμοποιήθηκε μια διαδικασία επαναδειγματοληψίας. Πραγματοποιήθηκε σύγκριση της πρόβλεψης της SSF που υπολογίστηκε από τα αρχικά δεδομένα, με αυτήν που υπολογίστηκε από τυχαίες τιμές των επεξηγηματικών μεταβλητών και υπολογίστηκε ο συντελεστής αυτοσυσχέτισης Pearson μεταξύ των προβλέψεων. Χαμηλότερες τιμές του συντελεστή υποδηλώνουν μεγαλύτερη επίδραση της παραλλασσόμενης μεταβλητής.

'''Αποτελέσματα'''

Η ενσωμάτωση των καιρικών συνθηκών καθώς και της κατάστασης δραστηριότητας των ζώων βελτίωσε τα δοκιμασμένα μοντέλα επιλογής ενδιαιτήματος του ζαρκαδιού (Πίνακας 1). Ως καταλληλότερο μοντέλο με βάση τον δείκτη AIC επιλέχθηκε το μοντέλο 1, δηλαδή είχε την καλύτερη αναμενόμενη απόδοση πρόβλεψης πάνω σε νέες παρατηρήσεις υπό τις ίδιες περιβαλλοντικές συνθήκες (AIC: 9346). Όλα τα ακόλουθα αποτελέσματα αναφέρονται σε αυτό, συμπεριλαμβανομένων των μεταβλητών καιρού και της κατάστασης δραστηριότητας των ζώων.

Η κατάσταση δραστηριότητας των ζαρκαδιών επηρέασε τα πρότυπα επιλογής ενδιαιτήματος (Πίνακας 2). Γενικά, τα ενεργά άτομα επέλεγαν θέσεις με μικρότερη κάλυψη θόλων (ανώτερος όροφος, ανώτερος υποόροφος) και υψηλότερη κάλυψη κατώτερου υποορόφου (Εικόνες 3-5). Η θερμοκρασία και το ύψος χιονιού επηρέασαν, επίσης, την προτίμηση για κάλυψη στον ανώτερο όροφο και ανώτερο υποόοροφο (Πίνακας 2), ενώ η ταχύτητα το ανέμου δεν είχε καμία επίδραση στην επιλογή ενδιαιτήματος από το ζαρκάδι. Τα ζαρκάδια έτειναν να χρησιμοποιούν πιο συχνά τα δάση με υψηλή κάλυψη θόλων καθώς η θερμοκρασία μειωνόταν, και όταν το χιόνι ξεπερνούσε τα 0,6 m (Εικόνες 3, 5).

Η απόσταση από την πλησιέστερη ταΐστρα αποτέλεσε τη μεταβλητή με τη μεγαλύτερη επίδραση όσον αφορά την επιλογή ενδιαιτήματος από το ζαρκάδι. Στη σύγκριση ανάμεσα στις χρησιμοποιούμενες καιρικές μεταβλητές και την κατάσταση δραστηριότητας, τη μεγαλύτερη επίδραση είχε η κατάσταση δραστηριότητας, ακολουθούμενη από τη θερμοκρασία και το ύψος του χιονιού. Η πιο επιδραστική τιμή κάλυψης ήταν του ανώτερου ορόφου, ενώ ακολουθούσε ο ανώτερος υποόροφος και ο κατώτερος υποόροφος.

'''Συζήτηση '''

Η επιλογή χειμερινού ενδιαιτήματος από το ζαρκάδι εξαρτάται σε μεγάλο βαθμό από την κατάσταση της δραστηριότητας του ζώου και από τις καιρικές συνθήκες.
Τα ζαρκάδια έτειναν να χρησιμοποιούν τοποθεσίες που χαρακτηρίζονταν από τουλάχιστον ένα βαθμό κάλυψης θόλου ή τοποθεσίες που χαρακτηρίζονταν από υψηλή κάλυψη υποορόφου (Εικόνα 6). Με αυτόν τον τρόπο, το ζαρκάδι αποφεύγει τις ανοιχτές εκτάσεις, όπου κατά τη διάρκεια του χειμώνα επικρατούν σκληρές καιρικές συνθήκες και όπου δεν αναμένεται να υπάρχει διαθέσιμη τροφή. Στις περιπτώσεις όπου οι θερμοκρασίες ήταν πολύ χαμηλές ή όταν το ύψος χιονιού ξεπερνούσε τα 0,60 cm, τα ζαρκάδια προτιμούσαν περιοχές με υψηλότερη κάλυψη θόλου. Το γεγονός αυτό, επιβεβαιώνει την υπόθεση ότι τα ζαρκάδια χρησιμοποιούν δάση με υψηλή κάλυψη θόλου ως θερμικό καταφύγιο όταν κάνει κρύο. Τα αποτελέσματα σε σχέση με την ασθενή επίδραση του ανέμου στην επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι, οφείλονται πιθανώς στην έλλειψη πληροφοριών στα χρησιμοποιούμενα μετεωρολογικά δεδομένα.

Συνολικά, τα ζαρκάδια έτειναν να χρησιμοποιούν περιοχές με μικρότερη κάλυψη θόλου όταν ήταν ενεργά και μεγαλύτερη όταν αναπαύονταν, καθώς τους προσφέρει καταφύγιο σε σχέση με τις καιρικές συνθήκες. Όσον αφορά όμως τον υποόροφο, συμβαίνει το αντίστροφο. Τα ζαρκάδια προτιμούν περιοχές με πυκνό υποόροφο όταν είναι ενεργά, όπου αναζητούν την τροφή τους και περιοχές με αραιή βλάστηση υποορόφου όταν αναπαύονται, πιθανότατα για να αποφύγουν τις συναντήσεις με πιθανούς θηρευτές. Ειδικά ο λύγκας, που συναντάται στην περιοχή, εξαρτάται από την ύπαρξη βλάστησης στον υποόροφο ώστε να στήσει ενέδρα στο θήραμά του.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Η επιλογή χειμερινού ενδιαιτήματος από το ζαρκάδι δεν μπορεί να γενικευτεί, αλλά εξαρτάται σε μεγάλο βαθμό από εξωτερικές επιδράσεις, όπως ο καιρός, και από την κατάσταση δραστηριότητας του ζώου. Τα ζαρκάδια το χειμώνα εξαρτώνται από τις ετερογενείς δομές των δασών, για να καλύψουν τις ανάγκες τους σε σχέση με την εύρεση τροφής και την προφύλαξη από τις δύσκολες καιρικές συνθήκες.

Η ενσωμάτωση δεδομένων τηλεπισκόπησης υψηλής ανάλυσης και δεδομένων συμπεριφοράς, συνδυάζοντας την GPS τηλεμετρία με την προσέγγιση της λειτουργίας επιλογής πόρων (resource selection function), μπορεί να βοηθήσει σημαντικά στη μελέτη της επιλογής ενδιαιτήματος για οπληφόρα που ζουν σε δασικές περιοχές. Η τεχνολογία LiDAR προσφέρει δεδομένα υψηλής χωρικής ανάλυσης, παρέχοντας τη δυνατότητα για τη λεπτομερή απεικόνιση περίπλοκων τρισδιάστατων ενδιαιτημάτων, όπως τα δάση, και εφαρμόζεται όλο και πιο συχνά στη μελέτη της χρήσης ενδιαιτήματος από οπληφόρα. Οι χάρτες πρόβλεψης σε σχέση με τη χρήση ενδιαιτήματος, μπορούν να παρεκταθούν πέρα από τα όρια της περιοχής μελέτης και να προσφέρουν σημαντικές πληροφορίες για τη διατήρηση των δασών ή τη διαχείριση των άγριων ζώων.

[[Εικόνα:RSpaper8.6_Ntolka.JPG | thumb| center|'''Εικόνα 6. Χάρτες απεικόνισης των προβλεπόμενων τιμών προτίμησης ενδιαιτήματος από τα ζαρκάδια για διαφορετικά σενάρια καιρικών συνθηκών και κατάστασης δραστηριότητας (activity status).''' Οι χάρτες πρόβλεψης δημιουργήθηκαν με βάση το μοντέλο 1 (Πίνακας 2), διατηρώντας την απόσταση από την πλησιέστερη ταΐστρα σταθερή στο μέσο όρο του συνόλου δεδομένων.)]]

[[category:Χαρτογράφηση των οικοτόπων της πανίδας]]

[[category: Οικολογία]]

LiDAR τηλεπισκόπηση και GPS τηλεμετρία παρέχουν στοιχεία για την επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι

2019-03-03T15:46:12Z

Ntolka Eirini:

'''LiDAR τηλεπισκόπηση και GPS τηλεμετρία παρέχουν στοιχεία για την επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι'''

'''Πρωτότυπος τίτλος:''' ''LiDAR Remote Sensing of Forest Structure and GPS Telemetry Data Provide Insights on Winter Habitat Selection of European Roe Deer ''

[[Εικόνα:RSpaper8.1_Ntolka.JPG | thumb| right|'''Περιοχή μελέτης.''' Ο Εθνικός Δρυμός της Βαυαρίας περικλείεται από μαύρο περίγραμμα, οι καταγραφόμενες θέσεις (GPS-fixes) των ζαρκαδιών σημαίνονται με μαύρους κύκλους, και οι τοποθεσίες των μετεωρολογικών σταθμών με τετράγωνα ( T: Taferlrück, WH: Waldhäuser, WSH: Waldschmidthaus).]]

'''Συγγραφείς: '''Michael Ewald, Claudia Dupke, Marco Heurich, Jörg Müller and Björn Reineking

'''Δημοσιεύθηκε: ''' ''Forests 2014 (5): 1374-1390, Ιούνιος 2014, doi:10.3390/f5061374 ''

[[Εικόνα:RSpaper8.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Κάθετη διατομή του νέφους σημείων των δεδομένων LiDAR και οι προκύπτουσες τιμές κλασματικής φυτοκάλυψης για τον κατώτερο υποόροφο, ανώτερο υποόροφο και ανώτερο όροφο των δέντρων, όπως απεικονίζονται σε μια διατομή μήκους 50m και πλάτους 5m.''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/263125324_LiDAR_Remote_Sensing_of_Forest_Structure_and_GPS_Telemetry_Data_Provide_Insights_on_Winter_Habitat_Selection_of_European_Roe_Deer]

[[Εικόνα:RSpaperT8.1_Ntolka.JPG | thumb| right|'''Πίνακας 1. Περίληψη των υπολογισθέντων μικτών μοντέλων λογιστικής παλινδρόμησης υπό συνθήκη (mixed conditional logistic regression models) που εξηγούν την επιλογή ενδιαιτήματος, οι μεταβλητές που περιέχουν και οι αντίστοιχες τιμές του δείκτη AIC (Akaike’s Information Criterion).'''
''dist_to_f'': distance to nearest artificial feeding place (απόσταση από την πλησιέστερη ταΐστρα), ''OC'': overstory cover (κάλυψη ανώτερου ορόφου), ''MC'': midstory cover (κάλυψη ανώτερου υποορόφου),'' UC'': understory cover (κάλυψη κατώτερου υποορόφου), ''temp'': απόκλιση από τη μέση θερμοκρασία την αντίστοιχη ώρα της ημέρας, ''act'': activity status των ζαρκαδιών, ''snow'': ύψος χιονιού, ''wind'': ταχύτητα ανέμου.]]

[[Εικόνα:RSpaperT8.2_Ntolka.JPG | thumb| right|'''Πίνακας 2. Αποτελέσματα μικτής λογιστικής παλινδρόμησης υπό συνθήκη (Μοντέλο 1). ''' Οι τιμές με p<0,05 υποδεικνύουν στατιστικά σημαντική επίδραση των όρων του μοντέλου.
''dist_to_f'': distance to nearest artificial feeding place (απόσταση από την πλησιέστερη ταΐστρα), ''OC'': overstory cover (κάλυψη ανώτερου ορόφου), ''MC'': midstory cover (κάλυψη ανώτερου υποορόφου),'' UC'': understory cover (κάλυψη κατώτερου υποορόφου), ''temp'': απόκλιση από τη μέση θερμοκρασία την αντίστοιχη ώρα της ημέρας, ''act'': activity status των ζαρκαδιών, ''snow'': ύψος χιονιού, ''wind'': ταχύτητα ανέμου. ]]

'''Λέξεις-Κλειδιά: ''' τηλεπισκόπηση, δασική διαμόρφωση, συμπεριφορά ζώων, επιλογή θέσης, συναρτήσεις βηματικής επιλογής

'''Εισαγωγή'''

[[Εικόνα:RSpaper8.3_Ntolka.JPG | thumb| right|'''Εικόνα 3. Προβλεπόμενες τιμές σχετικής προτίμησης για την κάλυψη του ανώτερου υποορόφου (2 m-10 m) και του ανώτερου ορόφου (10 m-60 m) ως συνάρτηση της απόκλισης της θερμοκρασίας από τις μέσες τιμές θερμοκρασίας σε ορισμένη ώρα της ημέρας, για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια.''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον μέσο όρο του συνόλου δεδομένων τους. Οι τιμές προτίμησης κλιμακώθηκαν μεταξύ 0 και 1, ώστε να είναι δυνατή η σύγκριση των αποτελεσμάτων μεταξύ των διαφορετικών θερμοκρασιών.]]

Η κατανόηση της επιλογής ενδιαιτήματος ενός είδους αποτελεί βασική προϋπόθεση για τη διαχείριση της άγριας πανίδας. Η επιλογή του ενδιαιτήματος μπορεί να διερευνηθεί σε μια πολύ λεπτομερή χωροχρονική ανάλυση χρησιμοποιώντας τηλεμετρία GPS, η οποία παρέχει δεδομένα θέσης κρυπτικών οργανισμών σε σχεδόν συνεχή κλίμακα. Η αερομεταφερόμενη σάρωση με laser (LiDAR -Light Detection and Ranging – ανίχνευση και σκόπευση φωτός) αποτελεί μια καθιερωμένη τεχνική τηλεπισκόπησης, η οποία προσφέρει τη μοναδική δυνατότητα περιγραφής της τρισδιάστατης δομής των δασών, με μεγάλη λεπτομέρεια και ακρίβεια, και για μεγάλες εκτάσεις.

Στην παρούσα εργασία, αναλύθηκε η επιλογή του χειμερινού ενδιαιτήματος του ζαρκαδιού (''Capreolus capreolus'') σε ένα ορεινό δασικό οικοσύστημα, συνδυάζοντας εκτιμήσεις κάλυψης βλάστησης σε τρία διαφορετικά στρώματα ύψους μέσω LiDAR, και δεδομένα δραστηριότητας από GPS τηλεμετρία. Το ευρωπαϊκό ζαρκάδι είναι ένα μεσαίου μεγέθους οπληφόρο, που κατανέμεται σε ολόκληρη την Ευρώπη και είναι προσαρμοσμένο σε μια ποικιλία ενδιαιτημάτων, με προτίμηση στα δασικά. Μπορεί να τραφεί με ένα πλήθος φυτικών ειδών, αλλά ακολουθεί μια «επικεντρωμένα επιλεκτική» στρατηγική τροφοληψίας και μπορεί να επηρεάσει σημαντικά τη σύνθεση της αναγέννησης των δέντρων. Στα βόρεια γεωγραφικά πλάτη, οι ακραίες καιρικές συνθήκες του χειμώνα επηρεάζουν έντονα τη δυνατότητα επιβίωσης του ζαρκαδιού. Ο χειμώνας αποτελεί μια περίοδο όπου η διαθεσιμότητα της τροφής είναι μικρή, οι χαμηλές θερμοκρασίες και ο ψυχρός άνεμος απαιτούν την κατανάλωση σημαντικών ποσών ενέργειας για θερμορύθμιση από τα ζώα, και το βαθύ χιόνι περιορίζει τις ικανότητες μετακίνησής τους.

'''Περιοχή μελέτης'''

Η μελέτη πραγματοποιήθηκε στον Εθνικό Δρυμό της Βαυαρίας (Εικόνα 1), που βρίσκεται στα νοτιοανατολικά σύνορα της Γερμανίας με την Τσεχία και καλύπτει μια έκταση 24.369 εκταρίων. Η δασική βλάστηση αποτελείται κυρίως από έλατα (ερυθρελάτη, λευκή ελάτη), οξιές και σημύδες και το υψόμετρο κυμαίνεται από 600 έως 1.453 μέτρα. Η μέση ετήσια θερμοκρασία αντιστοιχεί σε 2-7,3 °C, η χιονοκάλυψη διαρκεί κατά μέσο όρο 139 ημέρες ανά έτος στα μεσαία υψόμετρα, και το χιόνι έχει βάθος μεγαλύτερο από 50cm για κατά μέσο όρο 50 ημέρες το χρόνο. Τα ζαρκάδια χρησιμοποιούν όλη την έκταση του εθνικού δρυμού κατά τη διάρκεια του καλοκαιριού ενώ το χειμώνα κατεβαίνουν στα χαμηλότερα υψόμετρα, όπου το χιόνι είναι λιγότερο βαθύ. Σε κάποια σημεία της περιοχής υπάρχουν ταΐστρες μέσα και γύρω από παγίδες, οι οποίες χρησιμοποιούνται για τη σύλληψη ζώων για ερευνητικούς σκοπούς. Μέσα στην περιοχή μελέτης απαγορεύεται το κυνήγι. Στην περιοχή συναντάται, επίσης, ο ευρασιατικός λύγκας (''Lynx lynx''), ο οποίος αποτελεί πιθανό θηρευτή για το ζαρκάδι.

'''Πειραματικός σχεδιασμός '''

'' Δεδομένα τηλεμετρίας''

Για τη λήψη των δεδομένων τηλεμετρίας GPS χρησιμοποιήθηκαν περιλαίμια GPS-GSM με ενσωματωμένους αισθητήρες καταγραφής δραστηριότητας (σειρά 3.000 από την VECTRONIC Aerospace, Βερολίνο, Γερμανία), με τα οποία ραδιοσημάνθηκαν 15 ζαρκάδια. Η παρακολούθησή τους πραγματοποιήθηκε για διαφορετικές χρονικές περιόδους κατά τη διάρκεια του χειμώνα, οι οποίες διήρκησαν από 14 ημέρες έως έξι μήνες. Τα χρονικά διαστήματα μεταξύ δύο διαδοχικών καταγραφών κυμαίνονταν από 15 λεπτά έως 2 ώρες. Στην ανάλυση συμπεριλήφθησαν δεδομένα από 1.418 θέσεις για 9 ενήλικα θηλυκά και 6 ενήλικα αρσενικά ζαρκάδια, μεταξύ Απριλίου 2007 και Δεκεμβρίου 2010. Οι ενσωματωμένοι στα GPS περιλαίμια αισθητήρες δραστηριότητας είναι σε θέση να καταγράψουν την κινητικότητα των ζώων μετρώντας την επιτάχυνση κατά την κίνησή τους προς τα εμπρός/πίσω και προς τα πλάγια.

Για τον προσδιορισμό της κατάστασης δραστηριότητας (activity status) χρησιμοποιήθηκαν επίπεδα κατωφλίου, τα οποία καθορίστηκαν σε προηγούμενη ανεξάρτητη μελέτη, που πραγματοποιήθηκε στην ίδια περιοχή. Τα άτομα θεωρήθηκαν ενεργά (active) όταν το άθροισμα των δύο τιμών επιτάχυνσης (προς τα εμπρός/ προς τα πίσω και προς τα πλάγια) ήταν μεγαλύτερο από 4 και ως μη ενεργά-αναπαυόμενα (resting) σε όλες τις άλλες περιπτώσεις.

[[Εικόνα:RSpaper8.4_Ntolka.JPG | thumb| right|'''Εικόνα 4. Προβλεπόμενες τιμές σχετικής προτίμησης για την κάλυψη του ανώτερου υποορόφου (2 m-10 m) και του ανώτερου ορόφου (10 m-60 m) ως συνάρτηση του ύψους χιονιού, για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια. ''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον μέσο όρο του συνόλου δεδομένων τους. Οι τιμές προτίμησης κλιμακώθηκαν μεταξύ 0 και 1, ώστε να είναι δυνατή η σύγκριση των αποτελεσμάτων μεταξύ των διαφορετικών τιμών ύψους χιονιού.]]

''Μετεωρολογικά δεδομένα''

Χρησιμοποιήθηκαν δεδομένα θερμοκρασίας και ταχύτητας ανέμου από τρεις μετεωρολογικούς σταθμούς σε διαφορετικά υψόμετρα, Taferlruck (769 m), Waldhäuser (940 m ) και Waldschmidthaus (1356 m), τα οποία καταγράφονταν ανά χρονικό διάστημα 10 λεπτών, και δεδομένα ημερήσιου ύψους χιονιού από τον σταθμό Waldhäuser (Εικόνα 1). Οι τιμές θερμοκρασίας και ταχύτητας ανέμου για κάθε θέση καταγραφή ζαρκαδιού ελήφθησαν από τον πλησιέστερο μετεωρολογικό σταθμό.

[[Εικόνα:RSpaper8.5_Ntolka.JPG | thumb| right|'''Εικόνα 5. Προβλεπόμενες τιμές προτίμησης για την κάλυψη του κατώτερου υποορόφου για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια. ''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον αντίστοιχο μέσο όρο του συνόλου δεδομένων τους.]]

''Δεδομένα LiDAR''

Τα δεδομένα LiDAR για την περιοχή μελέτης αποκτήθηκαν κατά την περίοδο έλλειψης φυλλώματος μεταξύ Απριλίου 2008 και Νοεμβρίου 2009, χρησιμοποιώντας το αερομεταφερόμενο σύστημα Riegl LMS-Q 560 (RIEGL Inc., Horn, Αυστρία). Το σύστημα εξέπεμπε ακτινοβολία laser σε μήκος κύματος 1550 nm και κατέγραφε το πρώτο και το τελευταίο σημείο επιστροφής με κατακόρυφο σφάλμα +/- 0,16 m. Το μέσο πλάτος της λωρίδας σάρωσης αντιστοιχούσε σε 832 m, η μέση διάμετρος του αποτυπώματος της δέσμης laser σε 38,8 cm και η μέση σημειακή πυκνότητα σε 9,8 σημεία/m². Για την ταξινόμηση των σημείων επιστροφής από το έδαφος και από τη βλάστηση χρησιμοποιήθηκε το λογισμικό TerraScan (TerraSolid Ltd., Helsinki, Finland). Ένα ψηφιακό μοντέλο εδάφους (DTM) με χωρική ανάλυση 1 m υπολογίστηκε με το SCOP ++ (inpho GmbH, Βιέννη, Αυστρία). Το ύψος των LiDAR επιστροφών πάνω από το έδαφος υπολογίσθηκε αφαιρώντας την τιμή ύψους του υποκείμενου DTM από το ύψος κάθε σημείου. Το τρισδιάστατο νέφος σημείων που προέκυψε, αντιπροσωπεύει διακριτές επιστροφές παλμού από την επιφάνεια του εδάφους και από τη βλάστηση. Ο υπολογισμός της κλασματικής φυτοκάλυψης (fractional vegetation cover) έγινε σε 3 διαφορετικά επίπεδα, στον κατώτερο υποόροφο (0.5 m–2 m πάνω από το έδαφος), στον ανώτερο υποόροφο (2 m–10 m πάνω από το έδαφος) και στον ανώτερο όροφο των δέντρων (10 m–60 m πάνω από το έδαφος) (Εικόνα 2).

''Στατιστική ανάλυση''

Για την ανάλυση της επιλογής ενδιαιτήματος από τα ζαρκάδια εφαρμόστηκε μια συνάρτηση βηματικής επιλογής (Step Selection Function- SSF), μια ειδική μορφή συνάρτησης επιλογής πόρων (Resource Selection Function - RSF). Στην περίπτωση ενός SSF, γίνεται δειγματοληψία σημείων ελέγχου με βάση τα εμπειρικά δεδομένα της κινησιολογικής συμπεριφοράς των υπό παρακολούθηση ζώων. Η άμεση χωρική συσχέτιση μεταξύ δύο διαδοχικών καταγραφόμενων με GPS θέσεων αντιπροσωπεύει ένα βήμα. Για κάθε παρατηρούμενο βήμα, παράγεται ένας ορισμένος αριθμός βημάτων ελέγχου (εν προκειμένω 25 τυχαίων βημάτων), με βάση την εμπειρική κατανομή των μηκών βήματος (step-lengths) και των γωνιών στροφής (turning angles) μεταξύ των διαδοχικών βημάτων των υπό παρακολούθηση ζώων. Για να αναλυθούν οι προτιμήσεις ενδιαιτήματος, τα χαρακτηριστικά των παρατηρούμενων βημάτων ενός ατόμου συγκρίνονται με εκείνα των βημάτων ελέγχου που μοιράζονται το ίδιο σημείο εκκίνησης.

Σε αυτή τη μελέτη, πραγματοποιήθηκε σύγκριση μεταξύ διαφορετικών τιμών κάλυψης βλάστησης στο τελικό σημείο κάθε βήματος. Χρησιμοποιώντας ένα μοντέλο λογιστικής παλινδρόμησης υπό συνθήκη με τυχαίες επιδράσεις, υπολογίστηκε η ετερογένεια μεταξύ των ατόμων. Διερευνήθηκε, επίσης, εάν η επιλογή των θέσεων από τα άτομα επηρεάζεται από την εγγύτητα προς την πλησιέστερη ταΐστρα. Η επεξεργασία των δεδομένων και η στατιστική ανάλυση πραγματοποιήθηκαν χρησιμοποιώντας το στατιστικό πακέτο R (έκδοση 2.14.0). Οι τιμές κάλυψης βλάστησης που προήλθαν από την LiDAR, εξήχθησαν από κελιά ψηφιδωτού (raster cells) μέσα σε μία ζώνη ακτίνας (buffer) 5 μέτρων γύρω από τις παρατηρούμενες και τυχαίες θέσεις. Προκειμένου να συγκριθούν τα χαρακτηριστικά των επιλεγμένων και τυχαίων τοποθεσιών εφαρμόστηκε ένα λογιστικό μοντέλο μικτών επιδράσεων υπό συνθήκη, με τις τιμές κάλυψης βλάστησης ως επεξηγηματικές μεταβλητές και τα άτομα ως τυχαίες επιδράσεις, χρησιμοποιώντας τη συνάρτηση coxme στο R. Χρησιμοποιήθηκαν τέσσερα ξεχωριστά μοντέλα, τα οποία διέφεραν μεταξύ τους ως προς το εάν συμπεριλάμβαναν: (1) τις καιρικές μεταβλητές (απόκλιση θερμοκρασίας, ύψος χιονιού και ταχύτητα ανέμου) και τις πληροφορίες δραστηριότητας, (2) μόνο τις καιρικές μεταβλητές, (3) μόνο τη δραστηριότητα, ή (4) τίποτα από τα δύο (Πίνακας 1). Η απόσταση από την πλησιέστερη ταΐστρα συμπεριλήφθηκε ως επεξηγηματική μεταβλητή σε όλα τα μοντέλα. Ως καταλληλότερο μοντέλο επιλέχθηκε αυτό με τη χαμηλότερη τιμή AIC (Akaike’s Information Criterion).

Για τον προσδιορισμό της σημαντικότητας των επεξηγηματικών μεταβλητών στα επιλεγμένα μοντέλα, χρησιμοποιήθηκε μια διαδικασία επαναδειγματοληψίας. Πραγματοποιήθηκε σύγκριση της πρόβλεψης της SSF που υπολογίστηκε από τα αρχικά δεδομένα, με αυτήν που υπολογίστηκε από τυχαίες τιμές των επεξηγηματικών μεταβλητών και υπολογίστηκε ο συντελεστής αυτοσυσχέτισης Pearson μεταξύ των προβλέψεων. Χαμηλότερες τιμές του συντελεστή υποδηλώνουν μεγαλύτερη επίδραση της παραλλασσόμενης μεταβλητής.

'''Αποτελέσματα'''

Η ενσωμάτωση των καιρικών συνθηκών καθώς και της κατάστασης δραστηριότητας των ζώων βελτίωσε τα δοκιμασμένα μοντέλα επιλογής ενδιαιτήματος του ζαρκαδιού (Πίνακας 1). Ως καταλληλότερο μοντέλο με βάση τον δείκτη AIC επιλέχθηκε το μοντέλο 1, δηλαδή είχε την καλύτερη αναμενόμενη απόδοση πρόβλεψης πάνω σε νέες παρατηρήσεις υπό τις ίδιες περιβαλλοντικές συνθήκες (AIC: 9346). Όλα τα ακόλουθα αποτελέσματα αναφέρονται σε αυτό, συμπεριλαμβανομένων των μεταβλητών καιρού και της κατάστασης δραστηριότητας των ζώων.

Η κατάσταση δραστηριότητας των ζαρκαδιών επηρέασε τα πρότυπα επιλογής ενδιαιτήματος (Πίνακας 2). Γενικά, τα ενεργά άτομα επέλεγαν θέσεις με μικρότερη κάλυψη θόλων (ανώτερος όροφος, ανώτερος υποόροφος) και υψηλότερη κάλυψη κατώτερου υποορόφου (Εικόνες 3-5). Η θερμοκρασία και το ύψος χιονιού επηρέασαν, επίσης, την προτίμηση για κάλυψη στον ανώτερο όροφο και ανώτερο υποόοροφο (Πίνακας 2), ενώ η ταχύτητα το ανέμου δεν είχε καμία επίδραση στην επιλογή ενδιαιτήματος από το ζαρκάδι. Τα ζαρκάδια έτειναν να χρησιμοποιούν πιο συχνά τα δάση με υψηλή κάλυψη θόλων καθώς η θερμοκρασία μειωνόταν, και όταν το χιόνι ξεπερνούσε τα 0,6 m (Εικόνες 3, 5).

Η απόσταση από την πλησιέστερη ταΐστρα αποτέλεσε τη μεταβλητή με τη μεγαλύτερη επίδραση όσον αφορά την επιλογή ενδιαιτήματος από το ζαρκάδι. Στη σύγκριση ανάμεσα στις χρησιμοποιούμενες καιρικές μεταβλητές και την κατάσταση δραστηριότητας, τη μεγαλύτερη επίδραση είχε η κατάσταση δραστηριότητας, ακολουθούμενη από τη θερμοκρασία και το ύψος του χιονιού. Η πιο επιδραστική τιμή κάλυψης ήταν του ανώτερου ορόφου, ενώ ακολουθούσε ο ανώτερος υποόροφος και ο κατώτερος υποόροφος.

'''Συζήτηση '''

Η επιλογή χειμερινού ενδιαιτήματος από το ζαρκάδι εξαρτάται σε μεγάλο βαθμό από την κατάσταση της δραστηριότητας του ζώου και από τις καιρικές συνθήκες.
Τα ζαρκάδια έτειναν να χρησιμοποιούν τοποθεσίες που χαρακτηρίζονταν από τουλάχιστον ένα βαθμό κάλυψης θόλου ή τοποθεσίες που χαρακτηρίζονταν από υψηλή κάλυψη υποορόφου (Εικόνα 6). Με αυτόν τον τρόπο, το ζαρκάδι αποφεύγει τις ανοιχτές εκτάσεις, όπου κατά τη διάρκεια του χειμώνα επικρατούν σκληρές καιρικές συνθήκες και όπου δεν αναμένεται να υπάρχει διαθέσιμη τροφή. Στις περιπτώσεις όπου οι θερμοκρασίες ήταν πολύ χαμηλές ή όταν το ύψος χιονιού ξεπερνούσε τα 0,60 cm, τα ζαρκάδια προτιμούσαν περιοχές με υψηλότερη κάλυψη θόλου. Το γεγονός αυτό, επιβεβαιώνει την υπόθεση ότι τα ζαρκάδια χρησιμοποιούν δάση με υψηλή κάλυψη θόλου ως θερμικό καταφύγιο όταν κάνει κρύο. Τα αποτελέσματα σε σχέση με την ασθενή επίδραση του ανέμου στην επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι, οφείλονται πιθανώς στην έλλειψη πληροφοριών στα χρησιμοποιούμενα μετεωρολογικά δεδομένα.

Συνολικά, τα ζαρκάδια έτειναν να χρησιμοποιούν περιοχές με μικρότερη κάλυψη θόλου όταν ήταν ενεργά και μεγαλύτερη όταν αναπαύονται, καθώς τους προσφέρει καταφύγιο σε σχέση με τις καιρικές συνθήκες. Όσον αφορά όμως τον υποόροφο, συμβαίνει το αντίστροφο. Τα ζαρκάδια προτιμούν περιοχές με πυκνό υποόροφο όταν είναι ενεργά, όπου αναζητούν την τροφή τους και περιοχές με αραιή βλάστηση υποορόφου όταν αναπαύονται, πιθανότατα για να αποφύγουν τις συναντήσεις με πιθανούς θηρευτές. Ειδικά ο λύγκας, που συναντάται στην περιοχή, εξαρτάται από την ύπαρξη βλάστησης στον υποόροφο ώστε να στήσει ενέδρα στο θήραμά του.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Η επιλογή χειμερινού ενδιαιτήματος από το ζαρκάδι δεν μπορεί να γενικευτεί, αλλά εξαρτάται σε μεγάλο βαθμό από εξωτερικές επιδράσεις, όπως ο καιρός, και από την κατάσταση δραστηριότητας του ζώου. Τα ζαρκάδια το χειμώνα εξαρτώνται από τις ετερογενείς δομές των δασών, για να καλύψουν τις ανάγκες τους σε σχέση με την εύρεση τροφής και την προφύλαξη από τις δύσκολες καιρικές συνθήκες.

Η ενσωμάτωση δεδομένων τηλεπισκόπησης υψηλής ανάλυσης και δεδομένων συμπεριφοράς, συνδυάζοντας την GPS τηλεμετρία με την προσέγγιση της λειτουργίας επιλογής πόρων (resource selection function), μπορεί να βοηθήσει σημαντικά στη μελέτη της επιλογής ενδιαιτήματος για οπληφόρα που ζουν σε δασικές περιοχές. Η τεχνολογία LiDAR προσφέρει δεδομένα υψηλής χωρικής ανάλυσης, παρέχοντας τη δυνατότητα για τη λεπτομερή απεικόνιση περίπλοκων τρισδιάστατων ενδιαιτημάτων, όπως τα δάση, και εφαρμόζεται όλο και πιο συχνά στη μελέτη της χρήσης ενδιαιτήματος από οπληφόρα. Οι χάρτες πρόβλεψης σε σχέση με τη χρήση ενδιαιτήματος, μπορούν να παρεκταθούν πέρα από τα όρια της περιοχής μελέτης και να προσφέρουν σημαντικές πληροφορίες για τη διατήρηση των δασών ή τη διαχείριση των άγριων ζώων.

[[Εικόνα:RSpaper8.6_Ntolka.JPG | thumb| center|'''Εικόνα 6. Χάρτες απεικόνισης των προβλεπόμενων τιμών προτίμησης ενδιαιτήματος από τα ζαρκάδια για διαφορετικά σενάρια καιρικών συνθηκών και κατάστασης δραστηριότητας (activity status).''' Οι χάρτες πρόβλεψης δημιουργήθηκαν με βάση το μοντέλο 1 (Πίνακας 2), διατηρώντας την απόσταση από την πλησιέστερη ταΐστρα σταθερή στο μέσο όρο του συνόλου δεδομένων.)]]

[[category:Χαρτογράφηση των οικοτόπων της πανίδας]]

[[category: Οικολογία]]

LiDAR τηλεπισκόπηση και GPS τηλεμετρία παρέχουν στοιχεία για την επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι

2019-03-03T15:35:41Z

Ntolka Eirini:

'''LiDAR τηλεπισκόπηση και GPS τηλεμετρία παρέχουν στοιχεία για την επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι'''

'''Πρωτότυπος τίτλος:''' ''LiDAR Remote Sensing of Forest Structure and GPS Telemetry Data Provide Insights on Winter Habitat Selection of European Roe Deer ''

[[Εικόνα:RSpaper8.1_Ntolka.JPG | thumb| right|'''Περιοχή μελέτης.''' Ο Εθνικός Δρυμός της Βαυαρίας περικλείεται από μαύρο περίγραμμα, οι καταγραφόμενες θέσεις (GPS-fixes) των ζαρκαδιών σημαίνονται με μαύρους κύκλους, και οι τοποθεσίες των μετεωρολογικών σταθμών με τετράγωνα ( T: Taferlrück, WH: Waldhäuser, WSH: Waldschmidthaus).]]

'''Συγγραφείς: '''Michael Ewald, Claudia Dupke, Marco Heurich, Jörg Müller and Björn Reineking

'''Δημοσιεύθηκε: ''' ''Forests 2014 (5): 1374-1390, Ιούνιος 2014, doi:10.3390/f5061374 ''

[[Εικόνα:RSpaper8.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Κάθετη διατομή του νέφους σημείων των δεδομένων LiDAR και οι προκύπτουσες τιμές κλασματικής φυτοκάλυψης για τον κατώτερο υποόροφο, ανώτερο υποόροφο και ανώτερο όροφο των δέντρων, όπως απεικονίζονται σε μια διατομή μήκους 50m και πλάτους 5m.''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/263125324_LiDAR_Remote_Sensing_of_Forest_Structure_and_GPS_Telemetry_Data_Provide_Insights_on_Winter_Habitat_Selection_of_European_Roe_Deer]

[[Εικόνα:RSpaperT8.1_Ntolka.JPG | thumb| right|'''Πίνακας 1. Περίληψη των υπολογισθέντων μικτών μοντέλων λογιστικής παλινδρόμησης υπό συνθήκη (mixed conditional logistic regression models) που εξηγούν την επιλογή ενδιαιτήματος, οι μεταβλητές που περιέχουν και οι αντίστοιχες τιμές του δείκτη AIC (Akaike’s Information Criterion).'''
''dist_to_f'': distance to nearest artificial feeding place (απόσταση από την πλησιέστερη ταΐστρα), ''OC'': overstory cover (κάλυψη ανώτερου ορόφου), ''MC'': midstory cover (κάλυψη ανώτερου υποορόφου),'' UC'': understory cover (κάλυψη κατώτερου υποορόφου), ''temp'': απόκλιση από τη μέση θερμοκρασία την αντίστοιχη ώρα της ημέρας, ''act'': activity status των ζαρκαδιών, ''snow'': ύψος χιονιού, ''wind'': ταχύτητα ανέμου.]]

[[Εικόνα:RSpaperT8.2_Ntolka.JPG | thumb| right|'''Πίνακας 2. Αποτελέσματα μικτής λογιστικής παλινδρόμησης υπό συνθήκη (Μοντέλο 1). ''' Οι τιμές με p<0,05 υποδεικνύουν στατιστικά σημαντική επίδραση των όρων του μοντέλου.
''dist_to_f'': distance to nearest artificial feeding place (απόσταση από την πλησιέστερη ταΐστρα), ''OC'': overstory cover (κάλυψη ανώτερου ορόφου), ''MC'': midstory cover (κάλυψη ανώτερου υποορόφου),'' UC'': understory cover (κάλυψη κατώτερου υποορόφου), ''temp'': απόκλιση από τη μέση θερμοκρασία την αντίστοιχη ώρα της ημέρας, ''act'': activity status των ζαρκαδιών, ''snow'': ύψος χιονιού, ''wind'': ταχύτητα ανέμου. ]]

'''Λέξεις-Κλειδιά: ''' τηλεπισκόπηση, δασική διαμόρφωση, συμπεριφορά ζώων, επιλογή θέσης, συναρτήσεις βηματικής επιλογής

'''Εισαγωγή'''

[[Εικόνα:RSpaper8.3_Ntolka.JPG | thumb| right|'''Εικόνα 3. Προβλεπόμενες τιμές σχετικής προτίμησης για την κάλυψη του ανώτερου υποορόφου (2 m-10 m) και του ανώτερου ορόφου (10 m-60 m) ως συνάρτηση της απόκλισης της θερμοκρασίας από τις μέσες τιμές θερμοκρασίας σε ορισμένη ώρα της ημέρας, για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια.''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον μέσο όρο του συνόλου δεδομένων τους. Οι τιμές προτίμησης κλιμακώθηκαν μεταξύ 0 και 1, ώστε να είναι δυνατή η σύγκριση των αποτελεσμάτων μεταξύ των διαφορετικών θερμοκρασιών.]]

Η κατανόηση της επιλογής ενδιαιτήματος ενός είδους αποτελεί βασική προϋπόθεση για τη διαχείριση της άγριας πανίδας. Η επιλογή του ενδιαιτήματος μπορεί να διερευνηθεί σε μια πολύ λεπτομερή χωροχρονική ανάλυση χρησιμοποιώντας τηλεμετρία GPS, η οποία παρέχει δεδομένα θέσης κρυπτικών οργανισμών σε σχεδόν συνεχή κλίμακα. Η αερομεταφερόμενη σάρωση με laser (LiDAR -Light Detection and Ranging – ανίχνευση και σκόπευση φωτός) αποτελεί μια καθιερωμένη τεχνική τηλεπισκόπησης, η οποία προσφέρει τη μοναδική δυνατότητα περιγραφής της τρισδιάστατης δομής των δασών, με μεγάλη λεπτομέρεια και ακρίβεια, και για μεγάλες εκτάσεις.

Στην παρούσα εργασία, αναλύθηκε η επιλογή του χειμερινού ενδιαιτήματος του ζαρκαδιού (''Capreolus capreolus'') σε ένα ορεινό δασικό οικοσύστημα, συνδυάζοντας εκτιμήσεις κάλυψης βλάστησης σε τρία διαφορετικά στρώματα ύψους μέσω LiDAR, και δεδομένα δραστηριότητας από GPS τηλεμετρία. Το ευρωπαϊκό ζαρκάδι είναι ένα μεσαίου μεγέθους οπληφόρο, που κατανέμεται σε ολόκληρη την Ευρώπη και είναι προσαρμοσμένο σε μια ποικιλία ενδιαιτημάτων, με προτίμηση στα δασικά. Μπορεί να τραφεί με ένα πλήθος φυτικών ειδών, αλλά ακολουθεί μια «επικεντρωμένα επιλεκτική» στρατηγική τροφοληψίας και μπορεί να επηρεάσει σημαντικά τη σύνθεση της αναγέννησης των δέντρων. Στα βόρεια γεωγραφικά πλάτη, οι ακραίες καιρικές συνθήκες του χειμώνα επηρεάζουν έντονα τη δυνατότητα επιβίωσης του ζαρκαδιού. Ο χειμώνας αποτελεί μια περίοδο όπου η διαθεσιμότητα της τροφής είναι μικρή, οι χαμηλές θερμοκρασίες και ο ψυχρός άνεμος απαιτούν την κατανάλωση σημαντικών ποσών ενέργειας για θερμορύθμιση από τα ζώα, και το βαθύ χιόνι περιορίζει τις ικανότητες μετακίνησής τους.

'''Περιοχή μελέτης'''

Η μελέτη πραγματοποιήθηκε στον Εθνικό Δρυμό της Βαυαρίας (Εικόνα 1), που βρίσκεται στα νοτιοανατολικά σύνορα της Γερμανίας με την Τσεχία και καλύπτει μια έκταση 24.369 εκταρίων. Η δασική βλάστηση αποτελείται κυρίως από έλατα (ερυθρελάτη, λευκή ελάτη), οξιές και σημύδες και το υψόμετρο κυμαίνεται από 600 έως 1.453 μέτρα. Η μέση ετήσια θερμοκρασία αντιστοιχεί σε 2-7,3 °C, η χιονοκάλυψη διαρκεί κατά μέσο όρο 139 ημέρες ανά έτος στα μεσαία υψόμετρα, και το χιόνι έχει βάθος μεγαλύτερο από 50cm για κατά μέσο όρο 50 ημέρες το χρόνο. Τα ζαρκάδια χρησιμοποιούν όλη την έκταση του εθνικού δρυμού κατά τη διάρκεια του καλοκαιριού ενώ το χειμώνα κατεβαίνουν στα χαμηλότερα υψόμετρα, όπου το χιόνι είναι λιγότερο βαθύ. Σε κάποια σημεία της περιοχής υπάρχουν ταΐστρες μέσα και γύρω από παγίδες, οι οποίες χρησιμοποιούνται για τη σύλληψη ζώων για ερευνητικούς σκοπούς. Μέσα στην περιοχή μελέτης απαγορεύεται το κυνήγι. Στην περιοχή συναντάται, επίσης, ο ευρασιατικός λύγκας (''Lynx lynx''), ο οποίος αποτελεί πιθανό θηρευτή για το ζαρκάδι.

'''Πειραματικός σχεδιασμός '''

'' Δεδομένα τηλεμετρίας''

Για τη λήψη των δεδομένων τηλεμετρίας GPS χρησιμοποιήθηκαν περιλαίμια GPS-GSM με ενσωματωμένους αισθητήρες καταγραφής δραστηριότητας (σειρά 3.000 από την VECTRONIC Aerospace, Βερολίνο, Γερμανία), με τα οποία ραδιοσημάνθηκαν 15 ζαρκάδια. Η παρακολούθησή τους πραγματοποιήθηκε για διαφορετικές χρονικές περιόδους κατά τη διάρκεια του χειμώνα, οι οποίες διήρκησαν από 14 ημέρες έως έξι μήνες. Τα χρονικά διαστήματα μεταξύ δύο διαδοχικών καταγραφών κυμαίνονταν από 15 λεπτά έως 2 ώρες. Στην ανάλυση συμπεριλήφθησαν δεδομένα από 1.418 θέσεις για 9 ενήλικα θηλυκά και 6 ενήλικα αρσενικά ζαρκάδια, μεταξύ Απριλίου 2007 και Δεκεμβρίου 2010. Οι ενσωματωμένοι στα GPS περιλαίμια αισθητήρες δραστηριότητας είναι σε θέση να καταγράψουν την κινητικότητα των ζώων μετρώντας την επιτάχυνση κατά την κίνησή τους προς τα εμπρός/πίσω και προς τα πλάγια.

Για τον προσδιορισμό της κατάστασης δραστηριότητας (activity status) χρησιμοποιήθηκαν επίπεδα κατωφλίου, τα οποία καθορίστηκαν σε προηγούμενη ανεξάρτητη μελέτη, που πραγματοποιήθηκε στην ίδια περιοχή. Τα άτομα θεωρήθηκαν ενεργά (active) όταν το άθροισμα των δύο τιμών επιτάχυνσης (προς τα εμπρός/ προς τα πίσω και προς τα πλάγια) ήταν μεγαλύτερο από 4 και ως μη ενεργά-αναπαυόμενα (resting) σε όλες τις άλλες περιπτώσεις.

[[Εικόνα:RSpaper8.4_Ntolka.JPG | thumb| right|'''Εικόνα 4. Προβλεπόμενες τιμές σχετικής προτίμησης για την κάλυψη του ανώτερου υποορόφου (2 m-10 m) και του ανώτερου ορόφου (10 m-60 m) ως συνάρτηση του ύψους χιονιού, για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια. ''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον μέσο όρο του συνόλου δεδομένων τους. Οι τιμές προτίμησης κλιμακώθηκαν μεταξύ 0 και 1, ώστε να είναι δυνατή η σύγκριση των αποτελεσμάτων μεταξύ των διαφορετικών τιμών ύψους χιονιού.]]

''Μετεωρολογικά δεδομένα''

Χρησιμοποιήθηκαν δεδομένα θερμοκρασίας και ταχύτητας ανέμου από τρεις μετεωρολογικούς σταθμούς σε διαφορετικά υψόμετρα, Taferlruck (769 m), Waldhäuser (940 m ) και Waldschmidthaus (1356 m), τα οποία καταγράφονταν ανά χρονικό διάστημα 10 λεπτών, και δεδομένα ημερήσιου ύψους χιονιού από τον σταθμό Waldhäuser (Εικόνα 1). Οι τιμές θερμοκρασίας και ταχύτητας ανέμου για κάθε θέση καταγραφή ζαρκαδιού ελήφθησαν από τον πλησιέστερο μετεωρολογικό σταθμό.

[[Εικόνα:RSpaper8.5_Ntolka.JPG | thumb| right|'''Εικόνα 5. Προβλεπόμενες τιμές προτίμησης για την κάλυψη του κατώτερου υποορόφου για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια. ''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον αντίστοιχο μέσο όρο του συνόλου δεδομένων τους.]]

''Δεδομένα LiDAR''

Τα δεδομένα LiDAR για την περιοχή μελέτης αποκτήθηκαν κατά την περίοδο έλλειψης φυλλώματος μεταξύ Απριλίου 2008 και Νοεμβρίου 2009, χρησιμοποιώντας το αερομεταφερόμενο σύστημα Riegl LMS-Q 560 (RIEGL Inc., Horn, Αυστρία). Το σύστημα εξέπεμπε ακτινοβολία laser σε μήκος κύματος 1550 nm και κατέγραφε το πρώτο και το τελευταίο σημείο επιστροφής με κατακόρυφο σφάλμα +/- 0,16 m. Το μέσο πλάτος της λωρίδας σάρωσης αντιστοιχούσε σε 832 m, η μέση διάμετρος του αποτυπώματος της δέσμης laser σε 38,8 cm και η μέση σημειακή πυκνότητα σε 9,8 σημεία/m². Για την ταξινόμηση των σημείων επιστροφής από το έδαφος και από τη βλάστηση χρησιμοποιήθηκε το λογισμικό TerraScan (TerraSolid Ltd., Helsinki, Finland). Ένα ψηφιακό μοντέλο εδάφους (DTM) με χωρική ανάλυση 1 m υπολογίστηκε με το SCOP ++ (inpho GmbH, Βιέννη, Αυστρία). Το ύψος των LiDAR επιστροφών πάνω από το έδαφος υπολογίσθηκε αφαιρώντας την τιμή ύψους του υποκείμενου DTM από το ύψος κάθε σημείου. Το τρισδιάστατο νέφος σημείων που προέκυψε, αντιπροσωπεύει διακριτές επιστροφές παλμού από την επιφάνεια του εδάφους και από τη βλάστηση. Ο υπολογισμός της κλασματικής φυτοκάλυψης (fractional vegetation cover) έγινε σε 3 διαφορετικά επίπεδα, στον κατώτερο υποόροφο (0.5 m–2 m πάνω από το έδαφος), στον ανώτερο υποόροφο (2 m–10 m πάνω από το έδαφος) και στον ανώτερο όροφο των δέντρων (10 m–60 m πάνω από το έδαφος) (Εικόνα 2).

''Στατιστική ανάλυση''

Για την ανάλυση της επιλογής ενδιαιτήματος από τα ζαρκάδια εφαρμόστηκε μια συνάρτηση βηματικής επιλογής (Step Selection Function- SSF), μια ειδική μορφή συνάρτησης επιλογής πόρων (Resource Selection Function - RSF). Στην περίπτωση ενός SSF, γίνεται δειγματοληψία σημείων ελέγχου με βάση τα εμπειρικά δεδομένα της κινησιολογικής συμπεριφοράς των υπό παρακολούθηση ζώων. Η άμεση χωρική συσχέτιση μεταξύ δύο διαδοχικών καταγραφόμενων με GPS θέσεων αντιπροσωπεύει ένα βήμα. Για κάθε παρατηρούμενο βήμα, παράγεται ένας ορισμένος αριθμός βημάτων ελέγχου (εν προκειμένω 25 τυχαίων βημάτων), με βάση την εμπειρική κατανομή των μηκών βήματος (step-lengths) και των γωνιών στροφής (turning angles) μεταξύ των διαδοχικών βημάτων των υπό παρακολούθηση ζώων. Για να αναλυθούν οι προτιμήσεις ενδιαιτήματος, τα χαρακτηριστικά των παρατηρούμενων βημάτων ενός ατόμου συγκρίνονται με εκείνα των βημάτων ελέγχου που μοιράζονται το ίδιο σημείο εκκίνησης.

Σε αυτή τη μελέτη, πραγματοποιήθηκε σύγκριση μεταξύ διαφορετικών τιμών κάλυψης βλάστησης στο τελικό σημείο κάθε βήματος. Χρησιμοποιώντας ένα μοντέλο λογιστικής παλινδρόμησης υπό συνθήκη με τυχαίες επιδράσεις, υπολογίστηκε η ετερογένεια μεταξύ των ατόμων. Διερευνήθηκε, επίσης, εάν η επιλογή των θέσεων από τα άτομα επηρεάζεται από την εγγύτητα προς την πλησιέστερη ταΐστρα. Η επεξεργασία των δεδομένων και η στατιστική ανάλυση πραγματοποιήθηκαν χρησιμοποιώντας το στατιστικό πακέτο R (έκδοση 2.14.0). Οι τιμές κάλυψης βλάστησης που προήλθαν από την LiDAR, εξήχθησαν από κελιά ψηφιδωτού (raster cells) μέσα σε μία ζώνη ακτίνας (buffer) 5 μέτρων γύρω από τις παρατηρούμενες και τυχαίες θέσεις. Προκειμένου να συγκριθούν τα χαρακτηριστικά των επιλεγμένων και τυχαίων τοποθεσιών εφαρμόστηκε ένα λογιστικό μοντέλο μικτών επιδράσεων υπό συνθήκη, με τις τιμές κάλυψης βλάστησης ως επεξηγηματικές μεταβλητές και τα άτομα ως τυχαίες επιδράσεις, χρησιμοποιώντας τη συνάρτηση coxme στο R. Χρησιμοποιήθηκαν τέσσερα ξεχωριστά μοντέλα, τα οποία διέφεραν μεταξύ τους ως προς το εάν συμπεριλάμβαναν: (1) τις καιρικές μεταβλητές (απόκλιση θερμοκρασίας, ύψος χιονιού και ταχύτητα ανέμου) και τις πληροφορίες δραστηριότητας, (2) μόνο τις καιρικές μεταβλητές, (3) μόνο τη δραστηριότητα, ή (4) τίποτα από τα δύο (Πίνακας 1). Η απόσταση από την πλησιέστερη ταΐστρα συμπεριλήφθηκε ως επεξηγηματική μεταβλητή σε όλα τα μοντέλα. Ως καταλληλότερο μοντέλο επιλέχθηκε αυτό με τη χαμηλότερη τιμή AIC (Akaike’s Information Criterion).

Για τον προσδιορισμό της σημαντικότητας των επεξηγηματικών μεταβλητών στα επιλεγμένα μοντέλα, χρησιμοποιήθηκε μια διαδικασία επαναδειγματοληψίας. Πραγματοποιήθηκε σύγκριση της πρόβλεψης της SSF που υπολογίστηκε από τα αρχικά δεδομένα, με αυτήν που υπολογίστηκε από τυχαίες τιμές των επεξηγηματικών μεταβλητών και υπολογίστηκε ο συντελεστής αυτοσυσχέτισης Pearson μεταξύ των προβλέψεων. Χαμηλότερες τιμές του συντελεστή υποδηλώνουν μεγαλύτερη επίδραση της παραλλασσόμενης μεταβλητής.

'''Αποτελέσματα'''

Η ενσωμάτωση των καιρικών συνθηκών καθώς και της κατάστασης δραστηριότητας των ζώων βελτίωσε τα δοκιμασμένα μοντέλα επιλογής ενδιαιτήματος του ζαρκαδιού (Πίνακας 1). Ως καταλληλότερο μοντέλο με βάση τον δείκτη AIC επιλέχθηκε το μοντέλο 1, δηλαδή είχε την καλύτερη αναμενόμενη απόδοση πρόβλεψης πάνω σε νέες παρατηρήσεις υπό τις ίδιες περιβαλλοντικές συνθήκες (AIC: 9346). Όλα τα ακόλουθα αποτελέσματα αναφέρονται σε αυτό, συμπεριλαμβανομένων των μεταβλητών καιρού και της κατάστασης δραστηριότητας των ζώων.

Η κατάσταση δραστηριότητας των ζαρκαδιών επηρέασε τα πρότυπα επιλογής ενδιαιτήματος (Πίνακας 2). Γενικά, τα ενεργά άτομα επέλεγαν θέσεις με μικρότερη κάλυψη θόλων (ανώτερος όροφος, ανώτερος υποόροφος) και υψηλότερη κάλυψη κατώτερου υποορόφου (Εικόνες 3-5). Η θερμοκρασία και το ύψος χιονιού επηρέασαν, επίσης, την προτίμηση για κάλυψη στον ανώτερο όροφο και ανώτερο υποόοροφο (Πίνακας 2), ενώ η ταχύτητα το ανέμου δεν είχε καμία επίδραση στην επιλογή ενδιαιτήματος από το ζαρκάδι. Τα ζαρκάδια έτειναν να χρησιμοποιούν πιο συχνά τα δάση με υψηλή κάλυψη θόλων καθώς η θερμοκρασία μειωνόταν, καθώς και όταν το χιόνι ξεπερνούσε τα 0,6 m (Εικόνες 3, 5).

Η απόσταση από την πλησιέστερη ταΐστρα αποτέλεσε τη μεταβλητή με τη μεγαλύτερη επίδραση όσον αφορά την επιλογή ενδιαιτήματος από το ζαρκάδι. Στη σύγκριση ανάμεσα στις χρησιμοποιούμενες καιρικές μεταβλητές και την κατάσταση δραστηριότητας, τη μεγαλύτερη επίδραση είχε η κατάσταση δραστηριότητας, ακολουθούμενη από τη θερμοκρασία και το ύψος του χιονιού. Η πιο επιδραστική τιμή κάλυψης ήταν του ανώτερου ορόφου, ενώ ακολουθούσε ο ανώτερος υποόροφος και ο κατώτερος υποόροφος.

'''Συζήτηση '''

Η επιλογή χειμερινού ενδιαιτήματος από το ζαρκάδι εξαρτάται σε μεγάλο βαθμό από την κατάσταση της δραστηριότητας του ζώου και από τις καιρικές συνθήκες.
Τα ζαρκάδια έτειναν να χρησιμοποιούν τοποθεσίες που χαρακτηρίζονταν από τουλάχιστον ένα βαθμό κάλυψης θόλου ή τοποθεσίες που χαρακτηρίζονταν από υψηλή κάλυψη υποορόφου (Εικόνα 6). Με αυτόν τον τρόπο, το ζαρκάδι αποφεύγει τις ανοιχτές εκτάσεις, όπου κατά τη διάρκεια του χειμώνα επικρατούν σκληρές καιρικές συνθήκες και όπου δεν αναμένεται να υπάρχει διαθέσιμη τροφή. Στις περιπτώσεις όπου οι θερμοκρασίες ήταν πολύ χαμηλές ή όταν το ύψος χιονιού ξεπερνούσε τα 0,60 cm, τα ζαρκάδια προτιμούσαν περιοχές με υψηλότερη κάλυψη θόλου. Το γεγονός αυτό, επιβεβαιώνει την υπόθεση ότι τα ζαρκάδια χρησιμοποιούν δάση με υψηλή κάλυψη θόλου ως θερμικό καταφύγιο όταν κάνει κρύο. Τα αποτελέσματα σε σχέση με την ασθενή επίδραση του ανέμου στην επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι, οφείλονται πιθανώς στην έλλειψη πληροφοριών στα χρησιμοποιούμενα μετεωρολογικά δεδομένα.

Συνολικά, τα ζαρκάδια έτειναν να χρησιμοποιούν περιοχές με μικρότερη κάλυψη θόλου όταν ήταν ενεργά και μεγαλύτερη όταν αναπαύονται, καθώς τους προσφέρει καταφύγιο σε σχέση με τις καιρικές συνθήκες. Όσον αφορά όμως τον υποόροφο, συμβαίνει το αντίστροφο. Τα ζαρκάδια προτιμούν περιοχές με πυκνό υποόροφο όταν είναι ενεργά, όπου αναζητούν την τροφή τους και περιοχές με αραιή βλάστηση υποορόφου όταν αναπαύονται, πιθανότατα για να αποφύγουν τις συναντήσεις με πιθανούς θηρευτές. Ειδικά ο λύγκας, που συναντάται στην περιοχή, εξαρτάται από την ύπαρξη βλάστησης στον υποόροφο ώστε να στήσει ενέδρα στο θήραμά του.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Η επιλογή χειμερινού ενδιαιτήματος από το ζαρκάδι δεν μπορεί να γενικευτεί, αλλά εξαρτάται σε μεγάλο βαθμό από εξωτερικές επιδράσεις, όπως ο καιρός, και από την κατάσταση δραστηριότητας του ζώου. Τα ζαρκάδια το χειμώνα εξαρτώνται από τις ετερογενείς δομές των δασών, για να καλύψουν τις ανάγκες τους σε σχέση με την εύρεση τροφής και την προφύλαξη από τις δύσκολες καιρικές συνθήκες.

Η ενσωμάτωση δεδομένων τηλεπισκόπησης υψηλής ανάλυσης και δεδομένων συμπεριφοράς, συνδυάζοντας την GPS τηλεμετρία με την προσέγγιση της λειτουργίας επιλογής πόρων (resource selection function), μπορεί να βοηθήσει σημαντικά στη μελέτη της επιλογής ενδιαιτήματος για οπληφόρα που ζουν σε δασικές περιοχές. Η τεχνολογία LiDAR προσφέρει δεδομένα υψηλής χωρικής ανάλυσης, παρέχοντας τη δυνατότητα για τη λεπτομερή απεικόνιση περίπλοκων τρισδιάστατων ενδιαιτημάτων, όπως τα δάση, και εφαρμόζεται όλο και πιο συχνά στη μελέτη της χρήσης ενδιαιτήματος από οπληφόρα. Οι χάρτες πρόβλεψης σε σχέση με τη χρήση ενδιαιτήματος, μπορούν να παρεκταθούν πέρα από τα όρια της περιοχής μελέτης και να προσφέρουν σημαντικές πληροφορίες για τη διατήρηση των δασών ή τη διαχείριση των άγριων ζώων.

[[Εικόνα:RSpaper8.6_Ntolka.JPG | thumb| center|'''Εικόνα 6. Χάρτες απεικόνισης των προβλεπόμενων τιμών προτίμησης ενδιαιτήματος από τα ζαρκάδια για διαφορετικά σενάρια καιρικών συνθηκών και κατάστασης δραστηριότητας (activity status).''' Οι χάρτες πρόβλεψης δημιουργήθηκαν με βάση το μοντέλο 1 (Πίνακας 2), διατηρώντας την απόσταση από την πλησιέστερη ταΐστρα σταθερή στο μέσο όρο του συνόλου δεδομένων.)]]

[[category:Χαρτογράφηση των οικοτόπων της πανίδας]]

[[category: Οικολογία]]

LiDAR τηλεπισκόπηση και GPS τηλεμετρία παρέχουν στοιχεία για την επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι

2019-03-03T15:33:35Z

Ntolka Eirini:

'''LiDAR τηλεπισκόπηση και GPS τηλεμετρία παρέχουν στοιχεία για την επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι'''

'''Πρωτότυπος τίτλος:''' ''LiDAR Remote Sensing of Forest Structure and GPS Telemetry Data Provide Insights on Winter Habitat Selection of European Roe Deer ''

[[Εικόνα:RSpaper8.1_Ntolka.JPG | thumb| right|'''Περιοχή μελέτης.''' Ο Εθνικός Δρυμός της Βαυαρίας περικλείεται από μαύρο περίγραμμα, οι καταγραφόμενες θέσεις (GPS-fixes) των ζαρκαδιών σημαίνονται με μαύρους κύκλους, και οι τοποθεσίες των μετεωρολογικών σταθμών με τετράγωνα ( T: Taferlrück, WH: Waldhäuser, WSH: Waldschmidthaus).]]

'''Συγγραφείς: '''Michael Ewald, Claudia Dupke, Marco Heurich, Jörg Müller and Björn Reineking

'''Δημοσιεύθηκε: ''' ''Forests 2014 (5): 1374-1390, Ιούνιος 2014, doi:10.3390/f5061374 ''

[[Εικόνα:RSpaper8.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Κάθετη διατομή του νέφους σημείων των δεδομένων LiDAR και οι προκύπτουσες τιμές κλασματικής φυτοκάλυψης για τον κατώτερο υποόροφο, ανώτερο υποόροφο και ανώτερο όροφο των δέντρων, όπως απεικονίζονται σε μια διατομή μήκους 50m και πλάτους 5m.''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/263125324_LiDAR_Remote_Sensing_of_Forest_Structure_and_GPS_Telemetry_Data_Provide_Insights_on_Winter_Habitat_Selection_of_European_Roe_Deer]

[[Εικόνα:RSpaperT8.1_Ntolka.JPG | thumb| right|'''Πίνακας 1. Περίληψη των υπολογισθέντων μικτών μοντέλων λογιστικής παλινδρόμησης υπό συνθήκη (mixed conditional logistic regression models) που εξηγούν την επιλογή ενδιαιτήματος, οι μεταβλητές που περιέχουν και οι αντίστοιχες τιμές του δείκτη AIC (Akaike’s Information Criterion).'''
''dist_to_f'': distance to nearest artificial feeding place (απόσταση από την πλησιέστερη ταΐστρα), ''OC'': overstory cover (κάλυψη ανώτερου ορόφου), ''MC'': midstory cover (κάλυψη ανώτερου υποορόφου),'' UC'': understory cover (κάλυψη κατώτερου υποορόφου), ''temp'': απόκλιση από τη μέση θερμοκρασία την αντίστοιχη ώρα της ημέρας, ''act'': activity status των ζαρκαδιών, ''snow'': ύψος χιονιού, ''wind'': ταχύτητα ανέμου.]]

[[Εικόνα:RSpaperT8.2_Ntolka.JPG | thumb| right|'''Πίνακας 2. Αποτελέσματα μικτής λογιστικής παλινδρόμησης υπό συνθήκη (Μοντέλο 1). ''' Οι τιμές με p<0,05 υποδεικνύουν στατιστικά σημαντική επίδραση των όρων του μοντέλου.
''dist_to_f'': distance to nearest artificial feeding place (απόσταση από την πλησιέστερη ταΐστρα), ''OC'': overstory cover (κάλυψη ανώτερου ορόφου), ''MC'': midstory cover (κάλυψη ανώτερου υποορόφου),'' UC'': understory cover (κάλυψη κατώτερου υποορόφου), ''temp'': απόκλιση από τη μέση θερμοκρασία την αντίστοιχη ώρα της ημέρας, ''act'': activity status των ζαρκαδιών, ''snow'': ύψος χιονιού, ''wind'': ταχύτητα ανέμου. ]]

'''Λέξεις-Κλειδιά: ''' τηλεπισκόπηση, δασική διαμόρφωση, συμπεριφορά ζώων, επιλογή θέσης, συναρτήσεις βηματικής επιλογής

'''Εισαγωγή'''

[[Εικόνα:RSpaper8.3_Ntolka.JPG | thumb| right|'''Εικόνα 3. Προβλεπόμενες τιμές σχετικής προτίμησης για την κάλυψη του ανώτερου υποορόφου (2 m-10 m) και του ανώτερου ορόφου (10 m-60 m) ως συνάρτηση της απόκλισης της θερμοκρασίας από τις μέσες τιμές θερμοκρασίας σε ορισμένη ώρα της ημέρας, για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια.''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον μέσο όρο του συνόλου δεδομένων τους. Οι τιμές προτίμησης κλιμακώθηκαν μεταξύ 0 και 1, ώστε να είναι δυνατή η σύγκριση των αποτελεσμάτων μεταξύ των διαφορετικών θερμοκρασιών.]]

Η κατανόηση της επιλογής ενδιαιτήματος ενός είδους αποτελεί βασική προϋπόθεση για τη διαχείριση της άγριας πανίδας. Η επιλογή του ενδιαιτήματος μπορεί να διερευνηθεί σε μια πολύ λεπτομερή χωροχρονική ανάλυση χρησιμοποιώντας τηλεμετρία GPS, η οποία παρέχει δεδομένα θέσης κρυπτικών οργανισμών σε σχεδόν συνεχή κλίμακα. Η αερομεταφερόμενη σάρωση με laser (LiDAR -Light Detection and Ranging – ανίχνευση και σκόπευση φωτός) αποτελεί μια καθιερωμένη τεχνική τηλεπισκόπησης, η οποία προσφέρει τη μοναδική δυνατότητα περιγραφής της τρισδιάστατης δομής των δασών, με μεγάλη λεπτομέρεια και ακρίβεια, και για μεγάλες εκτάσεις.

Στην παρούσα εργασία, αναλύθηκε η επιλογή του χειμερινού ενδιαιτήματος του ζαρκαδιού (''Capreolus capreolus'') σε ένα ορεινό δασικό οικοσύστημα, συνδυάζοντας εκτιμήσεις κάλυψης βλάστησης σε τρία διαφορετικά στρώματα ύψους μέσω LiDAR, και δεδομένα δραστηριότητας από GPS τηλεμετρία. Το ευρωπαϊκό ζαρκάδι είναι ένα μεσαίου μεγέθους οπληφόρο, που κατανέμεται σε ολόκληρη την Ευρώπη και είναι προσαρμοσμένο σε μια ποικιλία ενδιαιτημάτων, με προτίμηση στα δασικά. Μπορεί να τραφεί με ένα πλήθος φυτικών ειδών, αλλά ακολουθεί μια «επικεντρωμένα επιλεκτική» στρατηγική τροφοληψίας και μπορεί να επηρεάσει σημαντικά τη σύνθεση της αναγέννησης των δέντρων. Στα βόρεια γεωγραφικά πλάτη, οι ακραίες καιρικές συνθήκες του χειμώνα επηρεάζουν έντονα τη δυνατότητα επιβίωσης του ζαρκαδιού. Ο χειμώνας αποτελεί μια περίοδο όπου η διαθεσιμότητα της τροφής είναι μικρή, οι χαμηλές θερμοκρασίες και ο ψυχρός άνεμος απαιτούν την κατανάλωση σημαντικών ποσών ενέργειας για θερμορύθμιση από τα ζώα, και το βαθύ χιόνι περιορίζει τις ικανότητες μετακίνησής τους.

'''Περιοχή μελέτης'''

Η μελέτη πραγματοποιήθηκε στον Εθνικό Δρυμό της Βαυαρίας (Εικόνα 1), που βρίσκεται στα νοτιοανατολικά σύνορα της Γερμανίας με την Τσεχία και καλύπτει μια έκταση 24.369 εκταρίων. Η δασική βλάστηση αποτελείται κυρίως από έλατα (ερυθρελάτη, λευκή ελάτη), οξιές και σημύδες και το υψόμετρο κυμαίνεται από 600 έως 1.453 μέτρα. Η μέση ετήσια θερμοκρασία αντιστοιχεί σε 2-7,3 °C, η χιονοκάλυψη διαρκεί κατά μέσο όρο 139 ημέρες ανά έτος στα μεσαία υψόμετρα, και το χιόνι έχει βάθος μεγαλύτερο από 50cm για κατά μέσο όρο 50 ημέρες το χρόνο. Τα ζαρκάδια χρησιμοποιούν όλη την έκταση του εθνικού δρυμού κατά τη διάρκεια του καλοκαιριού ενώ το χειμώνα κατεβαίνουν στα χαμηλότερα υψόμετρα, όπου το χιόνι είναι λιγότερο βαθύ. Σε κάποια σημεία υπάρχουν ταΐστρες μέσα και γύρω από παγίδες, οι οποίες χρησιμοποιούνται για τη σύλληψη ζώων για ερευνητικούς σκοπούς. Μέσα στην περιοχή μελέτης απαγορεύεται το κυνήγι. Στην περιοχή συναντάται, επίσης, ο ευρασιατικός λύγκας (''Lynx lynx''), ο οποίος αποτελεί πιθανό θηρευτή για το ζαρκάδι.

'''Πειραματικός σχεδιασμός '''

'' Δεδομένα τηλεμετρίας''

Για τη λήψη των δεδομένων τηλεμετρίας GPS χρησιμοποιήθηκαν περιλαίμια GPS-GSM με ενσωματωμένους αισθητήρες καταγραφής δραστηριότητας (σειρά 3.000 από την VECTRONIC Aerospace, Βερολίνο, Γερμανία), με τα οποία ραδιοσημάνθηκαν 15 ζαρκάδια. Η παρακολούθησή τους πραγματοποιήθηκε για διαφορετικές χρονικές περιόδους κατά τη διάρκεια του χειμώνα, οι οποίες διήρκησαν από 14 ημέρες έως έξι μήνες. Τα χρονικά διαστήματα μεταξύ δύο διαδοχικών καταγραφών κυμαίνονταν από 15 λεπτά έως 2 ώρες. Στην ανάλυση συμπεριλήφθησαν δεδομένα από 1.418 θέσεις για 9 ενήλικα θηλυκά και 6 ενήλικα αρσενικά ζαρκάδια, μεταξύ Απριλίου 2007 και Δεκεμβρίου 2010. Οι ενσωματωμένοι στα GPS περιλαίμια αισθητήρες δραστηριότητας είναι σε θέση να καταγράψουν την κινητικότητα των ζώων μετρώντας την επιτάχυνση κατά την κίνησή τους προς τα εμπρός/πίσω και προς τα πλάγια.

Για τον προσδιορισμό της κατάστασης δραστηριότητας (activity status) χρησιμοποιήθηκαν επίπεδα κατωφλίου, τα οποία καθορίστηκαν σε προηγούμενη ανεξάρτητη μελέτη, που πραγματοποιήθηκε στην ίδια περιοχή. Τα άτομα θεωρήθηκαν ενεργά (active) όταν το άθροισμα των δύο τιμών επιτάχυνσης (προς τα εμπρός/ προς τα πίσω και προς τα πλάγια) ήταν μεγαλύτερο από 4 και ως μη ενεργά-αναπαυόμενα (resting) σε όλες τις άλλες περιπτώσεις.

[[Εικόνα:RSpaper8.4_Ntolka.JPG | thumb| right|'''Εικόνα 4. Προβλεπόμενες τιμές σχετικής προτίμησης για την κάλυψη του ανώτερου υποορόφου (2 m-10 m) και του ανώτερου ορόφου (10 m-60 m) ως συνάρτηση του ύψους χιονιού, για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια. ''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον μέσο όρο του συνόλου δεδομένων τους. Οι τιμές προτίμησης κλιμακώθηκαν μεταξύ 0 και 1, ώστε να είναι δυνατή η σύγκριση των αποτελεσμάτων μεταξύ των διαφορετικών τιμών ύψους χιονιού.]]

''Μετεωρολογικά δεδομένα''

Χρησιμοποιήθηκαν δεδομένα θερμοκρασίας και ταχύτητας ανέμου από τρεις μετεωρολογικούς σταθμούς σε διαφορετικά υψόμετρα, Taferlruck (769 m), Waldhäuser (940 m ) και Waldschmidthaus (1356 m), τα οποία καταγράφονταν ανά χρονικό διάστημα 10 λεπτών, και δεδομένα ημερήσιου ύψους χιονιού από τον σταθμό Waldhäuser (Εικόνα 1). Οι τιμές θερμοκρασίας και ταχύτητας ανέμου για κάθε θέση καταγραφή ζαρκαδιού ελήφθησαν από τον πλησιέστερο μετεωρολογικό σταθμό.

[[Εικόνα:RSpaper8.5_Ntolka.JPG | thumb| right|'''Εικόνα 5. Προβλεπόμενες τιμές προτίμησης για την κάλυψη του κατώτερου υποορόφου για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια. ''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον αντίστοιχο μέσο όρο του συνόλου δεδομένων τους.]]

''Δεδομένα LiDAR''

Τα δεδομένα LiDAR για την περιοχή μελέτης αποκτήθηκαν κατά την περίοδο έλλειψης φυλλώματος μεταξύ Απριλίου 2008 και Νοεμβρίου 2009, χρησιμοποιώντας το αερομεταφερόμενο σύστημα Riegl LMS-Q 560 (RIEGL Inc., Horn, Αυστρία). Το σύστημα εξέπεμπε ακτινοβολία laser σε μήκος κύματος 1550 nm και κατέγραφε το πρώτο και το τελευταίο σημείο επιστροφής με κατακόρυφο σφάλμα +/- 0,16 m. Το μέσο πλάτος της λωρίδας σάρωσης αντιστοιχούσε σε 832 m, η μέση διάμετρος του αποτυπώματος της δέσμης laser σε 38,8 cm και η μέση σημειακή πυκνότητα σε 9,8 σημεία/m². Για την ταξινόμηση των σημείων επιστροφής από το έδαφος και από τη βλάστηση χρησιμοποιήθηκε το λογισμικό TerraScan (TerraSolid Ltd., Helsinki, Finland). Ένα ψηφιακό μοντέλο εδάφους (DTM) με χωρική ανάλυση 1 m υπολογίστηκε με το SCOP ++ (inpho GmbH, Βιέννη, Αυστρία). Το ύψος των LiDAR επιστροφών πάνω από το έδαφος υπολογίσθηκε αφαιρώντας την τιμή ύψους του υποκείμενου DTM από το ύψος κάθε σημείου. Το τρισδιάστατο νέφος σημείων που προέκυψε, αντιπροσωπεύει διακριτές επιστροφές παλμού από την επιφάνεια του εδάφους και από τη βλάστηση. Ο υπολογισμός της κλασματικής φυτοκάλυψης (fractional vegetation cover) έγινε σε 3 διαφορετικά επίπεδα, στον κατώτερο υποόροφο (0.5 m–2 m πάνω από το έδαφος), στον ανώτερο υποόροφο (2 m–10 m πάνω από το έδαφος) και στον ανώτερο όροφο των δέντρων (10 m–60 m πάνω από το έδαφος) (Εικόνα 2).

''Στατιστική ανάλυση''

Για την ανάλυση της επιλογής ενδιαιτήματος από τα ζαρκάδια εφαρμόστηκε μια συνάρτηση βηματικής επιλογής (Step Selection Function- SSF), μια ειδική μορφή συνάρτησης επιλογής πόρων (Resource Selection Function - RSF). Στην περίπτωση ενός SSF, γίνεται δειγματοληψία σημείων ελέγχου με βάση τα εμπειρικά δεδομένα της κινησιολογικής συμπεριφοράς των υπό παρακολούθηση ζώων. Η άμεση χωρική συσχέτιση μεταξύ δύο διαδοχικών καταγραφόμενων με GPS θέσεων αντιπροσωπεύει ένα βήμα. Για κάθε παρατηρούμενο βήμα, παράγεται ένας ορισμένος αριθμός βημάτων ελέγχου (εν προκειμένω 25 τυχαίων βημάτων), με βάση την εμπειρική κατανομή των μηκών βήματος (step-lengths) και των γωνιών στροφής (turning angles) μεταξύ των διαδοχικών βημάτων των υπό παρακολούθηση ζώων. Για να αναλυθούν οι προτιμήσεις ενδιαιτήματος, τα χαρακτηριστικά των παρατηρούμενων βημάτων ενός ατόμου συγκρίνονται με εκείνα των βημάτων ελέγχου που μοιράζονται το ίδιο σημείο εκκίνησης.

Σε αυτή τη μελέτη, πραγματοποιήθηκε σύγκριση μεταξύ διαφορετικών τιμών κάλυψης βλάστησης στο τελικό σημείο κάθε βήματος. Χρησιμοποιώντας ένα μοντέλο λογιστικής παλινδρόμησης υπό συνθήκη με τυχαίες επιδράσεις, υπολογίστηκε η ετερογένεια μεταξύ των ατόμων. Διερευνήθηκε, επίσης, εάν η επιλογή των θέσεων από τα άτομα επηρεάζεται από την εγγύτητα προς την πλησιέστερη ταΐστρα. Η επεξεργασία των δεδομένων και η στατιστική ανάλυση πραγματοποιήθηκαν χρησιμοποιώντας το στατιστικό πακέτο R (έκδοση 2.14.0). Οι τιμές κάλυψης βλάστησης που προήλθαν από την LiDAR, εξήχθησαν από κελιά ψηφιδωτού (raster cells) μέσα σε μία ζώνη ακτίνας (buffer) 5 μέτρων γύρω από τις παρατηρούμενες και τυχαίες θέσεις. Προκειμένου να συγκριθούν τα χαρακτηριστικά των επιλεγμένων και τυχαίων τοποθεσιών εφαρμόστηκε ένα λογιστικό μοντέλο μικτών επιδράσεων υπό συνθήκη, με τις τιμές κάλυψης βλάστησης ως επεξηγηματικές μεταβλητές και τα άτομα ως τυχαίες επιδράσεις, χρησιμοποιώντας τη συνάρτηση coxme στο R. Χρησιμοποιήθηκαν τέσσερα ξεχωριστά μοντέλα, τα οποία διέφεραν μεταξύ τους ως προς το εάν συμπεριλάμβαναν: (1) τις καιρικές μεταβλητές (απόκλιση θερμοκρασίας, ύψος χιονιού και ταχύτητα ανέμου) και τις πληροφορίες δραστηριότητας, (2) μόνο τις καιρικές μεταβλητές, (3) μόνο τη δραστηριότητα, ή (4) τίποτα από τα δύο (Πίνακας 1). Η απόσταση από την πλησιέστερη ταΐστρα συμπεριλήφθηκε ως επεξηγηματική μεταβλητή σε όλα τα μοντέλα. Ως καταλληλότερο μοντέλο επιλέχθηκε αυτό με τη χαμηλότερη τιμή AIC (Akaike’s Information Criterion).

Για τον προσδιορισμό της σημαντικότητας των επεξηγηματικών μεταβλητών στα επιλεγμένα μοντέλα, χρησιμοποιήθηκε μια διαδικασία επαναδειγματοληψίας. Πραγματοποιήθηκε σύγκριση της πρόβλεψης της SSF που υπολογίστηκε από τα αρχικά δεδομένα, με αυτήν που υπολογίστηκε από τυχαίες τιμές των επεξηγηματικών μεταβλητών και υπολογίστηκε ο συντελεστής αυτοσυσχέτισης Pearson μεταξύ των προβλέψεων. Χαμηλότερες τιμές του συντελεστή υποδηλώνουν μεγαλύτερη επίδραση της παραλλασσόμενης μεταβλητής.

'''Αποτελέσματα'''

Η ενσωμάτωση των καιρικών συνθηκών καθώς και της κατάστασης δραστηριότητας των ζώων βελτίωσε τα δοκιμασμένα μοντέλα επιλογής ενδιαιτήματος του ζαρκαδιού (Πίνακας 1). Ως καταλληλότερο μοντέλο με βάση τον δείκτη AIC επιλέχθηκε το μοντέλο 1, δηλαδή είχε την καλύτερη αναμενόμενη απόδοση πρόβλεψης πάνω σε νέες παρατηρήσεις υπό τις ίδιες περιβαλλοντικές συνθήκες (AIC: 9346). Όλα τα ακόλουθα αποτελέσματα αναφέρονται σε αυτό, συμπεριλαμβανομένων των μεταβλητών καιρού και της κατάστασης δραστηριότητας των ζώων.

Η κατάσταση δραστηριότητας των ζαρκαδιών επηρέασε τα πρότυπα επιλογής ενδιαιτήματος (Πίνακας 2). Γενικά, τα ενεργά άτομα επέλεγαν θέσεις με μικρότερη κάλυψη θόλων (ανώτερος όροφος, ανώτερος υποόροφος) και υψηλότερη κάλυψη κατώτερου υποορόφου (Εικόνες 3-5). Η θερμοκρασία και το ύψος χιονιού επηρέασαν, επίσης, την προτίμηση για κάλυψη στον ανώτερο όροφο και ανώτερο υποόοροφο (Πίνακας 2), ενώ η ταχύτητα το ανέμου δεν είχε καμία επίδραση στην επιλογή ενδιαιτήματος από το ζαρκάδι. Τα ζαρκάδια έτειναν να χρησιμοποιούν πιο συχνά τα δάση με υψηλή κάλυψη θόλων καθώς η θερμοκρασία μειωνόταν, καθώς και όταν το χιόνι ξεπερνούσε τα 0,6 m (Εικόνες 3, 5).

Η απόσταση από την πλησιέστερη ταΐστρα αποτέλεσε τη μεταβλητή με τη μεγαλύτερη επίδραση όσον αφορά την επιλογή ενδιαιτήματος από το ζαρκάδι. Στη σύγκριση ανάμεσα στις χρησιμοποιούμενες καιρικές μεταβλητές και την κατάσταση δραστηριότητας, τη μεγαλύτερη επίδραση είχε η κατάσταση δραστηριότητας, ακολουθούμενη από τη θερμοκρασία και το ύψος του χιονιού. Η πιο επιδραστική τιμή κάλυψης ήταν του ανώτερου ορόφου, ενώ ακολουθούσε ο ανώτερος υποόροφος και ο κατώτερος υποόροφος.

'''Συζήτηση '''

Η επιλογή χειμερινού ενδιαιτήματος από το ζαρκάδι εξαρτάται σε μεγάλο βαθμό από την κατάσταση της δραστηριότητας του ζώου και από τις καιρικές συνθήκες.
Τα ζαρκάδια έτειναν να χρησιμοποιούν τοποθεσίες που χαρακτηρίζονταν από τουλάχιστον ένα βαθμό κάλυψης θόλου ή τοποθεσίες που χαρακτηρίζονταν από υψηλή κάλυψη υποορόφου (Εικόνα 6). Με αυτόν τον τρόπο, το ζαρκάδι αποφεύγει τις ανοιχτές εκτάσεις, όπου κατά τη διάρκεια του χειμώνα επικρατούν σκληρές καιρικές συνθήκες και όπου δεν αναμένεται να υπάρχει διαθέσιμη τροφή. Στις περιπτώσεις όπου οι θερμοκρασίες ήταν πολύ χαμηλές ή όταν το ύψος χιονιού ξεπερνούσε τα 0,60 cm, τα ζαρκάδια προτιμούσαν περιοχές με υψηλότερη κάλυψη θόλου. Το γεγονός αυτό, επιβεβαιώνει την υπόθεση ότι τα ζαρκάδια χρησιμοποιούν δάση με υψηλή κάλυψη θόλου ως θερμικό καταφύγιο όταν κάνει κρύο. Τα αποτελέσματα σε σχέση με την ασθενή επίδραση του ανέμου στην επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι, οφείλονται πιθανώς στην έλλειψη πληροφοριών στα χρησιμοποιούμενα μετεωρολογικά δεδομένα.

Συνολικά, τα ζαρκάδια έτειναν να χρησιμοποιούν περιοχές με μικρότερη κάλυψη θόλου όταν ήταν ενεργά και μεγαλύτερη όταν αναπαύονται, καθώς τους προσφέρει καταφύγιο σε σχέση με τις καιρικές συνθήκες. Όσον αφορά όμως τον υποόροφο, συμβαίνει το αντίστροφο. Τα ζαρκάδια προτιμούν περιοχές με πυκνό υποόροφο όταν είναι ενεργά, όπου αναζητούν την τροφή τους και περιοχές με αραιή βλάστηση υποορόφου όταν αναπαύονται, πιθανότατα για να αποφύγουν τις συναντήσεις με πιθανούς θηρευτές. Ειδικά ο λύγκας, που συναντάται στην περιοχή, εξαρτάται από την ύπαρξη βλάστησης στον υποόροφο ώστε να στήσει ενέδρα στο θήραμά του.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Η επιλογή χειμερινού ενδιαιτήματος από το ζαρκάδι δεν μπορεί να γενικευτεί, αλλά εξαρτάται σε μεγάλο βαθμό από εξωτερικές επιδράσεις, όπως ο καιρός, και από την κατάσταση δραστηριότητας του ζώου. Τα ζαρκάδια το χειμώνα εξαρτώνται από τις ετερογενείς δομές των δασών, για να καλύψουν τις ανάγκες τους σε σχέση με την εύρεση τροφής και την προφύλαξη από τις δύσκολες καιρικές συνθήκες.

Η ενσωμάτωση δεδομένων τηλεπισκόπησης υψηλής ανάλυσης και δεδομένων συμπεριφοράς, συνδυάζοντας την GPS τηλεμετρία με την προσέγγιση της λειτουργίας επιλογής πόρων (resource selection function), μπορεί να βοηθήσει σημαντικά στη μελέτη της επιλογής ενδιαιτήματος για οπληφόρα που ζουν σε δασικές περιοχές. Η τεχνολογία LiDAR προσφέρει δεδομένα υψηλής χωρικής ανάλυσης, παρέχοντας τη δυνατότητα για τη λεπτομερή απεικόνιση περίπλοκων τρισδιάστατων ενδιαιτημάτων, όπως τα δάση, και εφαρμόζεται όλο και πιο συχνά στη μελέτη της χρήσης ενδιαιτήματος από οπληφόρα. Οι χάρτες πρόβλεψης σε σχέση με τη χρήση ενδιαιτήματος, μπορούν να παρεκταθούν πέρα από τα όρια της περιοχής μελέτης και να προσφέρουν σημαντικές πληροφορίες για τη διατήρηση των δασών ή τη διαχείριση των άγριων ζώων.

[[Εικόνα:RSpaper8.6_Ntolka.JPG | thumb| center|'''Εικόνα 6. Χάρτες απεικόνισης των προβλεπόμενων τιμών προτίμησης ενδιαιτήματος από τα ζαρκάδια για διαφορετικά σενάρια καιρικών συνθηκών και κατάστασης δραστηριότητας (activity status).''' Οι χάρτες πρόβλεψης δημιουργήθηκαν με βάση το μοντέλο 1 (Πίνακας 2), διατηρώντας την απόσταση από την πλησιέστερη ταΐστρα σταθερή στο μέσο όρο του συνόλου δεδομένων.)]]

[[category:Χαρτογράφηση των οικοτόπων της πανίδας]]

[[category: Οικολογία]]

LiDAR τηλεπισκόπηση και GPS τηλεμετρία παρέχουν στοιχεία για την επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι

2019-03-03T15:32:40Z

Ntolka Eirini:

'''LiDAR τηλεπισκόπηση και GPS τηλεμετρία παρέχουν στοιχεία για την επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι'''

'''Πρωτότυπος τίτλος:''' ''LiDAR Remote Sensing of Forest Structure and GPS Telemetry Data Provide Insights on Winter Habitat Selection of European Roe Deer ''

[[Εικόνα:RSpaper8.1_Ntolka.JPG | thumb| right|'''Περιοχή μελέτης.''' Ο Εθνικός Δρυμός της Βαυαρίας περικλείεται από μαύρο περίγραμμα, οι καταγραφόμενες θέσεις (GPS-fixes) των ζαρκαδιών σημαίνονται με μαύρους κύκλους, και οι τοποθεσίες των μετεωρολογικών σταθμών με τετράγωνα ( T: Taferlrück, WH: Waldhäuser, WSH: Waldschmidthaus).]]

'''Συγγραφείς: '''Michael Ewald, Claudia Dupke, Marco Heurich, Jörg Müller and Björn Reineking

'''Δημοσιεύθηκε: ''' ''Forests 2014 (5): 1374-1390, Ιούνιος 2014, doi:10.3390/f5061374 ''

[[Εικόνα:RSpaper8.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Κάθετη διατομή του νέφους σημείων των δεδομένων LiDAR και οι προκύπτουσες τιμές κλασματικής φυτοκάλυψης για τον κατώτερο υποόροφο, ανώτερο υποόροφο και ανώτερο όροφο των δέντρων, όπως απεικονίζονται σε μια διατομή μήκους 50m και πλάτους 5m.''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/263125324_LiDAR_Remote_Sensing_of_Forest_Structure_and_GPS_Telemetry_Data_Provide_Insights_on_Winter_Habitat_Selection_of_European_Roe_Deer]

[[Εικόνα:RSpaperT8.1_Ntolka.JPG | thumb| right|'''Πίνακας 1. Περίληψη των υπολογισθέντων μικτών μοντέλων λογιστικής παλινδρόμησης υπό συνθήκη (mixed conditional logistic regression models) που εξηγούν την επιλογή ενδιαιτήματος, οι μεταβλητές που περιέχουν και οι αντίστοιχες τιμές του δείκτη AIC (Akaike’s Information Criterion).'''
''dist_to_f'': distance to nearest artificial feeding place (απόσταση από την πλησιέστερη ταΐστρα), ''OC'': overstory cover (κάλυψη ανώτερου ορόφου), ''MC'': midstory cover (κάλυψη ανώτερου υποορόφου),'' UC'': understory cover (κάλυψη κατώτερου υποορόφου), ''temp'': απόκλιση από τη μέση θερμοκρασία την αντίστοιχη ώρα της ημέρας, ''act'': activity status των ζαρκαδιών, ''snow'': ύψος χιονιού, ''wind'': ταχύτητα ανέμου.]]

[[Εικόνα:RSpaperT8.2_Ntolka.JPG | thumb| right|'''Πίνακας 2. Αποτελέσματα μικτής λογιστικής παλινδρόμησης υπό συνθήκη (Μοντέλο 1). ''' Οι τιμές με p<0,05 υποδεικνύουν στατιστικά σημαντική επίδραση των όρων του μοντέλου.
''dist_to_f'': distance to nearest artificial feeding place (απόσταση από την πλησιέστερη ταΐστρα), ''OC'': overstory cover (κάλυψη ανώτερου ορόφου), ''MC'': midstory cover (κάλυψη ανώτερου υποορόφου),'' UC'': understory cover (κάλυψη κατώτερου υποορόφου), ''temp'': απόκλιση από τη μέση θερμοκρασία την αντίστοιχη ώρα της ημέρας, ''act'': activity status των ζαρκαδιών, ''snow'': ύψος χιονιού, ''wind'': ταχύτητα ανέμου. ]]

'''Λέξεις-Κλειδιά: ''' τηλεπισκόπηση, δασική διαμόρφωση, συμπεριφορά ζώων, επιλογή θέσης, συναρτήσεις βηματικής επιλογής

'''Εισαγωγή'''

[[Εικόνα:RSpaper8.3_Ntolka.JPG | thumb| right|'''Εικόνα 3. Προβλεπόμενες τιμές σχετικής προτίμησης για την κάλυψη του ανώτερου υποορόφου (2 m-10 m) και του ανώτερου ορόφου (10 m-60 m) ως συνάρτηση της απόκλισης της θερμοκρασίας από τις μέσες τιμές θερμοκρασίας σε ορισμένη ώρα της ημέρας, για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια.''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον μέσο όρο του συνόλου δεδομένων τους. Οι τιμές προτίμησης κλιμακώθηκαν μεταξύ 0 και 1, ώστε να είναι δυνατή η σύγκριση των αποτελεσμάτων μεταξύ των διαφορετικών θερμοκρασιών.]]

Η κατανόηση της επιλογής ενδιαιτήματος ενός είδους αποτελεί βασική προϋπόθεση για τη διαχείριση της άγριας πανίδας. Η επιλογή του ενδιαιτήματος μπορεί να διερευνηθεί σε μια πολύ λεπτομερή χωροχρονική ανάλυση χρησιμοποιώντας τηλεμετρία GPS, η οποία παρέχει δεδομένα θέσης κρυπτικών οργανισμών σε σχεδόν συνεχή κλίμακα. Η αερομεταφερόμενη σάρωση με laser (LiDAR -Light Detection and Ranging – ανίχνευση και σκόπευση φωτός) αποτελεί μια καθιερωμένη τεχνική τηλεπισκόπησης, η οποία προσφέρει τη μοναδική δυνατότητα περιγραφής της τρισδιάστατης δομής των δασών, με μεγάλη λεπτομέρεια και ακρίβεια, και για μεγάλες εκτάσεις. Στην παρούσα εργασία, αναλύθηκε η επιλογή του χειμερινού ενδιαιτήματος του ζαρκαδιού (''Capreolus capreolus'') σε ένα ορεινό δασικό οικοσύστημα, συνδυάζοντας εκτιμήσεις κάλυψης βλάστησης σε τρία διαφορετικά στρώματα ύψους μέσω LiDAR, και δεδομένα δραστηριότητας από GPS τηλεμετρία. Το ευρωπαϊκό ζαρκάδι είναι ένα μεσαίου μεγέθους οπληφόρο, που κατανέμεται σε ολόκληρη την Ευρώπη και είναι προσαρμοσμένο σε μια ποικιλία ενδιαιτημάτων, με προτίμηση στα δασικά. Μπορεί να τραφεί με ένα πλήθος φυτικών ειδών, αλλά ακολουθεί μια «επικεντρωμένα επιλεκτική» στρατηγική τροφοληψίας και μπορεί να επηρεάσει σημαντικά τη σύνθεση της αναγέννησης των δέντρων. Στα βόρεια γεωγραφικά πλάτη, οι ακραίες καιρικές συνθήκες του χειμώνα επηρεάζουν έντονα τη δυνατότητα επιβίωσης του ζαρκαδιού. Ο χειμώνας αποτελεί μια περίοδο όπου η διαθεσιμότητα της τροφής είναι μικρή, οι χαμηλές θερμοκρασίες και ο ψυχρός άνεμος απαιτούν την κατανάλωση σημαντικών ποσών ενέργειας για θερμορύθμιση από τα ζώα, και το βαθύ χιόνι περιορίζει τις ικανότητες μετακίνησής τους.

'''Περιοχή μελέτης'''

Η μελέτη πραγματοποιήθηκε στον Εθνικό Δρυμό της Βαυαρίας (Εικόνα 1), που βρίσκεται στα νοτιοανατολικά σύνορα της Γερμανίας με την Τσεχία και καλύπτει μια έκταση 24.369 εκταρίων. Η δασική βλάστηση αποτελείται κυρίως από έλατα (ερυθρελάτη, λευκή ελάτη), οξιές και σημύδες και το υψόμετρο κυμαίνεται από 600 έως 1.453 μέτρα. Η μέση ετήσια θερμοκρασία αντιστοιχεί σε 2-7,3 °C, η χιονοκάλυψη διαρκεί κατά μέσο όρο 139 ημέρες ανά έτος στα μεσαία υψόμετρα, και το χιόνι έχει βάθος μεγαλύτερο από 50cm για κατά μέσο όρο 50 ημέρες το χρόνο. Τα ζαρκάδια χρησιμοποιούν όλη την έκταση του εθνικού δρυμού κατά τη διάρκεια του καλοκαιριού ενώ το χειμώνα κατεβαίνουν στα χαμηλότερα υψόμετρα, όπου το χιόνι είναι λιγότερο βαθύ. Σε κάποια σημεία υπάρχουν ταΐστρες μέσα και γύρω από παγίδες, οι οποίες χρησιμοποιούνται για τη σύλληψη ζώων για ερευνητικούς σκοπούς. Μέσα στην περιοχή μελέτης απαγορεύεται το κυνήγι. Στην περιοχή συναντάται, επίσης, ο ευρασιατικός λύγκας (''Lynx lynx''), ο οποίος αποτελεί πιθανό θηρευτή για το ζαρκάδι.

'''Πειραματικός σχεδιασμός '''

'' Δεδομένα τηλεμετρίας''

Για τη λήψη των δεδομένων τηλεμετρίας GPS χρησιμοποιήθηκαν περιλαίμια GPS-GSM με ενσωματωμένους αισθητήρες καταγραφής δραστηριότητας (σειρά 3.000 από την VECTRONIC Aerospace, Βερολίνο, Γερμανία), με τα οποία ραδιοσημάνθηκαν 15 ζαρκάδια. Η παρακολούθησή τους πραγματοποιήθηκε για διαφορετικές χρονικές περιόδους κατά τη διάρκεια του χειμώνα, οι οποίες διήρκησαν από 14 ημέρες έως έξι μήνες. Τα χρονικά διαστήματα μεταξύ δύο διαδοχικών καταγραφών κυμαίνονταν από 15 λεπτά έως 2 ώρες. Στην ανάλυση συμπεριλήφθησαν δεδομένα από 1.418 θέσεις για 9 ενήλικα θηλυκά και 6 ενήλικα αρσενικά ζαρκάδια, μεταξύ Απριλίου 2007 και Δεκεμβρίου 2010. Οι ενσωματωμένοι στα GPS περιλαίμια αισθητήρες δραστηριότητας είναι σε θέση να καταγράψουν την κινητικότητα των ζώων μετρώντας την επιτάχυνση κατά την κίνησή τους προς τα εμπρός/πίσω και προς τα πλάγια.

Για τον προσδιορισμό της κατάστασης δραστηριότητας (activity status) χρησιμοποιήθηκαν επίπεδα κατωφλίου, τα οποία καθορίστηκαν σε προηγούμενη ανεξάρτητη μελέτη, που πραγματοποιήθηκε στην ίδια περιοχή. Τα άτομα θεωρήθηκαν ενεργά (active) όταν το άθροισμα των δύο τιμών επιτάχυνσης (προς τα εμπρός/ προς τα πίσω και προς τα πλάγια) ήταν μεγαλύτερο από 4 και ως μη ενεργά-αναπαυόμενα (resting) σε όλες τις άλλες περιπτώσεις.

[[Εικόνα:RSpaper8.4_Ntolka.JPG | thumb| right|'''Εικόνα 4. Προβλεπόμενες τιμές σχετικής προτίμησης για την κάλυψη του ανώτερου υποορόφου (2 m-10 m) και του ανώτερου ορόφου (10 m-60 m) ως συνάρτηση του ύψους χιονιού, για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια. ''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον μέσο όρο του συνόλου δεδομένων τους. Οι τιμές προτίμησης κλιμακώθηκαν μεταξύ 0 και 1, ώστε να είναι δυνατή η σύγκριση των αποτελεσμάτων μεταξύ των διαφορετικών τιμών ύψους χιονιού.]]

''Μετεωρολογικά δεδομένα''

Χρησιμοποιήθηκαν δεδομένα θερμοκρασίας και ταχύτητας ανέμου από τρεις μετεωρολογικούς σταθμούς σε διαφορετικά υψόμετρα, Taferlruck (769 m), Waldhäuser (940 m ) και Waldschmidthaus (1356 m), τα οποία καταγράφονταν ανά χρονικό διάστημα 10 λεπτών, και δεδομένα ημερήσιου ύψους χιονιού από τον σταθμό Waldhäuser (Εικόνα 1). Οι τιμές θερμοκρασίας και ταχύτητας ανέμου για κάθε θέση καταγραφή ζαρκαδιού ελήφθησαν από τον πλησιέστερο μετεωρολογικό σταθμό.

[[Εικόνα:RSpaper8.5_Ntolka.JPG | thumb| right|'''Εικόνα 5. Προβλεπόμενες τιμές προτίμησης για την κάλυψη του κατώτερου υποορόφου για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια. ''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον αντίστοιχο μέσο όρο του συνόλου δεδομένων τους.]]

''Δεδομένα LiDAR''

Τα δεδομένα LiDAR για την περιοχή μελέτης αποκτήθηκαν κατά την περίοδο έλλειψης φυλλώματος μεταξύ Απριλίου 2008 και Νοεμβρίου 2009, χρησιμοποιώντας το αερομεταφερόμενο σύστημα Riegl LMS-Q 560 (RIEGL Inc., Horn, Αυστρία). Το σύστημα εξέπεμπε ακτινοβολία laser σε μήκος κύματος 1550 nm και κατέγραφε το πρώτο και το τελευταίο σημείο επιστροφής με κατακόρυφο σφάλμα +/- 0,16 m. Το μέσο πλάτος της λωρίδας σάρωσης αντιστοιχούσε σε 832 m, η μέση διάμετρος του αποτυπώματος της δέσμης laser σε 38,8 cm και η μέση σημειακή πυκνότητα σε 9,8 σημεία/m². Για την ταξινόμηση των σημείων επιστροφής από το έδαφος και από τη βλάστηση χρησιμοποιήθηκε το λογισμικό TerraScan (TerraSolid Ltd., Helsinki, Finland). Ένα ψηφιακό μοντέλο εδάφους (DTM) με χωρική ανάλυση 1 m υπολογίστηκε με το SCOP ++ (inpho GmbH, Βιέννη, Αυστρία). Το ύψος των LiDAR επιστροφών πάνω από το έδαφος υπολογίσθηκε αφαιρώντας την τιμή ύψους του υποκείμενου DTM από το ύψος κάθε σημείου. Το τρισδιάστατο νέφος σημείων που προέκυψε, αντιπροσωπεύει διακριτές επιστροφές παλμού από την επιφάνεια του εδάφους και από τη βλάστηση. Ο υπολογισμός της κλασματικής φυτοκάλυψης (fractional vegetation cover) έγινε σε 3 διαφορετικά επίπεδα, στον κατώτερο υποόροφο (0.5 m–2 m πάνω από το έδαφος), στον ανώτερο υποόροφο (2 m–10 m πάνω από το έδαφος) και στον ανώτερο όροφο των δέντρων (10 m–60 m πάνω από το έδαφος) (Εικόνα 2).

''Στατιστική ανάλυση''

Για την ανάλυση της επιλογής ενδιαιτήματος από τα ζαρκάδια εφαρμόστηκε μια συνάρτηση βηματικής επιλογής (Step Selection Function- SSF), μια ειδική μορφή συνάρτησης επιλογής πόρων (Resource Selection Function - RSF). Στην περίπτωση ενός SSF, γίνεται δειγματοληψία σημείων ελέγχου με βάση τα εμπειρικά δεδομένα της κινησιολογικής συμπεριφοράς των υπό παρακολούθηση ζώων. Η άμεση χωρική συσχέτιση μεταξύ δύο διαδοχικών καταγραφόμενων με GPS θέσεων αντιπροσωπεύει ένα βήμα. Για κάθε παρατηρούμενο βήμα, παράγεται ένας ορισμένος αριθμός βημάτων ελέγχου (εν προκειμένω 25 τυχαίων βημάτων), με βάση την εμπειρική κατανομή των μηκών βήματος (step-lengths) και των γωνιών στροφής (turning angles) μεταξύ των διαδοχικών βημάτων των υπό παρακολούθηση ζώων. Για να αναλυθούν οι προτιμήσεις ενδιαιτήματος, τα χαρακτηριστικά των παρατηρούμενων βημάτων ενός ατόμου συγκρίνονται με εκείνα των βημάτων ελέγχου που μοιράζονται το ίδιο σημείο εκκίνησης.

Σε αυτή τη μελέτη, πραγματοποιήθηκε σύγκριση μεταξύ διαφορετικών τιμών κάλυψης βλάστησης στο τελικό σημείο κάθε βήματος. Χρησιμοποιώντας ένα μοντέλο λογιστικής παλινδρόμησης υπό συνθήκη με τυχαίες επιδράσεις, υπολογίστηκε η ετερογένεια μεταξύ των ατόμων. Διερευνήθηκε, επίσης, εάν η επιλογή των θέσεων από τα άτομα επηρεάζεται από την εγγύτητα προς την πλησιέστερη ταΐστρα. Η επεξεργασία των δεδομένων και η στατιστική ανάλυση πραγματοποιήθηκαν χρησιμοποιώντας το στατιστικό πακέτο R (έκδοση 2.14.0). Οι τιμές κάλυψης βλάστησης που προήλθαν από την LiDAR, εξήχθησαν από κελιά ψηφιδωτού (raster cells) μέσα σε μία ζώνη ακτίνας (buffer) 5 μέτρων γύρω από τις παρατηρούμενες και τυχαίες θέσεις. Προκειμένου να συγκριθούν τα χαρακτηριστικά των επιλεγμένων και τυχαίων τοποθεσιών εφαρμόστηκε ένα λογιστικό μοντέλο μικτών επιδράσεων υπό συνθήκη, με τις τιμές κάλυψης βλάστησης ως επεξηγηματικές μεταβλητές και τα άτομα ως τυχαίες επιδράσεις, χρησιμοποιώντας τη συνάρτηση coxme στο R. Χρησιμοποιήθηκαν τέσσερα ξεχωριστά μοντέλα, τα οποία διέφεραν μεταξύ τους ως προς το εάν συμπεριλάμβαναν: (1) τις καιρικές μεταβλητές (απόκλιση θερμοκρασίας, ύψος χιονιού και ταχύτητα ανέμου) και τις πληροφορίες δραστηριότητας, (2) μόνο τις καιρικές μεταβλητές, (3) μόνο τη δραστηριότητα, ή (4) τίποτα από τα δύο (Πίνακας 1). Η απόσταση από την πλησιέστερη ταΐστρα συμπεριλήφθηκε ως επεξηγηματική μεταβλητή σε όλα τα μοντέλα. Ως καταλληλότερο μοντέλο επιλέχθηκε αυτό με τη χαμηλότερη τιμή AIC (Akaike’s Information Criterion).

Για τον προσδιορισμό της σημαντικότητας των επεξηγηματικών μεταβλητών στα επιλεγμένα μοντέλα, χρησιμοποιήθηκε μια διαδικασία επαναδειγματοληψίας. Πραγματοποιήθηκε σύγκριση της πρόβλεψης της SSF που υπολογίστηκε από τα αρχικά δεδομένα, με αυτήν που υπολογίστηκε από τυχαίες τιμές των επεξηγηματικών μεταβλητών και υπολογίστηκε ο συντελεστής αυτοσυσχέτισης Pearson μεταξύ των προβλέψεων. Χαμηλότερες τιμές του συντελεστή υποδηλώνουν μεγαλύτερη επίδραση της παραλλασσόμενης μεταβλητής.

'''Αποτελέσματα'''

Η ενσωμάτωση των καιρικών συνθηκών καθώς και της κατάστασης δραστηριότητας των ζώων βελτίωσε τα δοκιμασμένα μοντέλα επιλογής ενδιαιτήματος του ζαρκαδιού (Πίνακας 1). Ως καταλληλότερο μοντέλο με βάση τον δείκτη AIC επιλέχθηκε το μοντέλο 1, δηλαδή είχε την καλύτερη αναμενόμενη απόδοση πρόβλεψης πάνω σε νέες παρατηρήσεις υπό τις ίδιες περιβαλλοντικές συνθήκες (AIC: 9346). Όλα τα ακόλουθα αποτελέσματα αναφέρονται σε αυτό, συμπεριλαμβανομένων των μεταβλητών καιρού και της κατάστασης δραστηριότητας των ζώων.

Η κατάσταση δραστηριότητας των ζαρκαδιών επηρέασε τα πρότυπα επιλογής ενδιαιτήματος (Πίνακας 2). Γενικά, τα ενεργά άτομα επέλεγαν θέσεις με μικρότερη κάλυψη θόλων (ανώτερος όροφος, ανώτερος υποόροφος) και υψηλότερη κάλυψη κατώτερου υποορόφου (Εικόνες 3-5). Η θερμοκρασία και το ύψος χιονιού επηρέασαν, επίσης, την προτίμηση για κάλυψη στον ανώτερο όροφο και ανώτερο υποόοροφο (Πίνακας 2), ενώ η ταχύτητα το ανέμου δεν είχε καμία επίδραση στην επιλογή ενδιαιτήματος από το ζαρκάδι. Τα ζαρκάδια έτειναν να χρησιμοποιούν πιο συχνά τα δάση με υψηλή κάλυψη θόλων καθώς η θερμοκρασία μειωνόταν, καθώς και όταν το χιόνι ξεπερνούσε τα 0,6 m (Εικόνες 3, 5).

Η απόσταση από την πλησιέστερη ταΐστρα αποτέλεσε τη μεταβλητή με τη μεγαλύτερη επίδραση όσον αφορά την επιλογή ενδιαιτήματος από το ζαρκάδι. Στη σύγκριση ανάμεσα στις χρησιμοποιούμενες καιρικές μεταβλητές και την κατάσταση δραστηριότητας, τη μεγαλύτερη επίδραση είχε η κατάσταση δραστηριότητας, ακολουθούμενη από τη θερμοκρασία και το ύψος του χιονιού. Η πιο επιδραστική τιμή κάλυψης ήταν του ανώτερου ορόφου, ενώ ακολουθούσε ο ανώτερος υποόροφος και ο κατώτερος υποόροφος.

'''Συζήτηση '''

Η επιλογή χειμερινού ενδιαιτήματος από το ζαρκάδι εξαρτάται σε μεγάλο βαθμό από την κατάσταση της δραστηριότητας του ζώου και από τις καιρικές συνθήκες.
Τα ζαρκάδια έτειναν να χρησιμοποιούν τοποθεσίες που χαρακτηρίζονταν από τουλάχιστον ένα βαθμό κάλυψης θόλου ή τοποθεσίες που χαρακτηρίζονταν από υψηλή κάλυψη υποορόφου (Εικόνα 6). Με αυτόν τον τρόπο, το ζαρκάδι αποφεύγει τις ανοιχτές εκτάσεις, όπου κατά τη διάρκεια του χειμώνα επικρατούν σκληρές καιρικές συνθήκες και όπου δεν αναμένεται να υπάρχει διαθέσιμη τροφή. Στις περιπτώσεις όπου οι θερμοκρασίες ήταν πολύ χαμηλές ή όταν το ύψος χιονιού ξεπερνούσε τα 0,60 cm, τα ζαρκάδια προτιμούσαν περιοχές με υψηλότερη κάλυψη θόλου. Το γεγονός αυτό, επιβεβαιώνει την υπόθεση ότι τα ζαρκάδια χρησιμοποιούν δάση με υψηλή κάλυψη θόλου ως θερμικό καταφύγιο όταν κάνει κρύο. Τα αποτελέσματα σε σχέση με την ασθενή επίδραση του ανέμου στην επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι, οφείλονται πιθανώς στην έλλειψη πληροφοριών στα χρησιμοποιούμενα μετεωρολογικά δεδομένα.

Συνολικά, τα ζαρκάδια έτειναν να χρησιμοποιούν περιοχές με μικρότερη κάλυψη θόλου όταν ήταν ενεργά και μεγαλύτερη όταν αναπαύονται, καθώς τους προσφέρει καταφύγιο σε σχέση με τις καιρικές συνθήκες. Όσον αφορά όμως τον υποόροφο, συμβαίνει το αντίστροφο. Τα ζαρκάδια προτιμούν περιοχές με πυκνό υποόροφο όταν είναι ενεργά, όπου αναζητούν την τροφή τους και περιοχές με αραιή βλάστηση υποορόφου όταν αναπαύονται, πιθανότατα για να αποφύγουν τις συναντήσεις με πιθανούς θηρευτές. Ειδικά ο λύγκας, που συναντάται στην περιοχή, εξαρτάται από την ύπαρξη βλάστησης στον υποόροφο ώστε να στήσει ενέδρα στο θήραμά του.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Η επιλογή χειμερινού ενδιαιτήματος από το ζαρκάδι δεν μπορεί να γενικευτεί, αλλά εξαρτάται σε μεγάλο βαθμό από εξωτερικές επιδράσεις, όπως ο καιρός, και από την κατάσταση δραστηριότητας του ζώου. Τα ζαρκάδια το χειμώνα εξαρτώνται από τις ετερογενείς δομές των δασών, για να καλύψουν τις ανάγκες τους σε σχέση με την εύρεση τροφής και την προφύλαξη από τις δύσκολες καιρικές συνθήκες.

Η ενσωμάτωση δεδομένων τηλεπισκόπησης υψηλής ανάλυσης και δεδομένων συμπεριφοράς, συνδυάζοντας την GPS τηλεμετρία με την προσέγγιση της λειτουργίας επιλογής πόρων (resource selection function), μπορεί να βοηθήσει σημαντικά στη μελέτη της επιλογής ενδιαιτήματος για οπληφόρα που ζουν σε δασικές περιοχές. Η τεχνολογία LiDAR προσφέρει δεδομένα υψηλής χωρικής ανάλυσης, παρέχοντας τη δυνατότητα για τη λεπτομερή απεικόνιση περίπλοκων τρισδιάστατων ενδιαιτημάτων, όπως τα δάση, και εφαρμόζεται όλο και πιο συχνά στη μελέτη της χρήσης ενδιαιτήματος από οπληφόρα. Οι χάρτες πρόβλεψης σε σχέση με τη χρήση ενδιαιτήματος, μπορούν να παρεκταθούν πέρα από τα όρια της περιοχής μελέτης και να προσφέρουν σημαντικές πληροφορίες για τη διατήρηση των δασών ή τη διαχείριση των άγριων ζώων.

[[Εικόνα:RSpaper8.6_Ntolka.JPG | thumb| center|'''Εικόνα 6. Χάρτες απεικόνισης των προβλεπόμενων τιμών προτίμησης ενδιαιτήματος από τα ζαρκάδια για διαφορετικά σενάρια καιρικών συνθηκών και κατάστασης δραστηριότητας (activity status).''' Οι χάρτες πρόβλεψης δημιουργήθηκαν με βάση το μοντέλο 1 (Πίνακας 2), διατηρώντας την απόσταση από την πλησιέστερη ταΐστρα σταθερή στο μέσο όρο του συνόλου δεδομένων.)]]

[[category:Χαρτογράφηση των οικοτόπων της πανίδας]]

[[category: Οικολογία]]

Βρες το πράσινο πρόβατο! Μια κριτική επισκόπηση της χρήσης της τηλεπισκόπησης για την ανίχνευση και καταμέτρηση των ζώων

2019-03-03T15:20:42Z

Ntolka Eirini:

'''Βρες το πράσινο πρόβατο! Μια κριτική επισκόπηση της χρήσης της τηλεπισκόπησης για την ανίχνευση και καταμέτρηση των ζώων'''

'''Πρωτότυπος τίτλος:''' ''How do you find the green sheep? A critical review of the use of remotely sensed imagery to detect and count animals''

[[Εικόνα:RSpaperT6.1a_Ntolka.JPG | thumb| right|'''Πίνακας 1α. Αξιολογημένα άρθρα περιοδικών, στα οποία εφαρμόζονται αυτοματοποιημένες ή ημι-αυτοματοποιημένες τεχνικές τηλεπισκοπικής απεικόνισης για την άμεση ανίχνευση ζώων.''']]

'''Συγγραφείς: '''Tracey Hollings, Mark Burgman, Mary van Andel, Marius Gilbert, Timothy Robinson, Andrew Robinson

'''Δημοσιεύθηκε: ''' ''Methods in Ecology and Evolution 9 (4), Ιανουάριος 2018, DOI: 10.1111/2041-210x.12973 ''

[[Εικόνα:RSpaperT6.1b_Ntolka.JPG | thumb| right|'''Πίνακας 1β. Αξιολογημένα άρθρα περιοδικών, στα οποία εφαρμόζονται αυτοματοποιημένες ή ημι-αυτοματοποιημένες τεχνικές τηλεπισκοπικής απεικόνισης για την άμεση ανίχνευση ζώων.''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://besjournals.onlinelibrary.wiley.com/doi/abs/10.1111/2041-210X.12973]

[[Εικόνα:RSpaper6.2_Ntolka.JPG | thumb| right|'''Εικόνα 1. Χρήση ανιχνευτή σωματιδίων''' (Sbalzarini & Koumoutsakos, 2005)''' στο λογισμικό ImageJ, το οποίο είναι σχεδιασμένο για την απεικόνιση βίντεο στην κυτταρική βιολογία, για τον εντοπισμό προβάτων:''' (α) αρχική εικόνα μιας καλλιεργούμενης περιοχής στην NZ σε ανάλυση 0,4 m, β) πρόγραμμα ανίχνευσης σωματιδίων για αυτοματοποιημένο εντοπισμό «σωματιδίων» (κόκκινοι κύκλοι), για την ανίχνευση προβάτων, γ) αντιπροσωπευτική περιαστική γεωργική περιοχή μικρής κλίμακας στη ΝΖ, με ανάλυση 0,4m, δ) ανιχνευτής σωματιδίων για την ανίχνευση προβάτων. Σε αυτό το ετερογενές τοπίο έχει λιγότερη επιτυχία, με πολλούς ψευδείς εντοπισμούς. Εικόνες από http://data.linz.govt.nz ]]

'''Λέξεις-Κλειδιά: ''' γεωργία, ζώα, ανίχνευση, πληθυσμιακή έρευνα, τηλεπισκόπηση, δορυφορική απεικόνιση, άγρια πανίδα

'''Εισαγωγή'''

[[Εικόνα:RSpaperT6.3_Ntolka.JPG | thumb| right|'''Πίνακας 2. Πλεονεκτήματα και περιορισμοί των μεθόδων που χρησιμοποιούνται για την ανίχνευση ζώων σε τηλεπισκοπικές απεικονίσεις.''']]

Δεδομένα σχετικά με την αφθονία των ζώων είναι απαραίτητα για την προστασία των ειδών που απειλούνται με εξαφάνιση, την παρακολούθηση των εισβλητικών ειδών, τη βιοασφάλεια, τις γεωργικές εφαρμογές και την παρακολούθηση της άγριας πανίδας. Ωστόσο, η απόκτηση δεδομένων αφθονίας αποτελεί μια μακροχρόνια πρόκληση. Η πρόσφατη πρόοδος στην ανάλυση των τηλεπισκοπικών απεικονίσεων, καθώς και των εργαλείων και του λογισμικού επεξεργασίας τους, βελτίωσαν σε μεγάλο βαθμό τις μεθόδους ανίχνευσης μεμονωμένων, και γενικά μεγάλων σε μέγεθος, ζώων. Η δυνατότητα παρακολούθησης και μελέτης των πληθυσμών με χρήση τηλεπισκοπικών δεδομένων αποτελεί μια συναρπαστική νέα εξέλιξη στη μελέτη της οικολογίας των ζώων.

Στην παρούσα εργασία, πραγματοποιείται μια διερεύνηση των μεθόδων που χρησιμοποιούνται στην ανάλυση των τηλεπισκοπικών απεικονίσεων ως προς τη δυνατότητα χρήσης τους για την πληθυσμιακή εκτίμηση άγριων και κτηνοτροφικών ζώων, μέσω του εντοπισμού, της αναγνώρισης και της καταμέτρησης μεμονωμένων ατόμων.

'''Μέθοδοι για την άμεση ανίχνευση ζώων με χρήση τηλεπισκοπικής απεικόνισης'''

Έχουν διερευνηθεί πολλές μέθοδοι για τον άμεσο εντοπισμό και την καταμέτρηση μεμονωμένων, γενικά μεγάλων σε μέγεθος ζώων (> 10 κιλών) από τηλεπισκοπικές απεικονίσεις (Πίνακας 1):

'''Α)''' Στις '''χειροκίνητες καταμετρήσεις''' (manual counts) αναλυτές εντοπίζουν, αναγνωρίζουν και καταμετρούν τα ζώα σε τηλεπισκοπικές απεικονίσεις (RS απεικονίσεις). Τέτοιου είδους μέθοδοι έχουν χρησιμοποιηθεί για δεκαετίες, αλλά μπορεί να είναι χρονοβόρες, υποκειμενικές και δαπανηρές, λόγω του κόστους εργασίας για την προετοιμασία και την ανάλυση των εικόνων.
Η απαίτησή τους σε χρόνο και εργασία είναι τόσο μεγάλη, που δεν έχουν εφαρμοστεί με επιτυχία σε περιοχές με έκταση μεγαλύτερη από μερικά τετραγωνικά χιλιόμετρα. Ενώ σε σύγκριση με αντίστοιχες έρευνες πεδίου, εμφανίζονται συχνά επιρρεπείς προς την υποεκτίμηση του μεγέθους ενός πληθυσμού, καθώς μερικά ζώα μπορεί να είναι κρυμμένα και να μην εντοπίζονται από τον αναλυτή.

'''Β) Πληθοπορισμός & επιστήμη των πολιτών '''(Crowd sourcing citizen science). Μια εναλλακτική προσέγγιση για τη χειροκίνητη καταμέτρηση των ζώων από RS απεικονίσεις είναι η χρήση πλατφόρμων crowdsourcing. Το crowdsourcing είναι ιδιαίτερα χρήσιμο τόσο για τη συλλογή όσο και για τη δημιουργία χωρικών δεδομένων. Για παράδειγμα, το Geo-Wiki αποτελεί μια διαδικτυακή πλατφόρμα, όπου εθελοντές βελτιώνουν την ποιότητα των χαρτών κάλυψης γης, χρησιμοποιώντας σύνολα δεδομένων από το Google Earth.

'''Γ) Αυτοματοποιημένες & ημιαυτοματοποιημένες μέθοδοι.'''
Τη στιγμή της συγγραφής της παρούσας επισκόπησης, όλες οι μελέτες που είχαν χρησιμοποιήσει αυτοματοποιημένες τεχνικές για την πληθυσμιακή εκτίμηση ζώων μέσω του άμεσου εντοπισμού μεμονωμένων ατόμων σε RS απεικονίσεις, είχαν το χαρακτήρα ''proof-of-concept'' εργασίας (δοκιμαστικής εφαρμογής για την επικύρωση της ιδέας), και εφαρμόστηκαν σε σχετικά μικρές περιοχές, συνήθως όχι μεγαλύτερες από μερικά τετραγωνικά χιλιόμετρα, και σε σχετικά ομοιογενή περιβάλλοντα. Οι δύο πρώτες απόπειρες αυτοματοποίησης της καταμέτρησης μεμονωμένων ζώων από δορυφορικές απεικονίσεις με χωρική ανάλυση 1 m έγιναν χρησιμοποιώντας ένα μοντέλο σήματος, το οποίο είχε αρχικά αναπτυχθεί για ανθυποβρυχιακό πόλεμο (antisubmarine warfare) και την ανίχνευση ναρκών, και χρησιμοποιώντας ένα λογισμικό που αναπτύχθηκε για τις ιατρικές απεικονίσεις (ImageTool).

Οι αυτοματοποιημένες ή ημιαυτοποιημένες τεχνολογίες για την πληθυσμιακή εκτίμηση των ζώων, άρχισαν να εφαρμόζονται στην οικολογία για περιοχές που είναι δύσκολες στην πρόσβαση, όπου οι έρευνες πεδίου αποτελούν πρόκληση ή τα ζώα εμφανίζουν χαμηλές πυκνότητες σε μεγάλες σε έκταση περιοχές (π.χ. αυτοκρατορικός πιγκουίνος, πολική αρκούδα). Η ικανότητα των λογισμικών επεξεργασίας εικόνας να ενσωματώνουν την υφή (texture), το σχήμα (shape), την απαρίθμηση (enumeration) και τη συνάφεια (context)έχει βελτιώσει σε μεγάλο βαθμό την ανίχνευση και την ταξινόμηση των αντικειμένων. Η κρίση των ειδικών επιστημόνων μπορεί επίσης να βελτιώσει τις αυτοματοποιημένες τεχνικές, π.χ. εντοπίζοντας πηγές συστηματικού σφάλματος.

''α) Κατάτμηση εικόνας''

Η διάκριση των ζώων από το περιβάλλον τους σε μια εικόνα εξαρτάται περισσότερο από την αντίθεση τους με το υπόβαθρο- φόντο (Εικόνα 1) παρά από την χωρική ανάλυση. Η διάκριση των αντικειμένων ενδιαφέροντος από το υπόβαθρο κατά την επεξεργασία των τηλεπισκοπικών απεικονίσεων πραγματοποιείται με κατάτμηση της εικόνας (image segmentation).

Το ''thresholding ''(τεχνική διαχωρισμού κατηγοριών με τιμή κατωφλίου) αποτελεί την απλούστερη και συνηθέστερη μέθοδο, κατά την οποία τα εικονοστοιχεία κατηγοριοποιούνται σε πολλαπλά διακριτικά χαρακτηριστικά, τα οποία βασίζονται σε μια τιμή έντασης σε σχέση με μια τιμή κατωφλίου. Η τεχνική thresholding είχε κάποια επιτυχία σε μικρής έκτασης περιοχές, όπου οι πληθυσμιακές εκτιμήσεις συσχετίζονταν συχνά σε μεγάλο βαθμό με έρευνες πεδίου ή χειροκίνητες καταμετρήσεις. Η τεχνική κατάτμησης της εικόνας έχει αποδειχθεί ότι υπερβαίνει τις άλλες αυτοματοποιημένες μεθόδους σε ορισμένες περιπτώσεις, συμπεριλαμβανομένης και της επιβλεπόμενης και της μη επιβλεπόμενης ταξινόμησης.

''β) Επιβλεπόμενη & μη επιβλεπόμενη ταξινόμηση ''

Η ''επιβλεπόμενη ταξινόμηση'' χρησιμοποιείται συχνά για την αναγνώριση των ζώων σε RS απεικονίσεις. Οι χρήστες ταξινομούν γνωστά αντικείμενα, τα οποία «εκπαιδεύουν» τους αλγόριθμους επεξεργασίας της εικόνας. Ο μέσος όρος και η διακύμανση των φασματικών υπογραφών των δεδομένων εκπαίδευσης χρησιμοποιούνται στη συνέχεια, για να ταξινομηθούν τα εικονοστοιχεία της εικόνας που απομένουν. Παρ’ όλα αυτά, η επιβλεπόμενη ταξινόμηση δεν είναι τόσο επιτυχημένη στην ανίχνευση μεμονωμένων ζώων όσο άλλες μέθοδοι (Πίνακας 1). Η ποιότητά της εξαρτάται σε μεγάλο βαθμό από τις γνώσεις του χρήστη και την ικανότητα του να προσδιορίζει σωστά τα δεδομένα εκπαίδευσης, από τη δυνατότητα διάκρισης μεταξύ των φασματικών υπογραφών και από την ακρίβεια αντιπροσώπευσης της μεταβλητότητας των κλάσεων που αντιπροσωπεύουν τα ζώα μέσα στα δεδομένα εκπαίδευσης.

Η ''μη επιβλεπόμενη ταξινόμηση ''χρησιμοποιεί στατιστικούς αλγόριθμους για την ομαδοποίηση εικονοστοιχείων βάσει φασματικών πληροφοριών, προσδιορίζοντας μοναδικά χαρακτηριστικά σε ένα τοπίο, με περιορισμένες εισροές (inputs) από το χρήστη. Η πιθανότητα ανίχνευσης με τη χρήση της συγκεκριμένης μεθόδου μπορεί να είναι υψηλή (M = 80% για κτηνοτροφικά ζώα, με ένα εύρος 55% -100% ανάμεσα σε επτά απεικονίσεις) και συγκρίσιμη με τις χειροκίνητες μετρήσεις. Ωστόσο, έχουν παρατηρηθεί υψηλά επίπεδα υπερ- καταμέτρησης ζώων (μέσο λειτουργικό σφάλμα= 69%, εύρος σφάλματος= 28% -98%), υπερεκτιμώντας έτσι τους πληθυσμούς.

''γ) Προσδιορισμός των φασματικών υπογραφών των ειδών των ζώων ή ειδικών χαρακτηριστικών ''

Οι φασματικές υπογραφές και τα φασματικά προφίλ μπορούν να διακρίνουν τα διαφορετικά είδη ζώων σε δορυφορικές απεικονίσεις. Παλαιότερες μελέτες είχαν ελάχιστη επιτυχία στον προσδιορισμό μιας μοναδικής φασματικής υπογραφής στο ορατό- εγγύς υπέρυθρο εύρος του φάσματος της φωτεινής ακτινοβολίας, για ελάφια. Πιο πρόσφατα, με τη χρήση φασματικών ή θερμικών προφίλ έχει γίνει διάκριση μεταξύ μεγάλου μεγέθους ειδών κτηνοτροφικών ζώων, συμπεριλαμβανομένων των προβάτων, των χοίρων, των αλόγων και των αγελάδων, καθώς και μεταξύ θηλαστικών και τοπίων. Όμως, η φασματική διαχωριστικότητα μεταξύ θηλαστικών και σκιών παραμένει φτωχή. Αυτές οι μελέτες χρησιμοποιούν διαφορετικές πηγές δεδομένων, μεθόδους για την ανίχνευση της φασματικής διαχωριστικότητας και διαδικασίες για την αξιολόγηση της φασματικής αλληλεπικάλυψης μεταξύ διαφορετικών ειδών ζώων και μεταξύ των ζώων και του υπόβαθρου. Οι φασματικές υπογραφές των ειδών μπορούν να χρησιμοποιηθούν ως δεδομένα εκπαίδευσης και να εφαρμοστούν σε νέες απεικονίσεις για την ταξινόμηση των εικονοστοιχείων σε προκαθορισμένες κατηγορίες.

''δ) Διαφοροποίηση απεικονίσεων μεταξύ σύντομων χρονικών διαστημάτων και ανίχνευση αλλαγών''

Οι μέθοδοι ανίχνευσης αλλαγής με χρήση πολυχρονικών απεικονίσεων εφαρμόζονται συνήθως για να καθορίσουν τις αλλαγές χρήσης της γης, όπως η αποψίλωση των δασών, λόγω της συνεπούς και επαναλαμβανόμενης διαθεσιμότητας των εικόνων. Πρόσφατα, αρκετές μελέτες έχουν χρησιμοποιήσει αυτές τις τεχνικές για την πληθυσμιακή εκτίμηση των ζώων. Σε μελέτες μικρής κλίμακας, έχει γίνει ανίχνευση ζώων μέσω της μεταβολής της φασματικής ανάκλασης των εικονοστοιχείων ανάμεσα σε δύο σύνολα απεικονίσεων, η οποία προέκυψε από τις μετακινήσεις των ζώων σε σχέση με το στατικό υπόβαθρο. Αυτοματοποιημένες και ημι-αυτοματοποιημένες μέθοδοι, όπως αυτές που χρησιμοποιούνται για την ανίχνευση της διαφοροποίησης των εικόνων, συνιστώνται για μελέτες μεγάλης κλίμακας που ξεπερνούν μερικά τετραγωνικά χιλιόμετρα, κυρίως λόγω του χρόνου που απαιτείται για τις χειροκίνητες καταμετρήσεις.

Η ανίχνευση αλλαγών στην ανάλυση τοπίου εφαρμόζεται συχνά σε απεικονίσεις χαμηλής και μέσης ανάλυσης. Έχει αποτύχει ως προς την εφαρμογή της σε πολύ υψηλής ανάλυσης απεικονίσεις (VHR ), λόγω της μειωμένης δυνατότητας για ακριβή αντιστοίχιση μεταξύ των απεικονίσεων ( orthorectification - ορθοαναγωγή ), οδηγώντας σε αναντιστοιχίες σε χαρακτηριστικά τοπίου, που τα κάνουν να φαίνονται διαφορετικά. Η μεγάλη μεταβλητότητα της φασματικής ανάκλασης περιπλέκει, επίσης, τη διάκριση μεταξύ των πραγματικών διαφοροποιήσεων και του θορύβου στο υπόβαθρο.
Παρά τις χαμηλές απαιτήσεις ως προς την ανάλυση, το κόστος της συγκεκριμένης μεθόδου μπορεί να είναι περιοριστικό, επειδή απαιτούνται δύο σειρές απεικονίσεων, οι οποίες θα πρέπει να λαμβάνονται από τον ίδιο αισθητήρα, την ίδια ώρα της ημέρας και σε διάστημα μικρότερο από μία εβδομάδα, ώστε να ελαχιστοποιηθούν οι αλλαγές στη γωνία του ήλιου και στη βλάστηση.

''ε) Αντικειμενοστρεφής ανάλυση εικόνας ''

Οι περισσότερες μελέτες αναγνώρισης ζώων έχουν χρησιμοποιήσει προσεγγίσεις βασισμένες στην ανάλυση των εικονοστοιχείων (pixel-based). Ωστόσο, έχουν προταθεί εναλλακτικές μέθοδοι αντικειμενοστρεφούς ανάλυσης της εικόνας (OBIA- Object- based image analysis), οι οποίες έχουν δείξει βελτίωση σε σχέση με τις προσεγγίσεις που βασίζονται στην ανάλυση των εικονοστοιχείων ως προς ορισμένα χαρακτηριστικά. Η μονάδα ανάλυσης στην OBIA είναι το αντικείμενο, και τα γειτονικά του αντικείμενα μπορούν να παράσχουν συνάφεια ως προς τις χωρικές σχέσεις, την υφή και το σχήμα.

Οι μέθοδοι OBIA έχουν χρησιμοποιηθεί κυρίως για την ταξινόμηση της κάλυψης και των χρήσεων γης, όπου θεωρούνται γενικά ανώτερες από τις παραδοσιακές pixel-based μεθόδους, καθώς μειώνουν τη φασματική αλληλεπικάλυψη μεταξύ των κλάσεων, μπορούν να ενσωματώσουν ειδικές γνώσεις, να λαμβάνουν υπόψη τόσο τις φασματικές όσο και τις χωρικές πληροφορίες και να παράγουν μεγαλύτερης ακρίβειας ταξινόμηση.
Έχουν όμως χρησιμοποιηθεί και για τον εντοπισμό μεμονωμένων ζώων. Για παράδειγμα, μια αυτοματοποιημένη μέθοδος OBIA, η οποία χρησιμοποιεί κατάτμηση εικόνας τύπου Quadtree, έχει εφαρμοσθεί για την εκτίμηση ενός πληθυσμού Φοινικόπτερων (''Phoeniconaias minor'') σε μια περιοχή 525 εκταρίων, εμφανίζοντας ακρίβεια ανίχνευσης μεγαλύτερη από 99%, και καταμετρώντας περισσότερα από 81.000 άτομα. Το Quadtree είναι ένας τύπος επιλογής κατάτμησης εικόνας, που χωρίζει μια απεικόνιση ψηφιδωτού (raster image) σε τετράγωνα αντικείμενα, με βάση τις σχετικές τιμές της φωτεινότητας των γειτονικών εικονοστοιχείων.

'''Όρια & περιορισμοί στην ανίχνευση ζώων από τηλεπισκοπικές απεικονίσεις'''

Η ανίχνευση μεμονωμένων ζώων με χρήση δεδομένων τηλεπισκόπησης, και χρησιμοποιώντας αυτοματοποιημένες και ημι-αυτοματοποιημένες τεχνικές, έχει ήδη εφαρμοσθεί με επιτυχία. Οι μέχρι σήμερα υπάρχουσες μελέτες, όμως, έχουν διεξαχθεί σε μικρές σε έκταση περιοχές, οι οποίες δεν υπερβαίνουν τα μερικά τετραγωνικά χιλιόμετρα, ή/και περιορίζονται σε σχετικά ομοιογενή περιβάλλοντα, όπου η αντίθεση μεταξύ ζώων και υπόβαθρου είναι υψηλή. Η ακριβής ανίχνευση ζώων σε μεγάλες σε έκταση περιοχές ήταν επιτυχής μόνο στις συγκριτικά ομοιογενείς πολικές περιοχές.

Οι περισσότερες τεχνικές ανάλυσης της τηλεπισκόπησης παρουσιάζουν μια σειρά από περιορισμούς (Πίνακας 2), αλλά οι αλγόριθμοι που έχουν εφαρμοστεί ήδη με επιτυχία σε μικρές περιοχές και για διάφορα είδη και τύπους απεικονίσεων, έχουν σαφή μελλοντική δυναμική (Πίνακας 1).

Το κόστος για την απόκτηση, την επεξεργασία και την ανάλυση των τηλεπισκοπικών απεικονίσεων, των τεχνικών δυνατοτήτων και του κατάλληλου λογισμικού, εξακολουθεί να είναι απαγορευτικό για πολλές κυβερνήσεις και οργανισμούς, παρά τη μείωση του κόστους των απεικονίσεων υψηλής ανάλυσης και την αύξηση της υπολογιστικής ισχύος.

Η επιβεβαίωση των αποτελεσμάτων ανάλυσης της τηλεπισκοπικής απεικόνισης με εκτιμήσεις που προέκυψαν από έρευνα πεδίου αποτελούν βασική απαίτηση, καθώς παράγοντες όπως οι ατμοσφαιρικές συνθήκες μπορούν να επηρεάσουν σημαντικά τα φασματικά αποτελέσματα και επομένως και τα αποτελέσματα της ανάλυσης. Όλες οι μέθοδοι ανίχνευσης μεμονωμένων ζώων από RS απεικονίσεις παρουσιάζουν σφάλματα ανίχνευσης.

'''Λογισμικά'''

Τα λογισμικά GIS (π.χ. QGIS και ArcGIS) χρησιμοποιούνται στα περισσότερα έργα που στοχεύουν στην αναγνώριση αντικειμένων από RS απεικονίσεις σε οικολογικές και περιβαλλοντικές εφαρμογές. Άλλα πιο εξειδικευμένα λογισμικά τηλεπισκόπησης μπορεί να έχουν περισσότερη χρησιμότητα και δύναμη, όπως το ERDAS IMAGINE (Hexagon Geospatial) και το ENVI (Envivo Inc.). Η αντικειμενοστρεφής ανάλυση της εικόνας (OBIA) υποστηρίζεται από τα λογισμικά ENVI και eCognition. Το eCognition έχει ήδη χρησιμοποιηθεί για να μετρήσει ζώα στη σαβάνα. Μέχρι στιγμής δεν έχει υπάρξει άμεση σύγκριση της αποτελεσματικότητας του λογισμικού GIS και άλλου λογισμικού επεξεργασίας εικόνας, ως προς την αναγνώριση και τον προσδιορισμό ζώων ή αντικειμένων σε RS απεικονίσεις.
Πολλά προγράμματα λογισμικού επεξεργασίας εικόνας που διατίθενται και χρησιμοποιούνται συνήθως σε άλλους επιστημονικούς τομείς (π.χ. βιοιατρική, μηχανική), όπως τα: Microsoft Visual Studio, c #, c ++, OpenCV, Mathematica, Python, Matlab, ImageJ και Erdas Imagine, μπορούν να αποτελέσουν πολύτιμα εργαλεία για την οικολογία, και ορισμένα από αυτά προσαρμόζονται ήδη στην αναγνώριση και την καταμέτρηση ζώων.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Παρά την ύπαρξη πολλών μελετών, οι οποίες χρησιμοποιούν μια ποικιλία μεθόδων για την ανίχνευση ζώων από τηλεπισκοπικές απεικονίσεις, η εφαρμογή τους παραμένει προβληματική σε πολλές περιπτώσεις. Οι μελέτες που έχουν παρουσιάσει σχετικά υψηλή ακρίβεια αποτελεσμάτων χρησιμοποιώντας αυτοματοποιημένες και ημι-αυτοματοποιημένες τεχνικές, έχουν διεξαχθεί σε μικρές χωρικές κλίμακες σε σχέση με το εύρος της γεωγραφικής εξάπλωσης του εκάστοτε είδους ενδιαφέροντος, ή/και σε ομοιογενή περιβάλλοντα όπως ο θαλάσσιος πάγος. Οι κύριοι περιορισμοί που συναντώνται γενικά είναι οι εξής: η σχετικά χαμηλή ακρίβεια των αυτοματοποιημένων τεχνικών ανίχνευσης όταν εφαρμόζονται σε μεγάλες χωρικές εκτάσεις, οι ψευδείς ανιχνεύσεις, και το κόστος των δεδομένων υψηλής χωρικής ανάλυσης.

Οι μελλοντικές εξελίξεις στην ανάλυση των δεδομένων τηλεπισκόπησης για πληθυσμιακές έρευνες θα βελτιώσουν τις δυνατότητες ανίχνευσης των ζώων. Σε αυτές συμπεριλαμβάνονται, η εξέλιξη των αλγόριθμων, η χρήση λογισμικού και τεχνολογίας, που μέχρι τώρα εφαρμόζονται σε άλλους επιστημονικούς τομείς, και η βελτίωση ως προς τη διαθεσιμότητα, τη προσβασιμότητα, το κόστος και την ποιότητα ανάλυσης των δεδομένων.

Οι τηλεπισκοπικές απεικονίσεις προσφέρουν συναρπαστικές νέες ευκαιρίες για τη μελέτη της οικολογίας, και ένας όλο και αυξανόμενος αριθμός μελετών αποδεικνύει την αποτελεσματικότητα των τεχνολογιών τηλεπισκόπησης στην εκτίμηση των πληθυσμών άγριων και οικόσιτων ζώων.

[[category:Απογραφή του πληθυσμού της]]

[[category: Οικολογία]]

Βρες το πράσινο πρόβατο! Μια κριτική επισκόπηση της χρήσης της τηλεπισκόπησης για την ανίχνευση και καταμέτρηση των ζώων

2019-03-03T15:19:43Z

Ntolka Eirini:

'''Βρες το πράσινο πρόβατο! Μια κριτική επισκόπηση της χρήσης της τηλεπισκόπησης για την ανίχνευση και καταμέτρηση των ζώων'''

'''Πρωτότυπος τίτλος:''' ''How do you find the green sheep? A critical review of the use of remotely sensed imagery to detect and count animals''

[[Εικόνα:RSpaperT6.1a_Ntolka.JPG | thumb| right|'''Πίνακας 1α. Αξιολογημένα άρθρα περιοδικών, στα οποία εφαρμόζονται αυτοματοποιημένες ή ημι-αυτοματοποιημένες τεχνικές τηλεπισκοπικής απεικόνισης για την άμεση ανίχνευση ζώων.''']]

'''Συγγραφείς: '''Tracey Hollings, Mark Burgman, Mary van Andel, Marius Gilbert, Timothy Robinson, Andrew Robinson

'''Δημοσιεύθηκε: ''' ''Methods in Ecology and Evolution 9 (4), Ιανουάριος 2018, DOI: 10.1111/2041-210x.12973 ''

[[Εικόνα:RSpaperT6.1b_Ntolka.JPG | thumb| right|'''Πίνακας 1β. Αξιολογημένα άρθρα περιοδικών, στα οποία εφαρμόζονται αυτοματοποιημένες ή ημι-αυτοματοποιημένες τεχνικές τηλεπισκοπικής απεικόνισης για την άμεση ανίχνευση ζώων.''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://besjournals.onlinelibrary.wiley.com/doi/abs/10.1111/2041-210X.12973]

[[Εικόνα:RSpaper6.2_Ntolka.JPG | thumb| right|'''Εικόνα 1. Χρήση ανιχνευτή σωματιδίων''' (Sbalzarini & Koumoutsakos, 2005)''' στο λογισμικό ImageJ, το οποίο είναι σχεδιασμένο για την απεικόνιση βίντεο στην κυτταρική βιολογία, για τον εντοπισμό προβάτων:''' (α) αρχική εικόνα μιας καλλιεργούμενης περιοχής στην NZ σε ανάλυση 0,4 m, β) πρόγραμμα ανίχνευσης σωματιδίων για αυτοματοποιημένο εντοπισμό «σωματιδίων» (κόκκινοι κύκλοι), για την ανίχνευση προβάτων, γ) αντιπροσωπευτική περιαστική γεωργική περιοχή μικρής κλίμακας στη ΝΖ, με ανάλυση 0,4m, δ) ανιχνευτής σωματιδίων για την ανίχνευση προβάτων. Σε αυτό το ετερογενές τοπίο έχει λιγότερη επιτυχία, με πολλούς ψευδείς εντοπισμούς. Εικόνες από http://data.linz.govt.nz ]]

'''Λέξεις-Κλειδιά: ''' γεωργία, ζώα, ανίχνευση, πληθυσμιακή έρευνα, τηλεπισκόπηση, δορυφορική απεικόνιση, άγρια πανίδα

'''Εισαγωγή'''

[[Εικόνα:RSpaperT6.3_Ntolka.JPG | thumb| right|'''Πίνακας 2. Πλεονεκτήματα και περιορισμοί των μεθόδων που χρησιμοποιούνται για την ανίχνευση ζώων σε τηλεπισκοπικές απεικονίσεις.''']]

Δεδομένα σχετικά με την αφθονία των ζώων είναι απαραίτητα για την προστασία των ειδών που απειλούνται με εξαφάνιση, την παρακολούθηση των εισβλητικών ειδών, τη βιοασφάλεια, τις γεωργικές εφαρμογές και την παρακολούθηση της άγριας πανίδας. Ωστόσο, η απόκτηση δεδομένων αφθονίας αποτελεί μια μακροχρόνια πρόκληση. Η πρόσφατη πρόοδος στην ανάλυση των τηλεπισκοπικών απεικονίσεων, καθώς και των εργαλείων και του λογισμικού επεξεργασίας τους, βελτίωσαν σε μεγάλο βαθμό τις μεθόδους ανίχνευσης μεμονωμένων, και γενικά μεγάλων σε μέγεθος, ζώων. Η δυνατότητα παρακολούθησης και μελέτης των πληθυσμών με χρήση τηλεπισκοπικών δεδομένων αποτελεί μια συναρπαστική νέα εξέλιξη στη μελέτη της οικολογίας των ζώων.

Στην παρούσα εργασία, πραγματοποιείται μια διερεύνηση των μεθόδων που χρησιμοποιούνται στην ανάλυση των τηλεπισκοπικών απεικονίσεων ως προς τη δυνατότητα χρήσης τους για την πληθυσμιακή εκτίμηση άγριων και κτηνοτροφικών ζώων, μέσω του εντοπισμού, της αναγνώρισης και της καταμέτρησης μεμονωμένων ατόμων.

'''Μέθοδοι για την άμεση ανίχνευση ζώων με χρήση τηλεπισκοπικής απεικόνισης'''

Έχουν διερευνηθεί πολλές μέθοδοι για τον άμεσο εντοπισμό και την καταμέτρηση μεμονωμένων, γενικά μεγάλων σε μέγεθος ζώων (> 10 κιλών) από τηλεπισκοπικές απεικονίσεις (Πίνακας 1):

'''Α)''' Στις '''χειροκίνητες καταμετρήσεις''' (manual counts) αναλυτές εντοπίζουν, αναγνωρίζουν και καταμετρούν τα ζώα σε τηλεπισκοπικές απεικονίσεις (RS απεικονίσεις). Τέτοιου είδους μέθοδοι έχουν χρησιμοποιηθεί για δεκαετίες, αλλά μπορεί να είναι χρονοβόρες, υποκειμενικές και δαπανηρές, λόγω του κόστους εργασίας για την προετοιμασία και την ανάλυση των εικόνων.
Η απαίτησή τους σε χρόνο και εργασία είναι τόσο μεγάλη, που δεν έχουν εφαρμοστεί με επιτυχία σε περιοχές με έκταση μεγαλύτερη από μερικά τετραγωνικά χιλιόμετρα. Ενώ σε σύγκριση με αντίστοιχες έρευνες πεδίου, εμφανίζονται συχνά επιρρεπείς προς την υποεκτίμηση του μεγέθους ενός πληθυσμού, καθώς μερικά ζώα μπορεί να είναι κρυμμένα και να μην εντοπίζονται από τον αναλυτή.

'''Β) Πληθοπορισμός & επιστήμη των πολιτών '''(Crowd sourcing citizen science). Μια εναλλακτική προσέγγιση για τη χειροκίνητη καταμέτρηση των ζώων από RS απεικονίσεις είναι η χρήση πλατφόρμων crowdsourcing. Το crowdsourcing είναι ιδιαίτερα χρήσιμο τόσο για τη συλλογή όσο και για τη δημιουργία χωρικών δεδομένων. Για παράδειγμα, το Geo-Wiki αποτελεί μια διαδικτυακή πλατφόρμα, όπου εθελοντές βελτιώνουν την ποιότητα των χαρτών κάλυψης γης, χρησιμοποιώντας σύνολα δεδομένων από το Google Earth.

'''Γ) Αυτοματοποιημένες & ημιαυτοματοποιημένες μέθοδοι.'''
Τη στιγμή της συγγραφής της παρούσας επισκόπησης, όλες οι μελέτες που είχαν χρησιμοποιήσει αυτοματοποιημένες τεχνικές για την πληθυσμιακή εκτίμηση ζώων μέσω του άμεσου εντοπισμού μεμονωμένων ατόμων σε RS απεικονίσεις, είχαν το χαρακτήρα ''proof-of-concept'' εργασίας (δοκιμαστικής εφαρμογής για την επικύρωση της ιδέας), και εφαρμόστηκαν σε σχετικά μικρές περιοχές, συνήθως όχι μεγαλύτερες από μερικά τετραγωνικά χιλιόμετρα, και σε σχετικά ομοιογενή περιβάλλοντα. Οι δύο πρώτες απόπειρες αυτοματοποίησης της καταμέτρησης μεμονωμένων ζώων από δορυφορικές απεικονίσεις με χωρική ανάλυση 1 m έγιναν χρησιμοποιώντας ένα μοντέλο σήματος, το οποίο είχε αρχικά αναπτυχθεί για ανθυποβρυχιακό πόλεμο (antisubmarine warfare) και την ανίχνευση ναρκών, και χρησιμοποιώντας ένα λογισμικό που αναπτύχθηκε για τις ιατρικές απεικονίσεις (ImageTool).

Οι αυτοματοποιημένες ή ημιαυτοποιημένες τεχνολογίες για την πληθυσμιακή εκτίμηση των ζώων, άρχισαν να εφαρμόζονται στην οικολογία για περιοχές που είναι δύσκολες στην πρόσβαση, όπου οι έρευνες πεδίου αποτελούν πρόκληση ή τα ζώα εμφανίζουν χαμηλές πυκνότητες σε μεγάλες σε έκταση περιοχές (π.χ. αυτοκρατορικός πιγκουίνος, πολική αρκούδα). Η ικανότητα των λογισμικών επεξεργασίας εικόνας να ενσωματώνουν την υφή (texture), το σχήμα (shape), την απαρίθμηση (enumeration) και τη συνάφεια (context)έχει βελτιώσει σε μεγάλο βαθμό την ανίχνευση και την ταξινόμηση των αντικειμένων. Η κρίση των ειδικών επιστημόνων μπορεί επίσης να βελτιώσει τις αυτοματοποιημένες τεχνικές, π.χ. εντοπίζοντας πηγές συστηματικού σφάλματος.

''α) Κατάτμηση εικόνας''

Η διάκριση των ζώων από το περιβάλλον τους σε μια εικόνα εξαρτάται περισσότερο από την αντίθεση τους με το υπόβαθρο- φόντο (Εικόνα 1) παρά από την χωρική ανάλυση. Η διάκριση των αντικειμένων ενδιαφέροντος από το υπόβαθρο κατά την επεξεργασία των τηλεπισκοπικών απεικονίσεων πραγματοποιείται με κατάτμηση της εικόνας (image segmentation).

Το ''thresholding ''(τεχνική διαχωρισμού κατηγοριών με τιμή κατωφλίου) αποτελεί την απλούστερη και συνηθέστερη μέθοδο, κατά την οποία τα εικονοστοιχεία κατηγοριοποιούνται σε πολλαπλά διακριτικά χαρακτηριστικά, τα οποία βασίζονται σε μια τιμή έντασης σε σχέση με μια τιμή κατωφλίου. Η τεχνική thresholding είχε κάποια επιτυχία σε μικρής έκτασης περιοχές, όπου οι πληθυσμιακές εκτιμήσεις συσχετίζονταν συχνά σε μεγάλο βαθμό με έρευνες πεδίου ή χειροκίνητες καταμετρήσεις. Η τεχνική κατάτμησης της εικόνας έχει αποδειχθεί ότι υπερβαίνει τις άλλες αυτοματοποιημένες μεθόδους σε ορισμένες περιπτώσεις, συμπεριλαμβανομένης και της επιβλεπόμενης και της μη επιβλεπόμενης ταξινόμησης.

''β) Επιβλεπόμενη & μη επιβλεπόμενη ταξινόμηση ''

Η ''επιβλεπόμενη ταξινόμηση'' χρησιμοποιείται συχνά για την αναγνώριση των ζώων σε RS απεικονίσεις. Οι χρήστες ταξινομούν γνωστά αντικείμενα, τα οποία «εκπαιδεύουν» τους αλγόριθμους επεξεργασίας της εικόνας. Ο μέσος όρος και η διακύμανση των φασματικών υπογραφών των δεδομένων εκπαίδευσης χρησιμοποιούνται στη συνέχεια, για να ταξινομηθούν τα εικονοστοιχεία της εικόνας που απομένουν. Παρ’ όλα αυτά, η επιβλεπόμενη ταξινόμηση δεν είναι τόσο επιτυχημένη στην ανίχνευση μεμονωμένων ζώων όσο άλλες μέθοδοι (Πίνακας 1). Η ποιότητά της εξαρτάται σε μεγάλο βαθμό από τις γνώσεις του χρήστη και την ικανότητα του να προσδιορίζει σωστά τα δεδομένα εκπαίδευσης, από τη δυνατότητα διάκρισης μεταξύ των φασματικών υπογραφών και από την ακρίβεια αντιπροσώπευσης της μεταβλητότητας των κλάσεων που αντιπροσωπεύουν τα ζώα μέσα στα δεδομένα εκπαίδευσης.

Η ''μη επιβλεπόμενη ταξινόμηση ''χρησιμοποιεί στατιστικούς αλγόριθμους για την ομαδοποίηση εικονοστοιχείων βάσει φασματικών πληροφοριών, προσδιορίζοντας μοναδικά χαρακτηριστικά σε ένα τοπίο, με περιορισμένες εισροές (inputs) από το χρήστη. Η πιθανότητα ανίχνευσης με τη χρήση της συγκεκριμένης μεθόδου μπορεί να είναι υψηλή (M = 80% για κτηνοτροφικά ζώα, με ένα εύρος 55% -100% ανάμεσα σε επτά απεικονίσεις) και συγκρίσιμη με τις χειροκίνητες μετρήσεις. Ωστόσο, έχουν παρατηρηθεί υψηλά επίπεδα υπερ- καταμέτρησης ζώων (μέσο λειτουργικό σφάλμα= 69%, εύρος σφάλματος= 28% -98%), υπερεκτιμώντας έτσι τους πληθυσμούς.

''γ) Προσδιορισμός των φασματικών υπογραφών των ειδών των ζώων ή ειδικών χαρακτηριστικών ''

Οι φασματικές υπογραφές και τα φασματικά προφίλ μπορούν να διακρίνουν τα διαφορετικά είδη ζώων σε δορυφορικές απεικονίσεις. Παλαιότερες μελέτες είχαν ελάχιστη επιτυχία στον προσδιορισμό μιας μοναδικής φασματικής υπογραφής στο ορατό- εγγύς υπέρυθρο εύρος του φάσματος της φωτεινής ακτινοβολίας, για ελάφια. Πιο πρόσφατα, με τη χρήση φασματικών ή θερμικών προφίλ έχει γίνει διάκριση μεταξύ μεγάλου μεγέθους ειδών κτηνοτροφικών ζώων, συμπεριλαμβανομένων των προβάτων, των χοίρων, των αλόγων και των αγελάδων, καθώς και μεταξύ θηλαστικών και τοπίων. Όμως, η φασματική διαχωριστικότητα μεταξύ θηλαστικών και σκιών παραμένει φτωχή. Αυτές οι μελέτες χρησιμοποιούν διαφορετικές πηγές δεδομένων, μεθόδους για την ανίχνευση της φασματικής διαχωριστικότητας και διαδικασίες για την αξιολόγηση της φασματικής αλληλεπικάλυψης μεταξύ διαφορετικών ειδών ζώων και μεταξύ των ζώων και του υπόβαθρου. Οι φασματικές υπογραφές των ειδών μπορούν να χρησιμοποιηθούν ως δεδομένα εκπαίδευσης και να εφαρμοστούν σε νέες απεικονίσεις για την ταξινόμηση των εικονοστοιχείων σε προκαθορισμένες κατηγορίες.

''δ) Διαφοροποίηση απεικονίσεων μεταξύ σύντομων χρονικών διαστημάτων και ανίχνευση αλλαγών''

Οι μέθοδοι ανίχνευσης αλλαγής με χρήση πολυχρονικών απεικονίσεων εφαρμόζονται συνήθως για να καθορίσουν τις αλλαγές χρήσης της γης, όπως η αποψίλωση των δασών, λόγω της συνεπούς και επαναλαμβανόμενης διαθεσιμότητας των εικόνων. Πρόσφατα, αρκετές μελέτες έχουν χρησιμοποιήσει αυτές τις τεχνικές για την πληθυσμιακή εκτίμηση των ζώων. Σε μελέτες μικρής κλίμακας, έχει γίνει ανίχνευση ζώων μέσω της μεταβολής της φασματικής ανάκλασης των εικονοστοιχείων ανάμεσα σε δύο σύνολα απεικονίσεων, η οποία προέκυψε από τις μετακινήσεις των ζώων σε σχέση με το στατικό υπόβαθρο. Αυτοματοποιημένες και ημι-αυτοματοποιημένες μέθοδοι, όπως αυτές που χρησιμοποιούνται για την ανίχνευση της διαφοροποίησης των εικόνων, συνιστώνται για μελέτες μεγάλης κλίμακας που ξεπερνούν μερικά τετραγωνικά χιλιόμετρα, κυρίως λόγω του χρόνου που απαιτείται για τις χειροκίνητες καταμετρήσεις.

Η ανίχνευση αλλαγών στην ανάλυση τοπίου εφαρμόζεται συχνά σε απεικονίσεις χαμηλής και μέσης ανάλυσης. Έχει αποτύχει ως προς την εφαρμογή της σε πολύ υψηλής ανάλυσης απεικονίσεις (VHR ), λόγω της μειωμένης δυνατότητας για ακριβή αντιστοίχιση μεταξύ των απεικονίσεων ( orthorectification - ορθοαναγωγή ), οδηγώντας σε αναντιστοιχίες σε χαρακτηριστικά τοπίου, που τα κάνουν να φαίνονται διαφορετικά. Η μεγάλη μεταβλητότητα της φασματικής ανάκλασης περιπλέκει, επίσης, τη διάκριση μεταξύ των πραγματικών διαφοροποιήσεων και του θορύβου στο υπόβαθρο.
Παρά τις χαμηλές απαιτήσεις ως προς την ανάλυση, το κόστος της συγκεκριμένης μεθόδου μπορεί να είναι περιοριστικό, επειδή απαιτούνται δύο σειρές απεικονίσεων, οι οποίες θα πρέπει να λαμβάνονται από τον ίδιο αισθητήρα, την ίδια ώρα της ημέρας και σε διάστημα μικρότερο από μία εβδομάδα, ώστε να ελαχιστοποιηθούν οι αλλαγές στη γωνία του ήλιου και στη βλάστηση.

''ε) Αντικειμενοστρεφής ανάλυση εικόνας ''

Οι περισσότερες μελέτες αναγνώρισης ζώων έχουν χρησιμοποιήσει προσεγγίσεις βασισμένες στην ανάλυση των εικονοστοιχείων (pixel-based). Ωστόσο, έχουν προταθεί εναλλακτικές μέθοδοι αντικειμενοστρεφούς ανάλυσης της εικόνας (OBIA- Object- based image analysis), οι οποίες έχουν δείξει βελτίωση σε σχέση με τις προσεγγίσεις που βασίζονται στην ανάλυση των εικονοστοιχείων ως προς ορισμένα χαρακτηριστικά. Η μονάδα ανάλυσης στην OBIA είναι το αντικείμενο, και τα γειτονικά του αντικείμενα μπορούν να παράσχουν συνάφεια ως προς τις χωρικές σχέσεις, την υφή και το σχήμα.

Οι μέθοδοι OBIA έχουν χρησιμοποιηθεί κυρίως για την ταξινόμηση της κάλυψης και των χρήσεων γης, όπου θεωρούνται γενικά ανώτερες από τις παραδοσιακές pixel-based μεθόδους, καθώς μειώνουν τη φασματική αλληλεπικάλυψη μεταξύ των κλάσεων, μπορούν να ενσωματώσουν ειδικές γνώσεις, να λαμβάνουν υπόψη τόσο τις φασματικές όσο και τις χωρικές πληροφορίες και να παράγουν μεγαλύτερης ακρίβειας ταξινόμηση.
Έχουν όμως χρησιμοποιηθεί και για τον εντοπισμό μεμονωμένων ζώων. Για παράδειγμα, μια αυτοματοποιημένη μέθοδος OBIA, η οποία χρησιμοποιεί κατάτμηση εικόνας τύπου Quadtree, έχει εφαρμοσθεί για την εκτίμηση ενός πληθυσμού Φοινικόπτερων (''Phoeniconaias minor'') σε μια περιοχή 525 εκταρίων, εμφανίζοντας ακρίβεια ανίχνευσης μεγαλύτερη από 99%, και καταμετρώντας περισσότερα από 81.000 άτομα. Το Quadtree είναι ένας τύπος επιλογής κατάτμησης εικόνας, που χωρίζει μια απεικόνιση ψηφιδωτού (raster image) σε τετράγωνα αντικείμενα, με βάση τις σχετικές τιμές της φωτεινότητας των γειτονικών εικονοστοιχείων.

'''Όρια & περιορισμοί στην ανίχνευση ζώων από τηλεπισκοπικές απεικονίσεις'''

Η ανίχνευση μεμονωμένων ζώων με χρήση δεδομένων τηλεπισκόπησης, και χρησιμοποιώντας αυτοματοποιημένες και ημι-αυτοματοποιημένες τεχνικές, έχει ήδη εφαρμοσθεί με επιτυχία. Οι μέχρι σήμερα υπάρχουσες μελέτες, όμως, έχουν διεξαχθεί σε μικρές σε έκταση περιοχές, οι οποίες δεν υπερβαίνουν τα μερικά τετραγωνικά χιλιόμετρα, ή/και περιορίζονται σε σχετικά ομοιογενή περιβάλλοντα, όπου η αντίθεση μεταξύ ζώων και υπόβαθρου είναι υψηλή. Η ακριβής ανίχνευση ζώων σε μεγάλες σε έκταση περιοχές ήταν επιτυχής μόνο στις συγκριτικά ομοιογενείς πολικές περιοχές.

Οι περισσότερες τεχνικές ανάλυσης της τηλεπισκόπησης παρουσιάζουν μια σειρά από περιορισμούς (Πίνακας 2), αλλά οι αλγόριθμοι που έχουν εφαρμοστεί ήδη με επιτυχία σε μικρές περιοχές και για διάφορα είδη και τύπους απεικονίσεων, έχουν σαφή μελλοντική δυναμική (Πίνακας 1).

Το κόστος για την απόκτηση, την επεξεργασία και την ανάλυση των τηλεπισκοπικών απεικονίσεων, των τεχνικών δυνατοτήτων και του κατάλληλου λογισμικού, εξακολουθεί να είναι απαγορευτικό για πολλές κυβερνήσεις και οργανισμούς, παρά τη μείωση του κόστους των απεικονίσεων υψηλής ανάλυσης και την αύξηση της υπολογιστικής ισχύος.

Η επιβεβαίωση των αποτελεσμάτων ανάλυσης της τηλεπισκοπικής απεικόνισης με εκτιμήσεις που προέκυψαν από έρευνα πεδίου αποτελούν βασική απαίτηση, καθώς παράγοντες όπως οι ατμοσφαιρικές συνθήκες μπορούν να επηρεάσουν σημαντικά τα φασματικά αποτελέσματα και επομένως και τα αποτελέσματα της ανάλυσης. Όλες οι μέθοδοι ανίχνευσης μεμονωμένων ζώων από RS απεικονίσεις παρουσιάζουν σφάλματα ανίχνευσης.

'''Λογισμικά'''

Τα λογισμικά GIS (π.χ. QGIS και ArcGIS) χρησιμοποιούνται στα περισσότερα έργα που στοχεύουν στην αναγνώριση αντικειμένων από RS απεικονίσεις σε οικολογικές και περιβαλλοντικές εφαρμογές. Άλλα πιο εξειδικευμένα λογισμικά τηλεπισκόπησης μπορεί να έχουν περισσότερη χρησιμότητα και δύναμη, όπως το ERDAS IMAGINE (Hexagon Geospatial) και το ENVI (Envivo Inc.). Η αντικειμενοστρεφής ανάλυση της εικόνας (OBIA) υποστηρίζεται από τα λογισμικά ENVI και eCognition. Το eCognition έχει ήδη χρησιμοποιηθεί για να μετρήσει ζώα στη σαβάνα. Μέχρι στιγμής δεν έχει υπάρξει άμεση σύγκριση της αποτελεσματικότητας του λογισμικού GIS και άλλου λογισμικού επεξεργασίας εικόνας, ως προς την αναγνώριση και τον προσδιορισμό ζώων ή αντικειμένων σε RS απεικονίσεις.
Πολλά προγράμματα λογισμικού επεξεργασίας εικόνας που διατίθενται και χρησιμοποιούνται συνήθως σε άλλους επιστημονικούς τομείς (π.χ. βιοιατρική, μηχανική), όπως τα: Microsoft Visual Studio, c #, c ++, OpenCV, Mathematica, Python, Matlab, ImageJ και Erdas Imagine, μπορούν να αποτελέσουν πολύτιμα εργαλεία για την οικολογία, και ορισμένα από αυτά προσαρμόζονται ήδη στην αναγνώριση και την καταμέτρηση ζώων.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Παρά την ύπαρξη πολλών μελετών, οι οποίες χρησιμοποιούν μια ποικιλία μεθόδων για την ανίχνευση ζώων από τηλεπισκοπικές απεικονίσεις, η εφαρμογή τους παραμένει προβληματική σε πολλές περιπτώσεις. Οι μελέτες που έχουν παρουσιάσει σχετικά υψηλή ακρίβεια αποτελεσμάτων χρησιμοποιώντας αυτοματοποιημένες και ημι-αυτοματοποιημένες τεχνικές, έχουν διεξαχθεί σε μικρές χωρικές κλίμακες σε σχέση με το εύρος της γεωγραφικής εξάπλωσης του εκάστοτε είδους ενδιαφέροντος, ή/και σε ομοιογενή περιβάλλοντα όπως ο θαλάσσιος πάγος. Οι κύριοι περιορισμοί που συναντώνται γενικά είναι οι εξής: η σχετικά χαμηλή ακρίβεια των αυτοματοποιημένων τεχνικών ανίχνευσης όταν εφαρμόζονται σε μεγάλες χωρικές εκτάσεις, οι ψευδείς ανιχνεύσεις, και το κόστος των δεδομένων υψηλής χωρικής ανάλυσης.
Οι μελλοντικές εξελίξεις στην ανάλυση των δεδομένων τηλεπισκόπησης για πληθυσμιακές έρευνες θα βελτιώσουν τις δυνατότητες ανίχνευσης των ζώων. Σε αυτές συμπεριλαμβάνονται, η εξέλιξη των αλγόριθμων, η χρήση λογισμικού και τεχνολογίας, που μέχρι τώρα εφαρμόζονται σε άλλους επιστημονικούς τομείς, και η βελτίωση ως προς τη διαθεσιμότητα, τη προσβασιμότητα, το κόστος και την ποιότητα ανάλυσης των δεδομένων.
Οι τηλεπισκοπικές απεικονίσεις προσφέρουν συναρπαστικές νέες ευκαιρίες για τη μελέτη της οικολογίας, και ένας όλο και αυξανόμενος αριθμός μελετών αποδεικνύει την αποτελεσματικότητα των τεχνολογιών τηλεπισκόπησης στην εκτίμηση των πληθυσμών άγριων και οικόσιτων ζώων.

[[category:Απογραφή του πληθυσμού της]]

[[category: Οικολογία]]

Βρες το πράσινο πρόβατο! Μια κριτική επισκόπηση της χρήσης της τηλεπισκόπησης για την ανίχνευση και καταμέτρηση των ζώων

2019-03-03T15:17:01Z

Ntolka Eirini:

'''Βρες το πράσινο πρόβατο! Μια κριτική επισκόπηση της χρήσης της τηλεπισκόπησης για την ανίχνευση και καταμέτρηση των ζώων'''

'''Πρωτότυπος τίτλος:''' ''How do you find the green sheep? A critical review of the use of remotely sensed imagery to detect and count animals''

[[Εικόνα:RSpaperT6.1a_Ntolka.JPG | thumb| right|'''Πίνακας 1α. Αξιολογημένα άρθρα περιοδικών, στα οποία εφαρμόζονται αυτοματοποιημένες ή ημι-αυτοματοποιημένες τεχνικές τηλεπισκοπικής απεικόνισης για την άμεση ανίχνευση ζώων.''']]

'''Συγγραφείς: '''Tracey Hollings, Mark Burgman, Mary van Andel, Marius Gilbert, Timothy Robinson, Andrew Robinson

'''Δημοσιεύθηκε: ''' ''Methods in Ecology and Evolution 9 (4), Ιανουάριος 2018, DOI: 10.1111/2041-210x.12973 ''

[[Εικόνα:RSpaperT6.1b_Ntolka.JPG | thumb| right|'''Πίνακας 1β. Αξιολογημένα άρθρα περιοδικών, στα οποία εφαρμόζονται αυτοματοποιημένες ή ημι-αυτοματοποιημένες τεχνικές τηλεπισκοπικής απεικόνισης για την άμεση ανίχνευση ζώων.''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://besjournals.onlinelibrary.wiley.com/doi/abs/10.1111/2041-210X.12973]

[[Εικόνα:RSpaper6.2_Ntolka.JPG | thumb| right|'''Εικόνα 1. Χρήση ανιχνευτή σωματιδίων''' (Sbalzarini & Koumoutsakos, 2005)''' στο λογισμικό ImageJ, το οποίο είναι σχεδιασμένο για την απεικόνιση βίντεο στην κυτταρική βιολογία, για τον εντοπισμό προβάτων:''' (α) αρχική εικόνα μιας καλλιεργούμενης περιοχής στην NZ σε ανάλυση 0,4 m, β) πρόγραμμα ανίχνευσης σωματιδίων για αυτοματοποιημένο εντοπισμό «σωματιδίων» (κόκκινοι κύκλοι), για την ανίχνευση προβάτων, γ) αντιπροσωπευτική περιαστική γεωργική περιοχή μικρής κλίμακας στη ΝΖ, με ανάλυση 0,4m, δ) ανιχνευτής σωματιδίων για την ανίχνευση προβάτων. Σε αυτό το ετερογενές τοπίο έχει λιγότερη επιτυχία, με πολλούς ψευδείς εντοπισμούς. Εικόνες από http://data.linz.govt.nz ]]

'''Λέξεις-Κλειδιά: ''' γεωργία, ζώα, ανίχνευση, πληθυσμιακή έρευνα, τηλεπισκόπηση, δορυφορική απεικόνιση, άγρια πανίδα

'''Εισαγωγή'''

[[Εικόνα:RSpaperT6.3_Ntolka.JPG | thumb| right|'''Πίνακας 2. Πλεονεκτήματα και περιορισμοί των μεθόδων που χρησιμοποιούνται για την ανίχνευση ζώων σε τηλεπισκοπικές απεικονίσεις.''']]

Δεδομένα σχετικά με την αφθονία των ζώων είναι απαραίτητα για την προστασία των ειδών που απειλούνται με εξαφάνιση, την παρακολούθηση των εισβλητικών ειδών, τη βιοασφάλεια, τις γεωργικές εφαρμογές και την παρακολούθηση της άγριας πανίδας. Ωστόσο, η απόκτηση δεδομένων αφθονίας αποτελεί μια μακροχρόνια πρόκληση. Η πρόσφατη πρόοδος στην ανάλυση των τηλεπισκοπικών απεικονίσεων, καθώς και των εργαλείων και του λογισμικού επεξεργασίας τους, βελτίωσαν σε μεγάλο βαθμό τις μεθόδους ανίχνευσης μεμονωμένων, και γενικά μεγάλων σε μέγεθος, ζώων. Η δυνατότητα παρακολούθησης και μελέτης των πληθυσμών με χρήση τηλεπισκοπικών δεδομένων αποτελεί μια συναρπαστική νέα εξέλιξη στη μελέτη της οικολογίας των ζώων.

Στην παρούσα εργασία, πραγματοποιείται μια διερεύνηση των μεθόδων που χρησιμοποιούνται στην ανάλυση των τηλεπισκοπικών απεικονίσεων ως προς τη δυνατότητα χρήσης τους για την πληθυσμιακή εκτίμηση άγριων και κτηνοτροφικών ζώων, μέσω του εντοπισμού, της αναγνώρισης και της καταμέτρησης μεμονωμένων ατόμων.

'''Μέθοδοι για την άμεση ανίχνευση ζώων με χρήση τηλεπισκοπικής απεικόνισης'''

Έχουν διερευνηθεί πολλές μέθοδοι για τον άμεσο εντοπισμό και την καταμέτρηση μεμονωμένων, γενικά μεγάλων σε μέγεθος ζώων (> 10 κιλών) από τηλεπισκοπικές απεικονίσεις (Πίνακας 1):

'''Α)''' Στις '''χειροκίνητες καταμετρήσεις''' (manual counts) αναλυτές εντοπίζουν, αναγνωρίζουν και καταμετρούν τα ζώα σε τηλεπισκοπικές απεικονίσεις (RS απεικονίσεις). Τέτοιου είδους μέθοδοι έχουν χρησιμοποιηθεί για δεκαετίες, αλλά μπορεί να είναι χρονοβόρες, υποκειμενικές και δαπανηρές, λόγω του κόστους εργασίας για την προετοιμασία και την ανάλυση των εικόνων.
Η απαίτησή τους σε χρόνο και εργασία είναι τόσο μεγάλη, που δεν έχουν εφαρμοστεί με επιτυχία σε περιοχές με έκταση μεγαλύτερη από μερικά τετραγωνικά χιλιόμετρα. Ενώ σε σύγκριση με αντίστοιχες έρευνες πεδίου, εμφανίζονται συχνά επιρρεπείς προς την υποεκτίμηση του μεγέθους ενός πληθυσμού, καθώς μερικά ζώα μπορεί να είναι κρυμμένα και να μην εντοπίζονται από τον αναλυτή.

'''Β) Πληθοπορισμός & επιστήμη των πολιτών '''(Crowd sourcing citizen science). Μια εναλλακτική προσέγγιση για τη χειροκίνητη καταμέτρηση των ζώων από RS απεικονίσεις είναι η χρήση πλατφόρμων crowdsourcing. Το crowdsourcing είναι ιδιαίτερα χρήσιμο τόσο για τη συλλογή όσο και για τη δημιουργία χωρικών δεδομένων. Για παράδειγμα, το Geo-Wiki αποτελεί μια διαδικτυακή πλατφόρμα, όπου εθελοντές βελτιώνουν την ποιότητα των χαρτών κάλυψης γης, χρησιμοποιώντας σύνολα δεδομένων από το Google Earth.

'''Γ) Αυτοματοποιημένες & ημιαυτοματοποιημένες μέθοδοι.'''
Τη στιγμή της συγγραφής της παρούσας επισκόπησης, όλες οι μελέτες που είχαν χρησιμοποιήσει αυτοματοποιημένες τεχνικές για την πληθυσμιακή εκτίμηση ζώων μέσω του άμεσου εντοπισμού μεμονωμένων ατόμων σε RS απεικονίσεις, είχαν το χαρακτήρα ''proof-of-concept'' εργασίας (δοκιμαστικής εφαρμογής για την επικύρωση της ιδέας), και εφαρμόστηκαν σε σχετικά μικρές περιοχές, συνήθως όχι μεγαλύτερες από μερικά τετραγωνικά χιλιόμετρα, και σε σχετικά ομοιογενή περιβάλλοντα. Οι δύο πρώτες απόπειρες αυτοματοποίησης της καταμέτρησης μεμονωμένων ζώων από δορυφορικές απεικονίσεις με χωρική ανάλυση 1 m έγιναν χρησιμοποιώντας ένα μοντέλο σήματος, το οποίο είχε αρχικά αναπτυχθεί για ανθυποβρυχιακό πόλεμο (antisubmarine warfare) και την ανίχνευση ναρκών, και χρησιμοποιώντας ένα λογισμικό που αναπτύχθηκε για τις ιατρικές απεικονίσεις (ImageTool).

Οι αυτοματοποιημένες ή ημιαυτοποιημένες τεχνολογίες για την πληθυσμιακή εκτίμηση των ζώων, άρχισαν να εφαρμόζονται στην οικολογία για περιοχές που είναι δύσκολες στην πρόσβαση, όπου οι έρευνες πεδίου αποτελούν πρόκληση ή τα ζώα εμφανίζουν χαμηλές πυκνότητες σε μεγάλες σε έκταση περιοχές (π.χ. αυτοκρατορικός πιγκουίνος, πολική αρκούδα). Η ικανότητα των λογισμικών επεξεργασίας εικόνας να ενσωματώνουν την υφή (texture), το σχήμα (shape), την απαρίθμηση (enumeration) και τη συνάφεια (context)έχει βελτιώσει σε μεγάλο βαθμό την ανίχνευση και την ταξινόμηση των αντικειμένων. Η κρίση των ειδικών επιστημόνων μπορεί επίσης να βελτιώσει τις αυτοματοποιημένες τεχνικές, π.χ. εντοπίζοντας πηγές συστηματικού σφάλματος.

''α) Κατάτμηση εικόνας''

Η διάκριση των ζώων από το περιβάλλον τους σε μια εικόνα εξαρτάται περισσότερο από την αντίθεση τους με το υπόβαθρο- φόντο (Εικόνα 1) παρά από την χωρική ανάλυση. Η διάκριση των αντικειμένων ενδιαφέροντος από το υπόβαθρο κατά την επεξεργασία των τηλεπισκοπικών απεικονίσεων πραγματοποιείται με κατάτμηση της εικόνας (image segmentation).

Το ''thresholding ''(τεχνική διαχωρισμού κατηγοριών με τιμή κατωφλίου) αποτελεί την απλούστερη και συνηθέστερη μέθοδο, κατά την οποία τα εικονοστοιχεία κατηγοριοποιούνται σε πολλαπλά διακριτικά χαρακτηριστικά, τα οποία βασίζονται σε μια τιμή έντασης σε σχέση με μια τιμή κατωφλίου. Η τεχνική thresholding είχε κάποια επιτυχία σε μικρής έκτασης περιοχές, όπου οι πληθυσμιακές εκτιμήσεις συσχετίζονταν συχνά σε μεγάλο βαθμό με έρευνες πεδίου ή χειροκίνητες καταμετρήσεις. Η τεχνική κατάτμησης της εικόνας έχει αποδειχθεί ότι υπερβαίνει τις άλλες αυτοματοποιημένες μεθόδους σε ορισμένες περιπτώσεις, συμπεριλαμβανομένης και της επιβλεπόμενης και της μη επιβλεπόμενης ταξινόμησης.

''β) Επιβλεπόμενη & μη επιβλεπόμενη ταξινόμηση ''

Η ''επιβλεπόμενη ταξινόμηση'' χρησιμοποιείται συχνά για την αναγνώριση των ζώων σε RS απεικονίσεις. Οι χρήστες ταξινομούν γνωστά αντικείμενα, τα οποία «εκπαιδεύουν» τους αλγόριθμους επεξεργασίας της εικόνας. Ο μέσος όρος και η διακύμανση των φασματικών υπογραφών των δεδομένων εκπαίδευσης χρησιμοποιούνται στη συνέχεια, για να ταξινομηθούν τα εικονοστοιχεία της εικόνας που απομένουν. Παρ’ όλα αυτά, η επιβλεπόμενη ταξινόμηση δεν είναι τόσο επιτυχημένη στην ανίχνευση μεμονωμένων ζώων όσο άλλες μέθοδοι (Πίνακας 1). Η ποιότητά της εξαρτάται σε μεγάλο βαθμό από τις γνώσεις του χρήστη και την ικανότητα του να προσδιορίζει σωστά τα δεδομένα εκπαίδευσης, από τη δυνατότητα διάκρισης μεταξύ των φασματικών υπογραφών και από την ακρίβεια αντιπροσώπευσης της μεταβλητότητας των κλάσεων που αντιπροσωπεύουν τα ζώα μέσα στα δεδομένα εκπαίδευσης.

Η ''μη επιβλεπόμενη ταξινόμηση ''χρησιμοποιεί στατιστικούς αλγόριθμους για την ομαδοποίηση εικονοστοιχείων βάσει φασματικών πληροφοριών, προσδιορίζοντας μοναδικά χαρακτηριστικά σε ένα τοπίο, με περιορισμένες εισροές (inputs) από το χρήστη. Η πιθανότητα ανίχνευσης με τη χρήση της συγκεκριμένης μεθόδου μπορεί να είναι υψηλή (M = 80% για κτηνοτροφικά ζώα, με ένα εύρος 55% -100% ανάμεσα σε επτά απεικονίσεις) και συγκρίσιμη με τις χειροκίνητες μετρήσεις. Ωστόσο, έχουν παρατηρηθεί υψηλά επίπεδα υπερ- καταμέτρησης ζώων (μέσο λειτουργικό σφάλμα= 69%, εύρος σφάλματος= 28% -98%), υπερεκτιμώντας έτσι τους πληθυσμούς.

''γ) Προσδιορισμός των φασματικών υπογραφών των ειδών των ζώων ή ειδικών χαρακτηριστικών ''

Οι φασματικές υπογραφές και τα φασματικά προφίλ μπορούν να διακρίνουν τα διαφορετικά είδη ζώων σε δορυφορικές απεικονίσεις. Παλαιότερες μελέτες είχαν ελάχιστη επιτυχία στον προσδιορισμό μιας μοναδικής φασματικής υπογραφής στο ορατό- εγγύς υπέρυθρο εύρος του φάσματος της φωτεινής ακτινοβολίας, για ελάφια. Πιο πρόσφατα, με τη χρήση φασματικών ή θερμικών προφίλ έχει γίνει διάκριση μεταξύ μεγάλου μεγέθους ειδών κτηνοτροφικών ζώων, συμπεριλαμβανομένων των προβάτων, των χοίρων, των αλόγων και των αγελάδων, καθώς και μεταξύ θηλαστικών και τοπίων. Όμως, η φασματική διαχωριστικότητα μεταξύ θηλαστικών και σκιών παραμένει φτωχή. Αυτές οι μελέτες χρησιμοποιούν διαφορετικές πηγές δεδομένων, μεθόδους για την ανίχνευση της φασματικής διαχωριστικότητας και διαδικασίες για την αξιολόγηση της φασματικής αλληλεπικάλυψης μεταξύ διαφορετικών ειδών ζώων και μεταξύ των ζώων και του υπόβαθρου. Οι φασματικές υπογραφές των ειδών μπορούν να χρησιμοποιηθούν ως δεδομένα εκπαίδευσης και να εφαρμοστούν σε νέες απεικονίσεις για την ταξινόμηση των εικονοστοιχείων σε προκαθορισμένες κατηγορίες.

''δ) Διαφοροποίηση απεικονίσεων μεταξύ σύντομων χρονικών διαστημάτων και ανίχνευση αλλαγών''

Οι μέθοδοι ανίχνευσης αλλαγής με χρήση πολυχρονικών απεικονίσεων εφαρμόζονται συνήθως για να καθορίσουν τις αλλαγές χρήσης της γης, όπως η αποψίλωση των δασών, λόγω της συνεπούς και επαναλαμβανόμενης διαθεσιμότητας των εικόνων. Πρόσφατα, αρκετές μελέτες έχουν χρησιμοποιήσει αυτές τις τεχνικές για την πληθυσμιακή εκτίμηση των ζώων. Σε μελέτες μικρής κλίμακας, έχει γίνει ανίχνευση ζώων μέσω της μεταβολής της φασματικής ανάκλασης των εικονοστοιχείων ανάμεσα σε δύο σύνολα απεικονίσεων, η οποία προέκυψε από τις μετακινήσεις των ζώων σε σχέση με το στατικό υπόβαθρο. Αυτοματοποιημένες και ημι-αυτοματοποιημένες μέθοδοι, όπως αυτές που χρησιμοποιούνται για την ανίχνευση της διαφοροποίησης των εικόνων, συνιστώνται για μελέτες μεγάλης κλίμακας που ξεπερνούν μερικά τετραγωνικά χιλιόμετρα, κυρίως λόγω του χρόνου που απαιτείται για τις χειροκίνητες καταμετρήσεις.

Η ανίχνευση αλλαγών στην ανάλυση τοπίου εφαρμόζεται συχνά σε απεικονίσεις χαμηλής και μέσης ανάλυσης. Έχει αποτύχει ως προς την εφαρμογή της σε πολύ υψηλής ανάλυσης απεικονίσεις (VHR ), λόγω της μειωμένης δυνατότητας για ακριβή αντιστοίχιση μεταξύ των απεικονίσεων ( orthorectification - ορθοαναγωγή ), οδηγώντας σε αναντιστοιχίες σε χαρακτηριστικά τοπίου, που τα κάνουν να φαίνονται διαφορετικά. Η μεγάλη μεταβλητότητα της φασματικής ανάκλασης περιπλέκει, επίσης, τη διάκριση μεταξύ των πραγματικών διαφοροποιήσεων και του θορύβου στο υπόβαθρο.
Παρά τις χαμηλές απαιτήσεις ως προς την ανάλυση, το κόστος της συγκεκριμένης μεθόδου μπορεί να είναι περιοριστικό, επειδή απαιτούνται δύο σειρές απεικονίσεων, οι οποίες θα πρέπει να λαμβάνονται από τον ίδιο αισθητήρα, την ίδια ώρα της ημέρας και σε διάστημα μικρότερο από μία εβδομάδα, ώστε να ελαχιστοποιηθούν οι αλλαγές στη γωνία του ήλιου και στη βλάστηση.

''ε) Αντικειμενοστρεφής ανάλυση εικόνας ''

Οι περισσότερες μελέτες αναγνώρισης ζώων έχουν χρησιμοποιήσει προσεγγίσεις βασισμένες στην ανάλυση των εικονοστοιχείων (pixel-based). Ωστόσο, έχουν προταθεί εναλλακτικές μέθοδοι αντικειμενοστρεφούς ανάλυσης της εικόνας (OBIA- Object- based image analysis), οι οποίες έχουν δείξει βελτίωση σε σχέση με τις προσεγγίσεις που βασίζονται στην ανάλυση των εικονοστοιχείων ως προς ορισμένα χαρακτηριστικά. Η μονάδα ανάλυσης στην OBIA είναι το αντικείμενο, και τα γειτονικά του αντικείμενα μπορούν να παράσχουν συνάφεια ως προς τις χωρικές σχέσεις, την υφή και το σχήμα.
Οι μέθοδοι OBIA έχουν χρησιμοποιηθεί κυρίως για την ταξινόμηση της κάλυψης και των χρήσεων γης, όπου θεωρούνται γενικά ανώτερες από τις παραδοσιακές pixel-based μεθόδους, καθώς μειώνουν τη φασματική αλληλεπικάλυψη μεταξύ των κλάσεων, μπορούν να ενσωματώσουν ειδικές γνώσεις, να λαμβάνουν υπόψη τόσο τις φασματικές όσο και τις χωρικές πληροφορίες και να παράγουν μεγαλύτερης ακρίβειας ταξινόμηση.
Έχουν όμως χρησιμοποιηθεί και για τον εντοπισμό μεμονωμένων ζώων. Για παράδειγμα, μια αυτοματοποιημένη μέθοδος OBIA, η οποία χρησιμοποιεί κατάτμηση εικόνας τύπου Quadtree, έχει εφαρμοσθεί για την εκτίμηση ενός πληθυσμού Φοινικόπτερων (''Phoeniconaias minor'') σε μια περιοχή 525 εκταρίων, εμφανίζοντας ακρίβεια ανίχνευσης μεγαλύτερη από 99%, και καταμετρώντας περισσότερα από 81.000 άτομα. Το Quadtree είναι ένας τύπος επιλογής κατάτμησης εικόνας, που χωρίζει μια απεικόνιση ψηφιδωτού (raster image) σε τετράγωνα αντικείμενα, με βάση τις σχετικές τιμές της φωτεινότητας των γειτονικών εικονοστοιχείων.

'''Όρια & περιορισμοί στην ανίχνευση ζώων από τηλεπισκοπικές απεικονίσεις'''

Η ανίχνευση μεμονωμένων ζώων με χρήση δεδομένων τηλεπισκόπησης, και χρησιμοποιώντας αυτοματοποιημένες και ημι-αυτοματοποιημένες τεχνικές, έχει ήδη εφαρμοσθεί με επιτυχία. Οι μέχρι σήμερα υπάρχουσες μελέτες, όμως, έχουν διεξαχθεί σε μικρές σε έκταση περιοχές, οι οποίες δεν υπερβαίνουν τα μερικά τετραγωνικά χιλιόμετρα, ή/και περιορίζονται σε σχετικά ομοιογενή περιβάλλοντα, όπου η αντίθεση μεταξύ ζώων και υπόβαθρου είναι υψηλή. Η ακριβής ανίχνευση ζώων σε μεγάλες σε έκταση περιοχές ήταν επιτυχής μόνο στις συγκριτικά ομοιογενείς πολικές περιοχές.
Οι περισσότερες τεχνικές ανάλυσης της τηλεπισκόπησης παρουσιάζουν μια σειρά από περιορισμούς (Πίνακας 2), αλλά οι αλγόριθμοι που έχουν εφαρμοστεί ήδη με επιτυχία σε μικρές περιοχές και για διάφορα είδη και τύπους απεικονίσεων, έχουν σαφή μελλοντική δυναμική (Πίνακας 1).
Το κόστος για την απόκτηση, την επεξεργασία και την ανάλυση των τηλεπισκοπικών απεικονίσεων, των τεχνικών δυνατοτήτων και του κατάλληλου λογισμικού, εξακολουθεί να είναι απαγορευτικό για πολλές κυβερνήσεις και οργανισμούς, παρά τη μείωση του κόστους των απεικονίσεων υψηλής ανάλυσης και την αύξηση της υπολογιστικής ισχύος.
Η επιβεβαίωση των αποτελεσμάτων ανάλυσης της τηλεπισκοπικής απεικόνισης με εκτιμήσεις που προέκυψαν από έρευνα πεδίου αποτελούν βασική απαίτηση, καθώς παράγοντες όπως οι ατμοσφαιρικές συνθήκες μπορούν να επηρεάσουν σημαντικά τα φασματικά αποτελέσματα και επομένως και τα αποτελέσματα της ανάλυσης. Όλες οι μέθοδοι ανίχνευσης μεμονωμένων ζώων από RS απεικονίσεις παρουσιάζουν σφάλματα ανίχνευσης.

'''Λογισμικά'''

Τα λογισμικά GIS (π.χ. QGIS και ArcGIS) χρησιμοποιούνται στα περισσότερα έργα που στοχεύουν στην αναγνώριση αντικειμένων από RS απεικονίσεις σε οικολογικές και περιβαλλοντικές εφαρμογές. Άλλα πιο εξειδικευμένα λογισμικά τηλεπισκόπησης μπορεί να έχουν περισσότερη χρησιμότητα και δύναμη, όπως το ERDAS IMAGINE (Hexagon Geospatial) και το ENVI (Envivo Inc.). Η αντικειμενοστρεφής ανάλυση της εικόνας (OBIA) υποστηρίζεται από τα λογισμικά ENVI και eCognition. Το eCognition έχει ήδη χρησιμοποιηθεί για να μετρήσει ζώα στη σαβάνα. Μέχρι στιγμής δεν έχει υπάρξει άμεση σύγκριση της αποτελεσματικότητας του λογισμικού GIS και άλλου λογισμικού επεξεργασίας εικόνας, ως προς την αναγνώριση και τον προσδιορισμό ζώων ή αντικειμένων σε RS απεικονίσεις.
Πολλά προγράμματα λογισμικού επεξεργασίας εικόνας που διατίθενται και χρησιμοποιούνται συνήθως σε άλλους επιστημονικούς τομείς (π.χ. βιοιατρική, μηχανική), όπως τα: Microsoft Visual Studio, c #, c ++, OpenCV, Mathematica, Python, Matlab, ImageJ και Erdas Imagine, μπορούν να αποτελέσουν πολύτιμα εργαλεία για την οικολογία, και ορισμένα από αυτά προσαρμόζονται ήδη στην αναγνώριση και την καταμέτρηση ζώων.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Παρά την ύπαρξη πολλών μελετών, οι οποίες χρησιμοποιούν μια ποικιλία μεθόδων για την ανίχνευση ζώων από τηλεπισκοπικές απεικονίσεις, η εφαρμογή τους παραμένει προβληματική σε πολλές περιπτώσεις. Οι μελέτες που έχουν παρουσιάσει σχετικά υψηλή ακρίβεια αποτελεσμάτων χρησιμοποιώντας αυτοματοποιημένες και ημι-αυτοματοποιημένες τεχνικές, έχουν διεξαχθεί σε μικρές χωρικές κλίμακες σε σχέση με το εύρος της γεωγραφικής εξάπλωσης του εκάστοτε είδους ενδιαφέροντος, ή/και σε ομοιογενή περιβάλλοντα όπως ο θαλάσσιος πάγος. Οι κύριοι περιορισμοί που συναντώνται γενικά είναι οι εξής: η σχετικά χαμηλή ακρίβεια των αυτοματοποιημένων τεχνικών ανίχνευσης όταν εφαρμόζονται σε μεγάλες χωρικές εκτάσεις, οι ψευδείς ανιχνεύσεις, και το κόστος των δεδομένων υψηλής χωρικής ανάλυσης.
Οι μελλοντικές εξελίξεις στην ανάλυση των δεδομένων τηλεπισκόπησης για πληθυσμιακές έρευνες θα βελτιώσουν τις δυνατότητες ανίχνευσης των ζώων. Σε αυτές συμπεριλαμβάνονται, η εξέλιξη των αλγόριθμων, η χρήση λογισμικού και τεχνολογίας, που μέχρι τώρα εφαρμόζονται σε άλλους επιστημονικούς τομείς, και η βελτίωση ως προς τη διαθεσιμότητα, τη προσβασιμότητα, το κόστος και την ποιότητα ανάλυσης των δεδομένων.
Οι τηλεπισκοπικές απεικονίσεις προσφέρουν συναρπαστικές νέες ευκαιρίες για τη μελέτη της οικολογίας, και ένας όλο και αυξανόμενος αριθμός μελετών αποδεικνύει την αποτελεσματικότητα των τεχνολογιών τηλεπισκόπησης στην εκτίμηση των πληθυσμών άγριων και οικόσιτων ζώων.

[[category:Απογραφή του πληθυσμού της]]

[[category: Οικολογία]]

Βρες το πράσινο πρόβατο! Μια κριτική επισκόπηση της χρήσης της τηλεπισκόπησης για την ανίχνευση και καταμέτρηση των ζώων

2019-03-03T15:15:44Z

Ntolka Eirini:

'''Βρες το πράσινο πρόβατο! Μια κριτική επισκόπηση της χρήσης της τηλεπισκόπησης για την ανίχνευση και καταμέτρηση των ζώων'''

'''Πρωτότυπος τίτλος:''' ''How do you find the green sheep? A critical review of the use of remotely sensed imagery to detect and count animals''

[[Εικόνα:RSpaperT6.1a_Ntolka.JPG | thumb| right|'''Πίνακας 1α. Αξιολογημένα άρθρα περιοδικών, στα οποία εφαρμόζονται αυτοματοποιημένες ή ημι-αυτοματοποιημένες τεχνικές τηλεπισκοπικής απεικόνισης για την άμεση ανίχνευση ζώων.''']]

'''Συγγραφείς: '''Tracey Hollings, Mark Burgman, Mary van Andel, Marius Gilbert, Timothy Robinson, Andrew Robinson

'''Δημοσιεύθηκε: ''' ''Methods in Ecology and Evolution 9 (4), Ιανουάριος 2018, DOI: 10.1111/2041-210x.12973 ''

[[Εικόνα:RSpaperT6.1b_Ntolka.JPG | thumb| right|'''Πίνακας 1β. Αξιολογημένα άρθρα περιοδικών, στα οποία εφαρμόζονται αυτοματοποιημένες ή ημι-αυτοματοποιημένες τεχνικές τηλεπισκοπικής απεικόνισης για την άμεση ανίχνευση ζώων.''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://besjournals.onlinelibrary.wiley.com/doi/abs/10.1111/2041-210X.12973]

[[Εικόνα:RSpaper6.2_Ntolka.JPG | thumb| right|'''Εικόνα 1. Χρήση ανιχνευτή σωματιδίων''' (Sbalzarini & Koumoutsakos, 2005)''' στο λογισμικό ImageJ, το οποίο είναι σχεδιασμένο για την απεικόνιση βίντεο στην κυτταρική βιολογία, για τον εντοπισμό προβάτων:''' (α) αρχική εικόνα μιας καλλιεργούμενης περιοχής στην NZ σε ανάλυση 0,4 m, β) πρόγραμμα ανίχνευσης σωματιδίων για αυτοματοποιημένο εντοπισμό «σωματιδίων» (κόκκινοι κύκλοι), για την ανίχνευση προβάτων, γ) αντιπροσωπευτική περιαστική γεωργική περιοχή μικρής κλίμακας στη ΝΖ, με ανάλυση 0,4m, δ) ανιχνευτής σωματιδίων για την ανίχνευση προβάτων. Σε αυτό το ετερογενές τοπίο έχει λιγότερη επιτυχία, με πολλούς ψευδείς εντοπισμούς. Εικόνες από http://data.linz.govt.nz ]]

'''Λέξεις-Κλειδιά: ''' γεωργία, ζώα, ανίχνευση, πληθυσμιακή έρευνα, τηλεπισκόπηση, δορυφορική απεικόνιση, άγρια πανίδα

'''Εισαγωγή'''

[[Εικόνα:RSpaperT6.3_Ntolka.JPG | thumb| right|'''Πίνακας 2. Πλεονεκτήματα και περιορισμοί των μεθόδων που χρησιμοποιούνται για την ανίχνευση ζώων σε τηλεπισκοπικές απεικονίσεις.''']]

Δεδομένα σχετικά με την αφθονία των ζώων είναι απαραίτητα για την προστασία των ειδών που απειλούνται με εξαφάνιση, την παρακολούθηση των εισβλητικών ειδών, τη βιοασφάλεια, τις γεωργικές εφαρμογές και την παρακολούθηση της άγριας πανίδας. Ωστόσο, η απόκτηση δεδομένων αφθονίας αποτελεί μια μακροχρόνια πρόκληση. Η πρόσφατη πρόοδος στην ανάλυση των τηλεπισκοπικών απεικονίσεων, καθώς και των εργαλείων και του λογισμικού επεξεργασίας τους, βελτίωσαν σε μεγάλο βαθμό τις μεθόδους ανίχνευσης μεμονωμένων, και γενικά μεγάλων σε μέγεθος, ζώων. Η δυνατότητα παρακολούθησης και μελέτης των πληθυσμών με χρήση τηλεπισκοπικών δεδομένων αποτελεί μια συναρπαστική νέα εξέλιξη στη μελέτη της οικολογίας των ζώων.
Στην παρούσα εργασία, πραγματοποιείται μια διερεύνηση των μεθόδων που χρησιμοποιούνται στην ανάλυση των τηλεπισκοπικών απεικονίσεων ως προς τη δυνατότητα χρήσης τους για την πληθυσμιακή εκτίμηση άγριων και κτηνοτροφικών ζώων, μέσω του εντοπισμού, της αναγνώρισης και της καταμέτρησης μεμονωμένων ατόμων.

'''Μέθοδοι για την άμεση ανίχνευση ζώων με χρήση τηλεπισκοπικής απεικόνισης'''

Έχουν διερευνηθεί πολλές μέθοδοι για τον άμεσο εντοπισμό και την καταμέτρηση μεμονωμένων, γενικά μεγάλων σε μέγεθος ζώων (> 10 κιλών) από τηλεπισκοπικές απεικονίσεις (Πίνακας 1):

'''Α)''' Στις '''χειροκίνητες καταμετρήσεις''' (manual counts) αναλυτές εντοπίζουν, αναγνωρίζουν και καταμετρούν τα ζώα σε τηλεπισκοπικές απεικονίσεις (RS απεικονίσεις). Τέτοιου είδους μέθοδοι έχουν χρησιμοποιηθεί για δεκαετίες, αλλά μπορεί να είναι χρονοβόρες, υποκειμενικές και δαπανηρές, λόγω του κόστους εργασίας για την προετοιμασία και την ανάλυση των εικόνων.
Η απαίτησή τους σε χρόνο και εργασία είναι τόσο μεγάλη, που δεν έχουν εφαρμοστεί με επιτυχία σε περιοχές με έκταση μεγαλύτερη από μερικά τετραγωνικά χιλιόμετρα. Ενώ σε σύγκριση με αντίστοιχες έρευνες πεδίου, εμφανίζονται συχνά επιρρεπείς προς την υποεκτίμηση του μεγέθους ενός πληθυσμού, καθώς μερικά ζώα μπορεί να είναι κρυμμένα και να μην εντοπίζονται από τον αναλυτή.

'''Β) Πληθοπορισμός & επιστήμη των πολιτών '''(Crowd sourcing citizen science). Μια εναλλακτική προσέγγιση για τη χειροκίνητη καταμέτρηση των ζώων από RS απεικονίσεις είναι η χρήση πλατφόρμων crowdsourcing. Το crowdsourcing είναι ιδιαίτερα χρήσιμο τόσο για τη συλλογή όσο και για τη δημιουργία χωρικών δεδομένων. Για παράδειγμα, το Geo-Wiki αποτελεί μια διαδικτυακή πλατφόρμα, όπου εθελοντές βελτιώνουν την ποιότητα των χαρτών κάλυψης γης, χρησιμοποιώντας σύνολα δεδομένων από το Google Earth.

'''Γ) Αυτοματοποιημένες & ημιαυτοματοποιημένες μέθοδοι.'''
Τη στιγμή της συγγραφής της παρούσας επισκόπησης, όλες οι μελέτες που είχαν χρησιμοποιήσει αυτοματοποιημένες τεχνικές για την πληθυσμιακή εκτίμηση ζώων μέσω του άμεσου εντοπισμού μεμονωμένων ατόμων σε RS απεικονίσεις, είχαν το χαρακτήρα ''proof-of-concept'' εργασίας (δοκιμαστικής εφαρμογής για την επικύρωση της ιδέας), και εφαρμόστηκαν σε σχετικά μικρές περιοχές, συνήθως όχι μεγαλύτερες από μερικά τετραγωνικά χιλιόμετρα, και σε σχετικά ομοιογενή περιβάλλοντα. Οι δύο πρώτες απόπειρες αυτοματοποίησης της καταμέτρησης μεμονωμένων ζώων από δορυφορικές απεικονίσεις με χωρική ανάλυση 1 m έγιναν χρησιμοποιώντας ένα μοντέλο σήματος, το οποίο είχε αρχικά αναπτυχθεί για ανθυποβρυχιακό πόλεμο (antisubmarine warfare) και την ανίχνευση ναρκών, και χρησιμοποιώντας ένα λογισμικό που αναπτύχθηκε για τις ιατρικές απεικονίσεις (ImageTool).
Οι αυτοματοποιημένες ή ημιαυτοποιημένες τεχνολογίες για την πληθυσμιακή εκτίμηση των ζώων, άρχισαν να εφαρμόζονται στην οικολογία για περιοχές που είναι δύσκολες στην πρόσβαση, όπου οι έρευνες πεδίου αποτελούν πρόκληση ή τα ζώα εμφανίζουν χαμηλές πυκνότητες σε μεγάλες σε έκταση περιοχές (π.χ. αυτοκρατορικός πιγκουίνος, πολική αρκούδα). Η ικανότητα των λογισμικών επεξεργασίας εικόνας να ενσωματώνουν την υφή (texture), το σχήμα (shape), την απαρίθμηση (enumeration) και τη συνάφεια (context)έχει βελτιώσει σε μεγάλο βαθμό την ανίχνευση και την ταξινόμηση των αντικειμένων. Η κρίση των ειδικών επιστημόνων μπορεί επίσης να βελτιώσει τις αυτοματοποιημένες τεχνικές, π.χ. εντοπίζοντας πηγές συστηματικού σφάλματος.

''α) Κατάτμηση εικόνας''

Η διάκριση των ζώων από το περιβάλλον τους σε μια εικόνα εξαρτάται περισσότερο από την αντίθεση τους με το υπόβαθρο- φόντο (Εικόνα 1) παρά από την χωρική ανάλυση. Η διάκριση των αντικειμένων ενδιαφέροντος από το υπόβαθρο κατά την επεξεργασία των τηλεπισκοπικών απεικονίσεων πραγματοποιείται με κατάτμηση της εικόνας (image segmentation).
Το ''thresholding ''(τεχνική διαχωρισμού κατηγοριών με τιμή κατωφλίου) αποτελεί την απλούστερη και συνηθέστερη μέθοδο, κατά την οποία τα εικονοστοιχεία κατηγοριοποιούνται σε πολλαπλά διακριτικά χαρακτηριστικά, τα οποία βασίζονται σε μια τιμή έντασης σε σχέση με μια τιμή κατωφλίου. Η τεχνική thresholding είχε κάποια επιτυχία σε μικρής έκτασης περιοχές, όπου οι πληθυσμιακές εκτιμήσεις συσχετίζονταν συχνά σε μεγάλο βαθμό με έρευνες πεδίου ή χειροκίνητες καταμετρήσεις. Η τεχνική κατάτμησης της εικόνας έχει αποδειχθεί ότι υπερβαίνει τις άλλες αυτοματοποιημένες μεθόδους σε ορισμένες περιπτώσεις, συμπεριλαμβανομένης και της επιβλεπόμενης και της μη επιβλεπόμενης ταξινόμησης.

''β) Επιβλεπόμενη & μη επιβλεπόμενη ταξινόμηση ''

Η ''επιβλεπόμενη ταξινόμηση'' χρησιμοποιείται συχνά για την αναγνώριση των ζώων σε RS απεικονίσεις. Οι χρήστες ταξινομούν γνωστά αντικείμενα, τα οποία «εκπαιδεύουν» τους αλγόριθμους επεξεργασίας της εικόνας. Ο μέσος όρος και η διακύμανση των φασματικών υπογραφών των δεδομένων εκπαίδευσης χρησιμοποιούνται στη συνέχεια, για να ταξινομηθούν τα εικονοστοιχεία της εικόνας που απομένουν. Παρ’ όλα αυτά, η επιβλεπόμενη ταξινόμηση δεν είναι τόσο επιτυχημένη στην ανίχνευση μεμονωμένων ζώων όσο άλλες μέθοδοι (Πίνακας 1). Η ποιότητά της εξαρτάται σε μεγάλο βαθμό από τις γνώσεις του χρήστη και την ικανότητα του να προσδιορίζει σωστά τα δεδομένα εκπαίδευσης, από τη δυνατότητα διάκρισης μεταξύ των φασματικών υπογραφών και από την ακρίβεια αντιπροσώπευσης της μεταβλητότητας των κλάσεων που αντιπροσωπεύουν τα ζώα μέσα στα δεδομένα εκπαίδευσης.
Η ''μη επιβλεπόμενη ταξινόμηση ''χρησιμοποιεί στατιστικούς αλγόριθμους για την ομαδοποίηση εικονοστοιχείων βάσει φασματικών πληροφοριών, προσδιορίζοντας μοναδικά χαρακτηριστικά σε ένα τοπίο, με περιορισμένες εισροές (inputs) από το χρήστη. Η πιθανότητα ανίχνευσης με τη χρήση της συγκεκριμένης μεθόδου μπορεί να είναι υψηλή (M = 80% για κτηνοτροφικά ζώα, με ένα εύρος 55% -100% ανάμεσα σε επτά απεικονίσεις) και συγκρίσιμη με τις χειροκίνητες μετρήσεις. Ωστόσο, έχουν παρατηρηθεί υψηλά επίπεδα υπερ- καταμέτρησης ζώων (μέσο λειτουργικό σφάλμα= 69%, εύρος σφάλματος= 28% -98%), υπερεκτιμώντας έτσι τους πληθυσμούς.

''γ) Προσδιορισμός των φασματικών υπογραφών των ειδών των ζώων ή ειδικών χαρακτηριστικών ''

Οι φασματικές υπογραφές και τα φασματικά προφίλ μπορούν να διακρίνουν τα διαφορετικά είδη ζώων σε δορυφορικές απεικονίσεις. Παλαιότερες μελέτες είχαν ελάχιστη επιτυχία στον προσδιορισμό μιας μοναδικής φασματικής υπογραφής στο ορατό- εγγύς υπέρυθρο εύρος του φάσματος της φωτεινής ακτινοβολίας, για ελάφια. Πιο πρόσφατα, με τη χρήση φασματικών ή θερμικών προφίλ έχει γίνει διάκριση μεταξύ μεγάλου μεγέθους ειδών κτηνοτροφικών ζώων, συμπεριλαμβανομένων των προβάτων, των χοίρων, των αλόγων και των αγελάδων, καθώς και μεταξύ θηλαστικών και τοπίων. Όμως, η φασματική διαχωριστικότητα μεταξύ θηλαστικών και σκιών παραμένει φτωχή. Αυτές οι μελέτες χρησιμοποιούν διαφορετικές πηγές δεδομένων, μεθόδους για την ανίχνευση της φασματικής διαχωριστικότητας και διαδικασίες για την αξιολόγηση της φασματικής αλληλεπικάλυψης μεταξύ διαφορετικών ειδών ζώων και μεταξύ των ζώων και του υπόβαθρου. Οι φασματικές υπογραφές των ειδών μπορούν να χρησιμοποιηθούν ως δεδομένα εκπαίδευσης και να εφαρμοστούν σε νέες απεικονίσεις για την ταξινόμηση των εικονοστοιχείων σε προκαθορισμένες κατηγορίες.

''δ) Διαφοροποίηση απεικονίσεων μεταξύ σύντομων χρονικών διαστημάτων και ανίχνευση αλλαγών''

Οι μέθοδοι ανίχνευσης αλλαγής με χρήση πολυχρονικών απεικονίσεων εφαρμόζονται συνήθως για να καθορίσουν τις αλλαγές χρήσης της γης, όπως η αποψίλωση των δασών, λόγω της συνεπούς και επαναλαμβανόμενης διαθεσιμότητας των εικόνων. Πρόσφατα, αρκετές μελέτες έχουν χρησιμοποιήσει αυτές τις τεχνικές για την πληθυσμιακή εκτίμηση των ζώων. Σε μελέτες μικρής κλίμακας, έχει γίνει ανίχνευση ζώων μέσω της μεταβολής της φασματικής ανάκλασης των εικονοστοιχείων ανάμεσα σε δύο σύνολα απεικονίσεων, η οποία προέκυψε από τις μετακινήσεις των ζώων σε σχέση με το στατικό υπόβαθρο. Αυτοματοποιημένες και ημι-αυτοματοποιημένες μέθοδοι, όπως αυτές που χρησιμοποιούνται για την ανίχνευση της διαφοροποίησης των εικόνων, συνιστώνται για μελέτες μεγάλης κλίμακας που ξεπερνούν μερικά τετραγωνικά χιλιόμετρα, κυρίως λόγω του χρόνου που απαιτείται για τις χειροκίνητες καταμετρήσεις.
Η ανίχνευση αλλαγών στην ανάλυση τοπίου εφαρμόζεται συχνά σε απεικονίσεις χαμηλής και μέσης ανάλυσης. Έχει αποτύχει ως προς την εφαρμογή της σε πολύ υψηλής ανάλυσης απεικονίσεις (VHR ), λόγω της μειωμένης δυνατότητας για ακριβή αντιστοίχιση μεταξύ των απεικονίσεων ( orthorectification - ορθοαναγωγή ), οδηγώντας σε αναντιστοιχίες σε χαρακτηριστικά τοπίου, που τα κάνουν να φαίνονται διαφορετικά. Η μεγάλη μεταβλητότητα της φασματικής ανάκλασης περιπλέκει, επίσης, τη διάκριση μεταξύ των πραγματικών διαφοροποιήσεων και του θορύβου στο υπόβαθρο.
Παρά τις χαμηλές απαιτήσεις ως προς την ανάλυση, το κόστος της συγκεκριμένης μεθόδου μπορεί να είναι περιοριστικό, επειδή απαιτούνται δύο σειρές απεικονίσεων, οι οποίες θα πρέπει να λαμβάνονται από τον ίδιο αισθητήρα, την ίδια ώρα της ημέρας και σε διάστημα μικρότερο από μία εβδομάδα, ώστε να ελαχιστοποιηθούν οι αλλαγές στη γωνία του ήλιου και στη βλάστηση.

''ε) Αντικειμενοστρεφής ανάλυση εικόνας ''

Οι περισσότερες μελέτες αναγνώρισης ζώων έχουν χρησιμοποιήσει προσεγγίσεις βασισμένες στην ανάλυση των εικονοστοιχείων (pixel-based). Ωστόσο, έχουν προταθεί εναλλακτικές μέθοδοι αντικειμενοστρεφούς ανάλυσης της εικόνας (OBIA- Object- based image analysis), οι οποίες έχουν δείξει βελτίωση σε σχέση με τις προσεγγίσεις που βασίζονται στην ανάλυση των εικονοστοιχείων ως προς ορισμένα χαρακτηριστικά. Η μονάδα ανάλυσης στην OBIA είναι το αντικείμενο, και τα γειτονικά του αντικείμενα μπορούν να παράσχουν συνάφεια ως προς τις χωρικές σχέσεις, την υφή και το σχήμα.
Οι μέθοδοι OBIA έχουν χρησιμοποιηθεί κυρίως για την ταξινόμηση της κάλυψης και των χρήσεων γης, όπου θεωρούνται γενικά ανώτερες από τις παραδοσιακές pixel-based μεθόδους, καθώς μειώνουν τη φασματική αλληλεπικάλυψη μεταξύ των κλάσεων, μπορούν να ενσωματώσουν ειδικές γνώσεις, να λαμβάνουν υπόψη τόσο τις φασματικές όσο και τις χωρικές πληροφορίες και να παράγουν μεγαλύτερης ακρίβειας ταξινόμηση.
Έχουν όμως χρησιμοποιηθεί και για τον εντοπισμό μεμονωμένων ζώων. Για παράδειγμα, μια αυτοματοποιημένη μέθοδος OBIA, η οποία χρησιμοποιεί κατάτμηση εικόνας τύπου Quadtree, έχει εφαρμοσθεί για την εκτίμηση ενός πληθυσμού Φοινικόπτερων (''Phoeniconaias minor'') σε μια περιοχή 525 εκταρίων, εμφανίζοντας ακρίβεια ανίχνευσης μεγαλύτερη από 99%, και καταμετρώντας περισσότερα από 81.000 άτομα. Το Quadtree είναι ένας τύπος επιλογής κατάτμησης εικόνας, που χωρίζει μια απεικόνιση ψηφιδωτού (raster image) σε τετράγωνα αντικείμενα, με βάση τις σχετικές τιμές της φωτεινότητας των γειτονικών εικονοστοιχείων.

'''Όρια & περιορισμοί στην ανίχνευση ζώων από τηλεπισκοπικές απεικονίσεις'''

Η ανίχνευση μεμονωμένων ζώων με χρήση δεδομένων τηλεπισκόπησης, και χρησιμοποιώντας αυτοματοποιημένες και ημι-αυτοματοποιημένες τεχνικές, έχει ήδη εφαρμοσθεί με επιτυχία. Οι μέχρι σήμερα υπάρχουσες μελέτες, όμως, έχουν διεξαχθεί σε μικρές σε έκταση περιοχές, οι οποίες δεν υπερβαίνουν τα μερικά τετραγωνικά χιλιόμετρα, ή/και περιορίζονται σε σχετικά ομοιογενή περιβάλλοντα, όπου η αντίθεση μεταξύ ζώων και υπόβαθρου είναι υψηλή. Η ακριβής ανίχνευση ζώων σε μεγάλες σε έκταση περιοχές ήταν επιτυχής μόνο στις συγκριτικά ομοιογενείς πολικές περιοχές.
Οι περισσότερες τεχνικές ανάλυσης της τηλεπισκόπησης παρουσιάζουν μια σειρά από περιορισμούς (Πίνακας 2), αλλά οι αλγόριθμοι που έχουν εφαρμοστεί ήδη με επιτυχία σε μικρές περιοχές και για διάφορα είδη και τύπους απεικονίσεων, έχουν σαφή μελλοντική δυναμική (Πίνακας 1).
Το κόστος για την απόκτηση, την επεξεργασία και την ανάλυση των τηλεπισκοπικών απεικονίσεων, των τεχνικών δυνατοτήτων και του κατάλληλου λογισμικού, εξακολουθεί να είναι απαγορευτικό για πολλές κυβερνήσεις και οργανισμούς, παρά τη μείωση του κόστους των απεικονίσεων υψηλής ανάλυσης και την αύξηση της υπολογιστικής ισχύος.
Η επιβεβαίωση των αποτελεσμάτων ανάλυσης της τηλεπισκοπικής απεικόνισης με εκτιμήσεις που προέκυψαν από έρευνα πεδίου αποτελούν βασική απαίτηση, καθώς παράγοντες όπως οι ατμοσφαιρικές συνθήκες μπορούν να επηρεάσουν σημαντικά τα φασματικά αποτελέσματα και επομένως και τα αποτελέσματα της ανάλυσης. Όλες οι μέθοδοι ανίχνευσης μεμονωμένων ζώων από RS απεικονίσεις παρουσιάζουν σφάλματα ανίχνευσης.

'''Λογισμικά'''

Τα λογισμικά GIS (π.χ. QGIS και ArcGIS) χρησιμοποιούνται στα περισσότερα έργα που στοχεύουν στην αναγνώριση αντικειμένων από RS απεικονίσεις σε οικολογικές και περιβαλλοντικές εφαρμογές. Άλλα πιο εξειδικευμένα λογισμικά τηλεπισκόπησης μπορεί να έχουν περισσότερη χρησιμότητα και δύναμη, όπως το ERDAS IMAGINE (Hexagon Geospatial) και το ENVI (Envivo Inc.). Η αντικειμενοστρεφής ανάλυση της εικόνας (OBIA) υποστηρίζεται από τα λογισμικά ENVI και eCognition. Το eCognition έχει ήδη χρησιμοποιηθεί για να μετρήσει ζώα στη σαβάνα. Μέχρι στιγμής δεν έχει υπάρξει άμεση σύγκριση της αποτελεσματικότητας του λογισμικού GIS και άλλου λογισμικού επεξεργασίας εικόνας, ως προς την αναγνώριση και τον προσδιορισμό ζώων ή αντικειμένων σε RS απεικονίσεις.
Πολλά προγράμματα λογισμικού επεξεργασίας εικόνας που διατίθενται και χρησιμοποιούνται συνήθως σε άλλους επιστημονικούς τομείς (π.χ. βιοιατρική, μηχανική), όπως τα: Microsoft Visual Studio, c #, c ++, OpenCV, Mathematica, Python, Matlab, ImageJ και Erdas Imagine, μπορούν να αποτελέσουν πολύτιμα εργαλεία για την οικολογία, και ορισμένα από αυτά προσαρμόζονται ήδη στην αναγνώριση και την καταμέτρηση ζώων.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Παρά την ύπαρξη πολλών μελετών, οι οποίες χρησιμοποιούν μια ποικιλία μεθόδων για την ανίχνευση ζώων από τηλεπισκοπικές απεικονίσεις, η εφαρμογή τους παραμένει προβληματική σε πολλές περιπτώσεις. Οι μελέτες που έχουν παρουσιάσει σχετικά υψηλή ακρίβεια αποτελεσμάτων χρησιμοποιώντας αυτοματοποιημένες και ημι-αυτοματοποιημένες τεχνικές, έχουν διεξαχθεί σε μικρές χωρικές κλίμακες σε σχέση με το εύρος της γεωγραφικής εξάπλωσης του εκάστοτε είδους ενδιαφέροντος, ή/και σε ομοιογενή περιβάλλοντα όπως ο θαλάσσιος πάγος. Οι κύριοι περιορισμοί που συναντώνται γενικά είναι οι εξής: η σχετικά χαμηλή ακρίβεια των αυτοματοποιημένων τεχνικών ανίχνευσης όταν εφαρμόζονται σε μεγάλες χωρικές εκτάσεις, οι ψευδείς ανιχνεύσεις, και το κόστος των δεδομένων υψηλής χωρικής ανάλυσης.
Οι μελλοντικές εξελίξεις στην ανάλυση των δεδομένων τηλεπισκόπησης για πληθυσμιακές έρευνες θα βελτιώσουν τις δυνατότητες ανίχνευσης των ζώων. Σε αυτές συμπεριλαμβάνονται, η εξέλιξη των αλγόριθμων, η χρήση λογισμικού και τεχνολογίας, που μέχρι τώρα εφαρμόζονται σε άλλους επιστημονικούς τομείς, και η βελτίωση ως προς τη διαθεσιμότητα, τη προσβασιμότητα, το κόστος και την ποιότητα ανάλυσης των δεδομένων.
Οι τηλεπισκοπικές απεικονίσεις προσφέρουν συναρπαστικές νέες ευκαιρίες για τη μελέτη της οικολογίας, και ένας όλο και αυξανόμενος αριθμός μελετών αποδεικνύει την αποτελεσματικότητα των τεχνολογιών τηλεπισκόπησης στην εκτίμηση των πληθυσμών άγριων και οικόσιτων ζώων.

[[category:Απογραφή του πληθυσμού της]]

[[category: Οικολογία]]

Δυνατότητες εφαρμογής προηγμένης τηλεπισκόπησης σε οικολογικές μελέτες σε σχέση με τις μετακινήσεις των χερσαίων ζώων

2019-03-03T15:10:22Z

Ntolka Eirini:

'''Δυνατότητες εφαρμογής προηγμένης τηλεπισκόπησης σε οικολογικές μελέτες σε σχέση με τις μετακινήσεις των χερσαίων ζώων'''

'''Πρωτότυπος τίτλος:''' ''Opportunities for the application of advanced remotely-sensed data in ecological studies of terrestrial animal movement''

[[Εικόνα:RSpaper5.1_Ntolka.JPG | thumb| right|'''Εικόνα 1. Κλίμακες της τρέχουσας ανάλυσης των δεδομένων μετακίνησης των ζώων και των τηλεπισκοπικών δεδομένων, στο χώρο και στο χρόνο.''']]

'''Συγγραφείς: '''Wiebke Neumann, Sebastian Martinuzzi, Anna B Estes, Anna M Pidgeon, Holger Dettki, Göran Ericsson and Volker C Radeloff

'''Δημοσιεύθηκε: ''' ''Movement Ecology (2015) 3:8, DOI: 10.1186/s40462-015-0036-7 ''

[[Εικόνα:RSpaper5.2_Ntolka.JPG | thumb| right|'''Πίνακας 1. Πηγή και ανάλυση διαφορετικών προϊόντων τηλεπισκόπησης.''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://movementecologyjournal.biomedcentral.com/articles/10.1186/s40462-015-0036-7]

[[Εικόνα:RSpaper5.3a_Ntolka.JPG | thumb| right|'''Πίνακας 2. Δείγμα οικολογικών μελετών για τη μετακίνηση των ζώων, στις οποίες χρησιμοποιούνται προϊόντα τηλεπισκόπισης.'''(α) ]]

'''Λέξεις-Κλειδιά: ''' τροχιές ζώων, πρότυπα μετακίνησης, τηλεπισκόπηση, trade-off ανάλυση, δορυφορικά προϊόντα, Landsat, LiDAR, MODIS, βάσεις δεδομένων μετακίνησης ζώων

'''Εισαγωγή'''

[[Εικόνα:RSpaper5.3b_Ntolka.JPG | thumb| right|'''Πίνακας 2. Δείγμα οικολογικών μελετών για τη μετακίνηση των ζώων, στις οποίες χρησιμοποιούνται προϊόντα τηλεπισκόπισης.(β)]]

Τα χρονικά και χωρικά πρότυπα της μετακίνησης των ζώων αποτελούν κεντρική πτυχή στη μελέτη της οικολογίας τους. Οι τηλεπισκοπικοί-περιβαλλοντικοί δείκτες μπορούν να διαδραματίσουν σημαντικό ρόλο στην κατανόηση αυτών των προτύπων, παρέχοντας συνεχή και σχετικά λεπτομερή δεδομένα, τα οποία συνδέουν τις μετακινήσεις των ζώων με το περιβάλλον τους. Παρόλα αυτά, παρατηρείται μια καθυστέρηση στην εφαρμογή των ποικίλων διαθέσιμων τηλεπισκοπικών προϊόντων σε τέτοιου είδους μελέτες, λόγω της μικρής εξοικείωσης των οικολόγων επιστημόνων με αυτά.

Στην παρούσα επισκόπηση, εστιάζουμε σε αυτές που συνδέουν τις θέσεις των ζώων με τηλεπισκοπικά δεδομένα σε χερσαία οικοσυστήματα, και που δημοσιεύτηκαν από το 2002 ως το 2013 (Πίνακας 2). Οι συγκεκριμένες μελέτες διερευνούν τον τρόπο με τον οποίο τα ζώα αλληλεπιδρούν με το επίγειο περιβάλλον τους με την πάροδο του χρόνου, και βασίζονται στις τροχιές και τις μετατοπίσεις ατόμων και πληθυσμών, συμβάλλοντας έτσι στη διατήρηση και διαχείριση της άγριας πανίδας. Πρώτα εξετάζονται οι τρέχουσες εφαρμογές των τηλεπισκοπικών-οικολογικών δεικτών που σχετίζονται με τα πρότυπα μετακίνησης σπονδυλωτών ζώων σε χερσαία οικοσυστήματα. Στη συνέχεια, παρουσιάζονται τα πρόσφατα διαθέσιμα τηλεπισκοπικά προϊόντα και οι δυνατότητες που προσφέρουν.

Οι διαφορετικές χωροχρονικές κλίμακες στις οποίες συμβαίνει η μετακίνηση των ζώων απαιτούν και τη χρήση διαφορετικού τύπου τηλεπισκοπικών δεδομένων, ώστε να κατανοηθούν τα αίτια που οδήγησαν σε αυτές τις μετακινήσεις (Εικόνα 1). Ωστόσο, υπάρχει ένας έμφυτος διαμοιρασμός (trade-off) ανάμεσα στα δεδομένα υψηλής χωρικής και χαμηλής χρονικής ανάλυσης (''fine-but-infrequent data'') έναντι των δεδομένων με χαμηλή χωρική και υψηλή χρονική ανάλυση (''coarse-but-frequent data''), τα οποία καταγράφονται από τους διαφορετικούς δορυφορικούς αισθητήρες (Εικόνα 1, Πίνακας 1).

[[Εικόνα:RSpaper5.3c_Ntolka.JPG | thumb| right|'''Πίνακας 2. Δείγμα οικολογικών μελετών για τη μετακίνηση των ζώων, στις οποίες χρησιμοποιούνται προϊόντα τηλεπισκόπισης.(γ)]]
[[Εικόνα:RSpaper5.4_Ntolka.JPG | thumb| right|'''Πίνακας 3. Ακρίβεια και ευστοχία των κύριων τηλεπισκοπικών προϊόντων.''']]

'''Επισκόπηση '''

'''Α) Τηλεπισκοπικά προϊόντα που χρησιμοποιούνται συχνά σε οικολογικές μελέτες πάνω στη μετακίνηση των ζώων'''

Οι μελέτες μικρής κλίμακας μετακινήσεων που εξετάστηκαν, περιλάμβαναν δεδομένα σχετικά με την κάλυψη γης, τις ανθρώπινες υποδομές και το έδαφος, και λιγότερο συχνά δεδομένα σχετικά με τη φαινολογία της βλάστησης, το κλίμα και τις καιρικές συνθήκες (Πίνακας 2). Αντιθέτως, οι μελέτες που ανέλυαν τις μετακινήσεις σε ευρύτερη κλίμακα (π.χ. μετανάστευση) χρησιμοποιούσαν συχνά δεδομένα για τη φαινολογία της βλάστησης (π.χ. το δείκτη βλάστησης κανονικοποιμένης διαφοράς NDVI) και μερικές φορές συνδύαζαν κλιματολογικά, καιρικά και εδαφικά δεδομένα. Οι κύριοι περιβαλλοντικοί δείκτες που χρησιμοποιούνται στις μελέτες μετακίνησης των ζώων διατίθενται από ένα ευρύ φάσμα τηλεπισκοπικών προϊόντων, τα οποία μπορεί να διαφέρουν μεταξύ τους ως προς την ακρίβεια (precision) και την ευστοχία-αξιοπιστία (accuracy) (Πίνακας 3).

'' Δεδομένα κάλυψης γης''

Τα δεδομένα σχετικά με την κάλυψη της γης προέρχονται κατά κανόνα από ''fine-but-infrequent'' προϊόντα τηλεπισκόπησης και οι ερευνητές μπορούν να τα χρησιμοποιήσουν για να συμπεράνουν τα μοτίβα κίνησης των ζώων σε πιο λεπτομερείς χωρικές κλίμακες (Εικόνα 1). Βοηθητικά δεδομένα που καταγράφουν την αλλαγή χρήσης γης και την ανάπτυξη των ανθρώπινων υποδομών, μπορούν να βοηθήσουν στην ενημέρωση των τηλεπισκοπικών χαρτών, δημιουργώντας δυναμικά δεδομένα τοπίου. Ο Landsat και οι αεροφωτογραφίες είναι οι πιο κοινές πηγές τέτοιων δεδομένων.

''Ψηφιακά υψομετρικά μοντέλα ''

Τα ψηφιακά υψομετρικά μοντέλα (DEM) παρέχουν ''fine-but-infrequent'' πληροφορίες σχετικά με το υψόμετρο, τον προσανατολισμό των πρανών, την κλίση, καθώς και την υγρασία του εδάφους και την ηλιακή ακτινοβολία. Μερικές φορές συνδυάζονται με ''coarse-but-frequent'' τηλεπισκοπικές ατμοσφαιρικές μεταβλητές, όπως η ταχύτητα του ανέμου, η τυρβώδης κινητική ενέργεια, η θερμοκρασία και το ύψος των νεφών (δεδομένα MODIS 8 ημερών, ΝΟΑΑ 10 ημερών, μηνιαία δεδομένα WorldClim, Πίνακας 2). Τα DEMs μπορούν να αποτελέσουν ένα ισχυρό εργαλείο και η ερμηνεία των παρατηρούμενων προτύπων μπορεί να συμβάλει σε συμπεράσματα για τις μεταναστατευτικές στρατηγικές των ζώων.

''Ανθρώπινες υποδομές''

Οι ανθρώπινες υποδομές επηρεάζουν τα ενδιαιτήματα πολλών ειδών άγριας πανίδας, καθώς μπορεί να δημιουργήσουν εμπόδια και να τροποποιήσουν τα ημερήσια και εποχιακά πρότυπα μετακίνησης των ζώων. Οι ψηφιακοί χάρτες των ανθρώπινων υποδομών αποτελούν ''fine-but-infrequent'' δεδομένα, και συνήθως προέρχονται από δεδομένα κάλυψης γης και αεροφωτογραφίες. Η χρήση απεικονίσεων υψηλής χωρικής ανάλυσης και LiDAR προσφέρει επίσης τη δυνατότητα διάκρισης μεταξύ των διαφορετικών τύπων ανθρώπινης υποδομής και βλάστησης, όπως οι εθνικές οδοί, οι δρόμοι, οι σιδηροδρομικές γραμμές, οι αγωγοί, οι γραμμές μεταφοράς ηλεκτρικής ενέργειας, τα σπίτια και τα δέντρα.

''Δεδομένα φαινολογίας φυτών''

Η φαινολογία των φυτών που βασίζεται σε δορυφορικά δεδομένα, ποσοτικοποιεί τις ημερομηνίες των χρωματικών μοτίβων (πρασίνισμα των φύλλων) πολλών διαφορετικών φυτικών ειδών σε κλίμακα τοπίου, και μπορεί να μελετηθεί με βάση τους δείκτες βλάστησης NDVI και EVI. Οι φαινολογικοί δείκτες προέρχονται συνήθως από ''course-but-frequent'' δορυφορικές απεικονίσεις, όπως απεικονίσεις SPOT 10 ημερών ή δεδομένα ανάκλασης MODIS 16 ημερών και μπορούν να εφαρμοστούν για την πρόβλεψη των μετακινήσεων και της κατανομής ατόμων και πληθυσμών (π.χ. για τη μεγάλων αποστάσεων μετανάστευση πολλών ειδών οπληφόρων).

''Η παραγωγικότητα''

Η παραγωγικότητα, δηλαδή η εποχιακή ανάπτυξη των φυτών, μπορεί να υπολογιστεί με τη συγχώνευση πληροφοριών από εδαφικές μετρήσεις βιομάζας και τον δείκτη βλάστησης NDVI από δορυφορικά δεδομένα MODIS. Μπορεί να προβλέψει τα μοτίβα μετακίνησης των ζώων, επιδεικνύοντας τη σχέση μεταξύ της μετανάστευσης και της πρόσβασης σε υψηλότερης ποιότητας τροφή.

''Δείκτες κλίματος και καιρικών συνθηκών''

Οι δείκτες κλίματος και καιρού παρέχουν πληροφορίες σχετικά με τις κατακρημνίσεις (π.χ. τις βροχοπτώσεις και χιονοπτώσεις από δεδομένα NOAA 10 ημερών, δεδομένα MODIS 8 ημερών και μηνιαία δεδομένα WorldClim) και τη θερμοκρασία (π.χ. NOAA 10 ημερών) και αποτελούν γενικά ''coarse-but-frequent'' δείκτες. Το κλίμα επηρεάζει τα ζώα σε μια ευρύτερη κλίμακα και μπορεί, για παράδειγμα, να προκαλέσει εποχιακή μετανάστευση. Οι κατακρημνίσεις και η θερμοκρασία αποτελούν καθοριστικούς παράγοντες στη διαμόρφωση των μοτίβων μετακίνησης των ζώων στα εποχιακά οικοσυστήματα. Ο καιρός, δηλαδή οι βραχυπρόθεσμες μεταβολές των μετεωρολογικών παραμέτρων (κατακρημνίσεις, άνεμος, θερμοκρασία κ.α.) επηρεάζει τις μικρής κλίμακας μετακινήσεις των ζώων, όπως είναι οι καθημερινές μετακινήσεις.

'''Β) Δυνατότητες χρήσης τηλεπισκοπικών προϊόντων σε οικολογικές μελέτες πάνω στη μετακίνηση των ζώων'''

''Αυξανόμενη πρόσβαση σε τηλεπισκοπικά δεδομένα''

Οι απεικονίσεις υψηλής χωρικής ανάλυσης καταγράφονται από αισθητήρες όπως οι IKONOS, QuickBird, OrbView-3 και Spot-5, με χωρική διακριτική ικανότητα από 0,5 έως 10 μέτρα (Πίνακας 1), και επιτρέπουν την αναγνώριση μικρότερων σε μέγεθος χαρακτηριστικών των ενδιαιτημάτων, όπως οι παράκτιοι διάδρομοι και τα μεμονωμένα δέντρα. Το υψηλό τους κόστος και η περιορισμένη διαθεσιμότητα αποτελούν σημαντικούς περιοριστικούς παράγοντες στη χρήση τους σε περιβαλλοντικές μελέτες. Ωστόσο, το κόστος αυτό μειώνεται με την πάροδο του χρόνου, καθώς εκτοξεύονται περισσότεροι δορυφόροι και αυξάνεται ο ανταγωνισμός. Επίσης, σε πολλές περιοχές διατίθενται δωρεάν μέσω διαδικτυακών-χαρτογραφικών τόπων, όπως το Google Earth, ενώ η δρομολόγηση του Landsat 8 και των δορυφόρων Sentinel θα εξασφαλίσει πρόσβαση σε δεδομένα τύπου Landsat με χωρική διακριτική ικανότητα 30m και χρονική ανάλυση 2-3 ημέρες. Η ενσωμάτωση των τηλεπισκοπικών δεδομένων σε σύνολα δεδομένων μετακίνησης των ζώων, αποτελεί μια επιπλέον πρόκληση για πολλούς οικολόγους ερευνητές. Παρόλα αυτά, δημιουργούνται συνέχεια καινούρια εργαλεία, τα οποία αυτοματοποιούν και απλοποιούν σε μεγάλο βαθμό την ενσωμάτωση και τις αναλύσεις.

''Καταγραφή της χρονικής δυναμικής των τοπίων''

Από το 2008, που τα δεδομένα του Landsat έγιναν ελεύθερα διαθέσιμα, έχουν αναπτυχθεί νέοι αλγόριθμοι επεξεργασίας της εικόνας, οι οποίοι μπορούν να αναλύσουν πολλές δεκαετίες ετήσιων Landsat απεικονίσεων ταυτόχρονα, και να συμβάλλουν σημαντικά στη μελέτη των μικρής κλίμακας μετακινήσεων των ζώων. Το μεγάλο πλεονέκτημα των τόσο πυκνών χρονοσειρών είναι ότι εντοπίζουν αλλαγές, όπως οι αποψιλώσεις δασών, οι οποίες μπορούν να ανιχνευθούν αμέσως μετά τη διαταραχή, αλλά μπορεί να μην εντοπιστούν αν οι απεικονίσεις απέχουν χρόνια μεταξύ τους.
Για την ανάλυση των ευρείας κλίμακας μετακινήσεων των ζώων , οι δείκτες φαινολογίας της βλάστησης (π.χ. ο NDVI) μπορούν να είναι πολύ ενημερωτικοί. Οι δορυφορικοί αισθητήρες όπως οι MODIS, AVHRR, VEGETATION και VIIRS παρέχουν καθημερινές απεικονίσεις, οι οποίες συνήθως συνοψίζονται σε σύνθετα 8 ή 16 ημερών που είναι σχετικά απαλλαγμένα από νέφη (Πίνακας 1). Για την αποτελεσματική και γρήγορη ανάλυση τόσο μεγάλου όγκου φαινολογικών δεδομένων έχουν αναπτυχθεί λογισμικά πακέτα, όπως το TIMESAT.

''Χαρακτηρίζοντας την τρισδιάστατη δομή των ενδιαιτημάτων''

Τα τρισδιάστατα δομικά χαρακτηριστικά της βλάστησης αποτελούν καθοριστικούς παράγοντες που επηρεάζουν τη χρήση του χώρου από τα ζώα. Η LiDAR είναι μια σχετικά νέα τεχνολογία, που χρησιμοποιεί την εκπομπή παλμικής ακτινοβολίας laser για τη μέτρηση της κάθετης και οριζόντιας δομής των οικοσυστημάτων. Η ικανότητα της συγκεκριμένης τεχνολογίας να «βλέπει» μέσα από το θόλο των δέντρων επιτρέπει τον προσδιορισμό της τοπογραφίας και της βλάστησης του υποορόφου, που είναι μεγάλης σημασίας για πολλά είδη ζώων. Τα δεδομένα LiDAR προσφέρουν άμεση πληροφορία για το ύψος των δέντρων και την πυκνότητα του θόλου, και έμμεση πληροφορία για την ηλικία ενός δάσους, τα διάκενα των θόλων και τα μεγάλα δέντρα.
Για τους παραπάνω λόγους, αποδεικνύονται εξαιρετικά χρήσιμα στην πρόβλεψη της χρήσης των ενδιαιτημάτων από τα διάφορα είδη ζώων. Δυστυχώς, η λήψη τους γίνεται συνήθως από αερομεταφερόμενες πλατφόρμες και επομένως η απόκτησή τους είναι δαπανηρή.

''Περιβαλλοντική αξιολόγηση σε πραγματικό χρόνο''

Οι επιστήμονες και οι διαχειριστές της άγριας πανίδας έχουν αρχίσει να διερευνούν τη δυνατότητα χρήσης χαμηλού κόστους προ-προγραμματισμένων ή τηλεκατευθυνόμενων μη επανδρωμένων ιπτάμενων οχημάτων (drones), εξοπλισμένων με βιντεοκάμερες και φωτογραφικές μηχανές, ως εναλλακτικό τρόπο για να ερευνήσουν τοπία, να εκτιμήσουν τους πληθυσμούς ζώων και να παρακολουθήσουν τις ανθρώπινες δραστηριότητες. Η χρήση UAV επιτρέπει την σε πραγματικό χρόνο παρακολούθηση περιβαλλοντικών παραμέτρων και επομένως, προσφέρει σημαντικές δυνατότητες στη μελέτη των μετακινήσεων των ζώων. Επίσης, τα ραντάρ παρακολούθησης του καιρού παρακολουθούν την άφιξη των αποδημητικών πτηνών και, συνεπώς, μπορούν να εκτιμήσουν ποσοτικά δεδομένα για την κατανομή τους, συμβάλλοντας στον εντοπισμό των ενδιάμεσων μεταναστευτικών στάσεων μέσα σε μία ευρεία γεωγραφική κλίμακα και σε πραγματικό χρόνο.

''Μοντέλα επανανάλυσης τηλεπισκοπικών προϊόντων''

Υπάρχει μια αυξανόμενη προσπάθεια για την επανανάλυση των τηλεπισκοπικών και μετεωρολογικών δεδομένων, ώστε να ληφθούν συνεκτικά και μακροπρόθεσμα, παγκόσμια ή τοπικά περιβαλλοντικά προϊόντα με μικρή ή μεσαία χωρική ανάλυση (12-1000 km), αλλά πολύ υψηλή χρονική (1-24 ωρών). Τέτοιου είδους παραδείγματα αποτελούν η NARR (North American Regional Reanalysis), η NCEP Reanalysis της NOAA και η ECMWF (European weather reanalysis). Το πρόγραμμα MERRA της NASA, για παράδειγμα, παρέχει συνεπείς πληροφορίες σχετικά με τη μεταβλητότητα του καιρού από το 1979 μέχρι σήμερα.

''Πιθανοί περιορισμοί των προϊόντων τηλεπισκόπησης στις μελέτες της οικολογίας της μετακίνησης''

Ένα σημαντικό ζήτημα είναι αυτό των σφαλμάτων, των αβεβαιοτήτων και της ακρίβειας στα προϊόντα τηλεπισκόπησης. Η ταξινόμηση σε σχέση με την κάλυψη γης δεν είναι τέλεια και αυτό μπορεί να εισάγει σφάλματα στα μοντέλα της μετακίνησης των ζώων. Όσο αυξάνονται οι θεματικές ενότητες κάλυψης γης που καλούνται να χαρτογραφηθούν τόσο μειώνεται η ακρίβεια της ταξινόμησης. Οι ερευνητές που εφαρμόζουν τηλεπισκοπικά δεδομένα σε δεδομένα μετακίνησης ζώων θα πρέπει, επίσης, να λάβουν υπόψη την εγγενή χωρική αυτοσυσχέτιση των συγκεκριμένων δεδομένων. Ωστόσο, έχει σημειωθεί σημαντική πρόοδος σε στατιστικά εργαλεία, τα οποία συμβάλλουν στην ανακάλυψη χωρικών μοτίβων και τη διόρθωση των αυτοσυσχετιζόμενων δεδομένων. Η χωρική διακριτική ικανότητα των δορυφορικών δεδομένων είναι ένα επιπλέον κρίσιμο ζήτημα, το οποίο σχετίζεται με την ανάλυση των δεδομένων μετακίνησης μικρής κλίμακας. Για παράδειγμα, το μέγεθος των εικονοστοιχείων, το οποίο τείνει να αντιστοιχεί σε 250-1000 μέτρα για τους δορυφόρους που παρέχουν καθημερινές παρατηρήσεις, αντιστοιχεί σε πολύ πιο αδρή (coarse) ανάλυση από αυτήν των δεδομένων κίνησης από κολάρα GPS.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Τα δεδομένα τηλεπισκόπησης νέας γενιάς με πιο λεπτομερή χωροχρονική ανάλυση παρέχουν σημαντικές δυνατότητες στη μελέτη των μετακινήσεων των ζώων, καθώς προσφέρουν πληροφορίες σε σχέση με περιβαλλοντικά μοτίβα, όπως η χρονική δυναμική των τοπίων και οι τρισδιάστατη δομή των ενδιαιτημάτων. Η ανάπτυξη νέων εργαλείων για την αυτοματοποίηση της ενσωμάτωσης των τηλεπισκοπικών δεδομένων σε δεδομένα μετακίνησης των ζώων, συμβάλλει στο να ξεπεραστούν οι δυσκολίες στην ανάλυση τους, καθιστώντας πιο εύκολη την πρόσβαση σε περιβαλλοντικά δεδομένα για τους ερευνητές της οικολογίας των μετακινήσεων. Ωστόσο, οι περιβαλλοντικοί δείκτες που προκύπτουν από τηλεπισκοπικά δεδομένα δεν είναι πάντα άμεσα ανάλογοι των δεδομένων που συλλέγονται στο πεδίο, και οι ερευνητές θα πρέπει να δίνουν μεγάλη προσοχή στην επιλογή του κατάλληλου τηλεπισκοπικού προϊόντος, το οποίο θα πρέπει να ταιριάζει καλύτερα σε μια δεδομένη κλίμακα ανάλυσης (''fine-but-infrequent'' έναντι ''coarse-but-frequent'' ανάλυση ή την ελάχιστη χαρτογραφική μονάδα) και στον τρόπο με τον οποίο οι περιορισμοί του μπορεί να επηρεάζουν τα συμπεράσματα. Η στενότερη συνεργασία μεταξύ των οικολόγων ερευνητών και των εμπειρογνωμόνων τηλεπισκόπησης θα μπορούσε να μετριάσει σημαντικά το χάσμα εφαρμογής των πρόσφατα διαθέσιμων τηλεπισκοπικών δεδομένων σε μελέτες σε σχέση με τις μετακινήσεις των ζώων.

'''Συντομογραφίες'''

AVHRR - Advanced Very High Resolution Radiometer

DEM - Digital elevation models - Ψηφιακά υψομετρικά μοντέλα

EVI - Enhanced Vegetation Index - Ενισχυμένος Δείκτης Βλάστησης

GPS - Global Positioning System

LiDAR - Light Detection and Ranging ή 3-D Laser scanning: τεχνολογία εκπομπής παλμικής ακτινοβολίας laser στην ατμόσφαιρα και ακόλουθη καταγραφή της οπισθοσκεδαζόμενης ακτινοβολίας laser, καταγραφή απόστασης από την επιφάνεια της γης και λήψη πληροφοριών για την μορφολογία του εδάφους

MODIS - Moderate resolution Imaging Spectroradiometer (MODIS) – Aισθητήρας Μέτριας Ανάλυσης Απεικονιστικού Φασματο-ραδιομέτρου

NDVI - Normalized Difference Vegetation Index - Δείκτης βλάστησης κανονικοποιημένης διαφοράς

NOAA - National Oceanic and Atmospheric Administration data

SPOT - Satellite Pour l’Oservation de la Terre

UAV - Unmanned Aerial Vehicle - μη επανδρωμένο ιπτάμενο όχημα

[[category:Εφαρμογές άγριας πανίδας]]

[[category: Οικολογία]]

Δυνατότητες εφαρμογής προηγμένης τηλεπισκόπησης σε οικολογικές μελέτες σε σχέση με τις μετακινήσεις των χερσαίων ζώων

2019-03-03T15:07:03Z

Ntolka Eirini:

'''Δυνατότητες εφαρμογής προηγμένης τηλεπισκόπησης σε οικολογικές μελέτες σε σχέση με τις μετακινήσεις των χερσαίων ζώων'''

'''Πρωτότυπος τίτλος:''' ''Opportunities for the application of advanced remotely-sensed data in ecological studies of terrestrial animal movement''

[[Εικόνα:RSpaper5.1_Ntolka.JPG | thumb| right|'''Εικόνα 1. Κλίμακες της τρέχουσας ανάλυσης των δεδομένων μετακίνησης των ζώων και των τηλεπισκοπικών δεδομένων, στο χώρο και στο χρόνο.''']]

'''Συγγραφείς: '''Wiebke Neumann, Sebastian Martinuzzi, Anna B Estes, Anna M Pidgeon, Holger Dettki, Göran Ericsson and Volker C Radeloff

'''Δημοσιεύθηκε: ''' ''Movement Ecology (2015) 3:8, DOI: 10.1186/s40462-015-0036-7 ''

[[Εικόνα:RSpaper5.2_Ntolka.JPG | thumb| right|'''Πίνακας 1. Πηγή και ανάλυση διαφορετικών προϊόντων τηλεπισκόπησης.''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://movementecologyjournal.biomedcentral.com/articles/10.1186/s40462-015-0036-7]

[[Εικόνα:RSpaper5.3a_Ntolka.JPG | thumb| right|'''Πίνακας 2. Δείγμα οικολογικών μελετών για τη μετακίνηση των ζώων, στις οποίες χρησιμοποιούνται προϊόντα τηλεπισκόπισης.'''(α) ]]

'''Λέξεις-Κλειδιά: ''' τροχιές ζώων, πρότυπα μετακίνησης, τηλεπισκόπηση, trade-off ανάλυση, δορυφορικά προϊόντα, Landsat, LiDAR, MODIS, βάσεις δεδομένων μετακίνησης ζώων

'''Εισαγωγή'''

[[Εικόνα:RSpaper5.3b_Ntolka.JPG | thumb| right|'''Πίνακας 2. Δείγμα οικολογικών μελετών για τη μετακίνηση των ζώων, στις οποίες χρησιμοποιούνται προϊόντα τηλεπισκόπισης.(β)]]

Τα χρονικά και χωρικά πρότυπα της μετακίνησης των ζώων αποτελούν κεντρική πτυχή στη μελέτη της οικολογίας τους. Οι τηλεπισκοπικοί-περιβαλλοντικοί δείκτες μπορούν να διαδραματίσουν σημαντικό ρόλο στην κατανόηση αυτών των προτύπων, παρέχοντας συνεχή και σχετικά λεπτομερή δεδομένα, τα οποία συνδέουν τις μετακινήσεις των ζώων με το περιβάλλον τους. Παρόλα αυτά, παρατηρείται μια καθυστέρηση στην εφαρμογή των ποικίλων διαθέσιμων τηλεπισκοπικών προϊόντων σε τέτοιου είδους μελέτες, λόγω της μικρής εξοικείωσης των οικολόγων επιστημόνων με αυτά.

Στην παρούσα επισκόπηση, εστιάζουμε σε αυτές που συνδέουν τις θέσεις των ζώων με τηλεπισκοπικά δεδομένα σε χερσαία οικοσυστήματα, και που δημοσιεύτηκαν από το 2002 ως το 2013 (Πίνακας 2). Οι συγκεκριμένες μελέτες διερευνούν τον τρόπο με τον οποίο τα ζώα αλληλεπιδρούν με το επίγειο περιβάλλον τους με την πάροδο του χρόνου, και βασίζονται στις τροχιές και τις μετατοπίσεις ατόμων και πληθυσμών, συμβάλλοντας έτσι στη διατήρηση και διαχείριση της άγριας πανίδας. Πρώτα εξετάζονται οι τρέχουσες εφαρμογές των τηλεπισκοπικών- οικολογικών δεικτών που σχετίζονται με τα πρότυπα μετακίνησης σπονδυλωτών ζώων σε χερσαία οικοσυστήματα. Στη συνέχεια, παρουσιάζονται τα πρόσφατα διαθέσιμα τηλεπισκοπικά προϊόντα και οι δυνατότητες που προσφέρουν.

Οι διαφορετικές χωροχρονικές κλίμακες στις οποίες συμβαίνει η μετακίνηση των ζώων απαιτούν και τη χρήση διαφορετικού τύπου τηλεπισκοπικών δεδομένων, ώστε να κατανοηθούν τα αίτια που οδήγησαν σε αυτές τις μετακινήσεις (Εικόνα 1). Ωστόσο, υπάρχει ένας έμφυτος διαμοιρασμός (trade-off) ανάμεσα στα δεδομένα υψηλής χωρικής και χαμηλής χρονικής ανάλυσης (''fine-but-infrequent data'') έναντι των δεδομένων με χαμηλή χωρική και υψηλή χρονική ανάλυση (''coarse-but-frequent data''), τα οποία καταγράφονται από τους διαφορετικούς δορυφορικούς αισθητήρες (Εικόνα 1, Πίνακας 1).

[[Εικόνα:RSpaper5.3c_Ntolka.JPG | thumb| right|'''Πίνακας 2. Δείγμα οικολογικών μελετών για τη μετακίνηση των ζώων, στις οποίες χρησιμοποιούνται προϊόντα τηλεπισκόπισης.(γ)]]
[[Εικόνα:RSpaper5.4_Ntolka.JPG | thumb| right|'''Πίνακας 3. Ακρίβεια και ευστοχία των κύριων τηλεπισκοπικών προϊόντων.''']]

'''Επισκόπηση '''

'''Α) Τηλεπισκοπικά προϊόντα που χρησιμοποιούνται συχνά σε οικολογικές μελέτες πάνω στη μετακίνηση των ζώων'''

Οι μελέτες μικρής κλίμακας μετακινήσεων που εξετάστηκαν, περιλάμβαναν δεδομένα σχετικά με την κάλυψη γης, τις ανθρώπινες υποδομές και το έδαφος, και λιγότερο συχνά δεδομένα σχετικά με τη φαινολογία της βλάστησης, το κλίμα και τις καιρικές συνθήκες (Πίνακας 2). Αντιθέτως, οι μελέτες που ανέλυαν τις μετακινήσεις σε ευρύτερη κλίμακα (π.χ. μετανάστευση) χρησιμοποιούσαν συχνά δεδομένα για τη φαινολογία της βλάστησης (π.χ. το δείκτη βλάστησης κανονικοποιμένης διαφοράς NDVI) και μερικές φορές συνδύαζαν κλιματολογικά, καιρικά και εδαφικά δεδομένα. Οι κύριοι περιβαλλοντικοί δείκτες που χρησιμοποιούνται στις μελέτες μετακίνησης των ζώων διατίθενται από ένα ευρύ φάσμα τηλεπισκοπικών προϊόντων, τα οποία μπορεί να διαφέρουν μεταξύ τους ως προς την ακρίβεια (precision) και την ευστοχία-αξιοπιστία (accuracy) (Πίνακας 3).

'' Δεδομένα κάλυψης γης''

Τα δεδομένα σχετικά με την κάλυψη της γης προέρχονται κατά κανόνα από ''fine-but-infrequent'' προϊόντα τηλεπισκόπησης και οι ερευνητές μπορούν να τα χρησιμοποιήσουν για να συμπεράνουν τα μοτίβα κίνησης των ζώων σε πιο λεπτομερείς χωρικές κλίμακες (Εικόνα 1). Βοηθητικά δεδομένα που καταγράφουν την αλλαγή χρήσης γης και την ανάπτυξη των ανθρώπινων υποδομών, μπορούν να βοηθήσουν στην ενημέρωση των τηλεπισκοπικών χαρτών, δημιουργώντας δυναμικά δεδομένα τοπίου. Ο Landsat και οι αεροφωτογραφίες είναι οι πιο κοινές πηγές τέτοιων δεδομένων.

''Ψηφιακά υψομετρικά μοντέλα ''

Τα ψηφιακά υψομετρικά μοντέλα (DEM) παρέχουν ''fine-but-infrequent'' πληροφορίες σχετικά με το υψόμετρο, τον προσανατολισμό των πρανών, την κλίση, καθώς και την υγρασία του εδάφους και την ηλιακή ακτινοβολία. Μερικές φορές συνδυάζονται με ''coarse-but-frequent'' τηλεπισκοπικές ατμοσφαιρικές μεταβλητές, όπως η ταχύτητα του ανέμου, η τυρβώδης κινητική ενέργεια, η θερμοκρασία και το ύψος των νεφών (δεδομένα MODIS 8 ημερών, ΝΟΑΑ 10 ημερών, μηνιαία δεδομένα WorldClim, Πίνακας 2). Τα DEMs μπορούν να αποτελέσουν ένα ισχυρό εργαλείο και η ερμηνεία των παρατηρούμενων προτύπων μπορεί να συμβάλει σε συμπεράσματα για τις μεταναστατευτικές στρατηγικές των ζώων.

''Ανθρώπινες υποδομές''

Οι ανθρώπινες υποδομές επηρεάζουν τα ενδιαιτήματα πολλών ειδών άγριας πανίδας, καθώς μπορεί να δημιουργήσουν εμπόδια και να τροποποιήσουν τα ημερήσια και εποχιακά πρότυπα μετακίνησης των ζώων. Οι ψηφιακοί χάρτες των ανθρώπινων υποδομών αποτελούν ''fine-but-infrequent'' δεδομένα, και συνήθως προέρχονται από δεδομένα κάλυψης γης και αεροφωτογραφίες. Η χρήση απεικονίσεων υψηλής χωρικής ανάλυσης και LiDAR προσφέρει επίσης τη δυνατότητα διάκρισης μεταξύ των διαφορετικών τύπων ανθρώπινης υποδομής και βλάστησης, όπως οι εθνικές οδοί, οι δρόμοι, οι σιδηροδρομικές γραμμές, οι αγωγοί, οι γραμμές μεταφοράς ηλεκτρικής ενέργειας, τα σπίτια και τα δέντρα.

''Δεδομένα φαινολογίας φυτών''

Η φαινολογία των φυτών που βασίζεται σε δορυφορικά δεδομένα, ποσοτικοποιεί τις ημερομηνίες των χρωματικών μοτίβων (πρασίνισμα των φύλλων) πολλών διαφορετικών φυτικών ειδών σε κλίμακα τοπίου, και μπορεί να μελετηθεί με βάση τους δείκτες βλάστησης NDVI και EVI. Οι φαινολογικοί δείκτες προέρχονται συνήθως από ''course-but-frequent'' δορυφορικές απεικονίσεις, όπως απεικονίσεις SPOT 10 ημερών ή δεδομένα ανάκλασης MODIS 16 ημερών και μπορούν να εφαρμοστούν για την πρόβλεψη των μετακινήσεων και της κατανομής ατόμων και πληθυσμών (π.χ. για τη μεγάλων αποστάσεων μετανάστευση πολλών ειδών οπληφόρων).

''Η παραγωγικότητα''

Η παραγωγικότητα, δηλαδή η εποχιακή ανάπτυξη των φυτών, μπορεί να υπολογιστεί με τη συγχώνευση πληροφοριών από εδαφικές μετρήσεις βιομάζας και τον δείκτη βλάστησης NDVI από δορυφορικά δεδομένα MODIS. Μπορεί να προβλέψει τα μοτίβα μετακίνησης των ζώων, επιδεικνύοντας τη σχέση μεταξύ της μετανάστευσης και της πρόσβασης σε υψηλότερης ποιότητας τροφή.

''Δείκτες κλίματος και καιρικών συνθηκών''

Οι δείκτες κλίματος και καιρού παρέχουν πληροφορίες σχετικά με τις κατακρημνίσεις (π.χ. τις βροχοπτώσεις και χιονοπτώσεις από δεδομένα NOAA 10 ημερών, δεδομένα MODIS 8 ημερών και μηνιαία δεδομένα WorldClim) και τη θερμοκρασία (π.χ. NOAA 10 ημερών) και αποτελούν γενικά ''coarse-but-frequent'' δείκτες. Το κλίμα επηρεάζει τα ζώα σε μια ευρύτερη κλίμακα και μπορεί, για παράδειγμα, να προκαλέσει εποχιακή μετανάστευση. Οι κατακρημνίσεις και η θερμοκρασία αποτελούν καθοριστικούς παράγοντες στη διαμόρφωση των μοτίβων μετακίνησης των ζώων στα εποχιακά οικοσυστήματα. Ο καιρός, δηλαδή οι βραχυπρόθεσμες μεταβολές των μετεωρολογικών παραμέτρων (κατακρημνίσεις, άνεμος, θερμοκρασία κ.α.) επηρεάζει τις μικρής κλίμακας μετακινήσεις των ζώων, όπως είναι οι καθημερινές μετακινήσεις.

'''Β) Δυνατότητες χρήσης τηλεπισκοπικών προϊόντων σε οικολογικές μελέτες πάνω στη μετακίνηση των ζώων'''

''Αυξανόμενη πρόσβαση σε τηλεπισκοπικά δεδομένα''

Οι απεικονίσεις υψηλής χωρικής ανάλυσης καταγράφονται από αισθητήρες όπως οι IKONOS, QuickBird, OrbView-3 και Spot-5, με χωρική διακριτική ικανότητα από 0,5 έως 10 μέτρα (Πίνακας 1), και επιτρέπουν την αναγνώριση μικρότερων σε μέγεθος χαρακτηριστικών των ενδιαιτημάτων, όπως οι παράκτιοι διάδρομοι και τα μεμονωμένα δέντρα. Το υψηλό τους κόστος και η περιορισμένη διαθεσιμότητα αποτελούν σημαντικούς περιοριστικούς παράγοντες στη χρήση τους σε περιβαλλοντικές μελέτες. Ωστόσο, το κόστος αυτό μειώνεται με την πάροδο του χρόνου, καθώς εκτοξεύονται περισσότεροι δορυφόροι και αυξάνεται ο ανταγωνισμός. Επίσης, σε πολλές περιοχές διατίθενται δωρεάν μέσω διαδικτυακών-χαρτογραφικών τόπων, όπως το Google Earth, ενώ η δρομολόγηση του Landsat 8 και των δορυφόρων Sentinel θα εξασφαλίσει πρόσβαση σε δεδομένα τύπου Landsat με χωρική διακριτική ικανότητα 30m και χρονική ανάλυση 2-3 ημέρες. Η ενσωμάτωση των τηλεπισκοπικών δεδομένων σε σύνολα δεδομένων μετακίνησης των ζώων, αποτελεί μια επιπλέον πρόκληση για πολλούς οικολόγους ερευνητές. Παρόλα αυτά, δημιουργούνται συνέχεια καινούρια εργαλεία, τα οποία αυτοματοποιούν και απλοποιούν σε μεγάλο βαθμό την ενσωμάτωση και τις αναλύσεις.

''Καταγραφή της χρονικής δυναμικής των τοπίων''

Από το 2008, που τα δεδομένα του Landsat έγιναν ελεύθερα διαθέσιμα, έχουν αναπτυχθεί νέοι αλγόριθμοι επεξεργασίας της εικόνας, οι οποίοι μπορούν να αναλύσουν πολλές δεκαετίες ετήσιων Landsat απεικονίσεων ταυτόχρονα, και να συμβάλλουν σημαντικά στη μελέτη των μικρής κλίμακας μετακινήσεων των ζώων. Το μεγάλο πλεονέκτημα των τόσο πυκνών χρονοσειρών είναι ότι εντοπίζουν αλλαγές, όπως οι αποψιλώσεις δασών, οι οποίες μπορούν να ανιχνευθούν αμέσως μετά τη διαταραχή, αλλά μπορεί να μην εντοπιστούν αν οι απεικονίσεις απέχουν χρόνια μεταξύ τους.
Για την ανάλυση των ευρείας κλίμακας μετακινήσεων των ζώων , οι δείκτες φαινολογίας της βλάστησης (π.χ. ο NDVI) μπορούν να είναι πολύ ενημερωτικοί. Οι δορυφορικοί αισθητήρες όπως οι MODIS, AVHRR, VEGETATION και VIIRS παρέχουν καθημερινές απεικονίσεις, οι οποίες συνήθως συνοψίζονται σε σύνθετα 8 ή 16 ημερών που είναι σχετικά απαλλαγμένα από νέφη (Πίνακας 1). Για την αποτελεσματική και γρήγορη ανάλυση τόσο μεγάλου όγκου φαινολογικών δεδομένων έχουν αναπτυχθεί λογισμικά πακέτα, όπως το TIMESAT.

''Χαρακτηρίζοντας την τρισδιάστατη δομή των ενδιαιτημάτων''

Τα τρισδιάστατα δομικά χαρακτηριστικά της βλάστησης αποτελούν καθοριστικούς παράγοντες που επηρεάζουν τη χρήση του χώρου από τα ζώα. Η LiDAR είναι μια σχετικά νέα τεχνολογία, που χρησιμοποιεί την εκπομπή παλμικής ακτινοβολίας laser για τη μέτρηση της κάθετης και οριζόντιας δομής των οικοσυστημάτων. Η ικανότητα της συγκεκριμένης τεχνολογίας να «βλέπει» μέσα από το θόλο των δέντρων επιτρέπει τον προσδιορισμό της τοπογραφίας και της βλάστησης του υποορόφου, που είναι μεγάλης σημασίας για πολλά είδη ζώων. Τα δεδομένα LiDAR προσφέρουν άμεση πληροφορία για το ύψος των δέντρων και την πυκνότητα του θόλου, και έμμεση πληροφορία για την ηλικία ενός δάσους, τα διάκενα των θόλων και τα μεγάλα δέντρα.
Για τους παραπάνω λόγους, αποδεικνύονται εξαιρετικά χρήσιμα στην πρόβλεψη της χρήσης των ενδιαιτημάτων από τα διάφορα είδη ζώων. Δυστυχώς, η λήψη τους γίνεται συνήθως από αερομεταφερόμενες πλατφόρμες και επομένως η απόκτησή τους είναι δαπανηρή.

''Περιβαλλοντική αξιολόγηση σε πραγματικό χρόνο''

Οι επιστήμονες και οι διαχειριστές της άγριας πανίδας έχουν αρχίσει να διερευνούν τη δυνατότητα χρήσης χαμηλού κόστους προ-προγραμματισμένων ή τηλεκατευθυνόμενων μη επανδρωμένων ιπτάμενων οχημάτων (drones), εξοπλισμένων με βιντεοκάμερες και φωτογραφικές μηχανές, ως εναλλακτικό τρόπο για να ερευνήσουν τοπία, να εκτιμήσουν τους πληθυσμούς ζώων και να παρακολουθήσουν τις ανθρώπινες δραστηριότητες. Η χρήση UAV επιτρέπει την σε πραγματικό χρόνο παρακολούθηση περιβαλλοντικών παραμέτρων και επομένως, προσφέρει σημαντικές δυνατότητες στη μελέτη των μετακινήσεων των ζώων. Επίσης, τα ραντάρ παρακολούθησης του καιρού παρακολουθούν την άφιξη των αποδημητικών πτηνών και, συνεπώς, μπορούν να εκτιμήσουν ποσοτικά δεδομένα για την κατανομή τους, συμβάλλοντας στον εντοπισμό των ενδιάμεσων μεταναστευτικών στάσεων μέσα σε μία ευρεία γεωγραφική κλίμακα και σε πραγματικό χρόνο.

''Μοντέλα επανανάλυσης τηλεπισκοπικών προϊόντων''

Υπάρχει μια αυξανόμενη προσπάθεια για την επανανάλυση των τηλεπισκοπικών και μετεωρολογικών δεδομένων, ώστε να ληφθούν συνεκτικά και μακροπρόθεσμα, παγκόσμια ή τοπικά περιβαλλοντικά προϊόντα με μικρή ή μεσαία χωρική ανάλυση (12-1000 km), αλλά πολύ υψηλή χρονική (1-24 ωρών). Τέτοιου είδους παραδείγματα αποτελούν η NARR (North American Regional Reanalysis), η NCEP Reanalysis της NOAA και η ECMWF (European weather reanalysis). Το πρόγραμμα MERRA της NASA, για παράδειγμα, παρέχει συνεπείς πληροφορίες σχετικά με τη μεταβλητότητα του καιρού από το 1979 μέχρι σήμερα.

''Πιθανοί περιορισμοί των προϊόντων τηλεπισκόπησης στις μελέτες της οικολογίας της μετακίνησης''

Ένα σημαντικό ζήτημα είναι αυτό των σφαλμάτων, των αβεβαιοτήτων και της ακρίβειας στα προϊόντα τηλεπισκόπησης. Η ταξινόμηση σε σχέση με την κάλυψη γης δεν είναι τέλεια και αυτό μπορεί να εισάγει σφάλματα στα μοντέλα της μετακίνησης των ζώων. Όσο αυξάνονται οι θεματικές ενότητες κάλυψης γης που καλούνται να χαρτογραφηθούν τόσο μειώνεται η ακρίβεια της ταξινόμησης. Οι ερευνητές που εφαρμόζουν τηλεπισκοπικά δεδομένα σε δεδομένα μετακίνησης ζώων θα πρέπει, επίσης, να λάβουν υπόψη την εγγενή χωρική αυτοσυσχέτιση των συγκεκριμένων δεδομένων. Ωστόσο, έχει σημειωθεί σημαντική πρόοδος σε στατιστικά εργαλεία, τα οποία συμβάλλουν στην ανακάλυψη χωρικών μοτίβων και τη διόρθωση των αυτοσυσχετιζόμενων δεδομένων. Η χωρική διακριτική ικανότητα των δορυφορικών δεδομένων είναι ένα επιπλέον κρίσιμο ζήτημα, το οποίο σχετίζεται με την ανάλυση των δεδομένων μετακίνησης μικρής κλίμακας. Για παράδειγμα, το μέγεθος των εικονοστοιχείων, το οποίο τείνει να αντιστοιχεί σε 250-1000 μέτρα για τους δορυφόρους που παρέχουν καθημερινές παρατηρήσεις, αντιστοιχεί σε πολύ πιο αδρή (coarse) ανάλυση από αυτήν των δεδομένων κίνησης από κολάρα GPS.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Τα δεδομένα τηλεπισκόπησης νέας γενιάς με πιο λεπτομερή χωροχρονική ανάλυση παρέχουν σημαντικές δυνατότητες στη μελέτη των μετακινήσεων των ζώων, καθώς προσφέρουν πληροφορίες σε σχέση με περιβαλλοντικά μοτίβα, όπως η χρονική δυναμική των τοπίων και οι τρισδιάστατη δομή των ενδιαιτημάτων. Η ανάπτυξη νέων εργαλείων για την αυτοματοποίηση της ενσωμάτωσης των τηλεπισκοπικών δεδομένων σε δεδομένα μετακίνησης των ζώων, συμβάλλει στο να ξεπεραστούν οι δυσκολίες στην ανάλυση τους, καθιστώντας πιο εύκολη την πρόσβαση σε περιβαλλοντικά δεδομένα για τους ερευνητές της οικολογίας των μετακινήσεων. Ωστόσο, οι περιβαλλοντικοί δείκτες που προκύπτουν από τηλεπισκοπικά δεδομένα δεν είναι πάντα άμεσα ανάλογοι των δεδομένων που συλλέγονται στο πεδίο, και οι ερευνητές θα πρέπει να δίνουν μεγάλη προσοχή στην επιλογή του κατάλληλου τηλεπισκοπικού προϊόντος, το οποίο θα πρέπει να ταιριάζει καλύτερα σε μια δεδομένη κλίμακα ανάλυσης (''fine-but-infrequent'' έναντι ''coarse-but-frequent'' ανάλυση ή την ελάχιστη χαρτογραφική μονάδα) και στον τρόπο με τον οποίο οι περιορισμοί του μπορεί να επηρεάζουν τα συμπεράσματα. Η στενότερη συνεργασία μεταξύ των οικολόγων ερευνητών και των εμπειρογνωμόνων τηλεπισκόπησης θα μπορούσε να μετριάσει σημαντικά το χάσμα εφαρμογής των πρόσφατα διαθέσιμων τηλεπισκοπικών δεδομένων σε μελέτες σε σχέση με τις μετακινήσεις των ζώων.

'''Συντομογραφίες'''

AVHRR - Advanced Very High Resolution Radiometer

DEM - Digital elevation models - Ψηφιακά υψομετρικά μοντέλα

EVI - Enhanced Vegetation Index - Ενισχυμένος Δείκτης Βλάστησης

GPS - Global Positioning System

LiDAR - Light Detection and Ranging ή 3-D Laser scanning: τεχνολογία εκπομπής παλμικής ακτινοβολίας laser στην ατμόσφαιρα και ακόλουθη καταγραφή της οπισθοσκεδαζόμενης ακτινοβολίας laser, καταγραφή απόστασης από την επιφάνεια της γης και λήψη πληροφοριών για την μορφολογία του εδάφους

MODIS - Moderate resolution Imaging Spectroradiometer (MODIS) – Aισθητήρας Μέτριας Ανάλυσης Απεικονιστικού Φασματο-ραδιομέτρου

NDVI - Normalized Difference Vegetation Index - Δείκτης βλάστησης κανονικοποιημένης διαφοράς

NOAA - National Oceanic and Atmospheric Administration data

SPOT - Satellite Pour l’Oservation de la Terre

UAV - Unmanned Aerial Vehicle - μη επανδρωμένο ιπτάμενο όχημα

[[category:Εφαρμογές άγριας πανίδας]]

[[category: Οικολογία]]

Δυνατότητες εφαρμογής προηγμένης τηλεπισκόπησης σε οικολογικές μελέτες σε σχέση με τις μετακινήσεις των χερσαίων ζώων

2019-03-03T14:59:44Z

Ntolka Eirini:

'''Δυνατότητες εφαρμογής προηγμένης τηλεπισκόπησης σε οικολογικές μελέτες σε σχέση με τις μετακινήσεις των χερσαίων ζώων'''

'''Πρωτότυπος τίτλος:''' ''Opportunities for the application of advanced remotely-sensed data in ecological studies of terrestrial animal movement''

[[Εικόνα:RSpaper5.1_Ntolka.JPG | thumb| right|'''Εικόνα 1. Κλίμακες της τρέχουσας ανάλυσης των δεδομένων μετακίνησης των ζώων και των τηλεπισκοπικών δεδομένων, στο χώρο και στο χρόνο.''']]

'''Συγγραφείς: '''Wiebke Neumann, Sebastian Martinuzzi, Anna B Estes, Anna M Pidgeon, Holger Dettki, Göran Ericsson and Volker C Radeloff

'''Δημοσιεύθηκε: ''' ''Movement Ecology (2015) 3:8, DOI: 10.1186/s40462-015-0036-7 ''

[[Εικόνα:RSpaper5.2_Ntolka.JPG | thumb| right|'''Πίνακας 1. Πηγή και ανάλυση διαφορετικών προϊόντων τηλεπισκόπησης.''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://movementecologyjournal.biomedcentral.com/articles/10.1186/s40462-015-0036-7]

[[Εικόνα:RSpaper5.3a_Ntolka.JPG | thumb| right|'''Πίνακας 2. Δείγμα οικολογικών μελετών για τη μετακίνηση των ζώων, στις οποίες χρησιμοποιούνται προϊόντα τηλεπισκόπισης.'''(α) ]]

'''Λέξεις-Κλειδιά: ''' τροχιές ζώων, πρότυπα μετακίνησης, τηλεπισκόπηση, trade-off ανάλυση, δορυφορικά προϊόντα, Landsat, LiDAR, MODIS, βάσεις δεδομένων μετακίνησης ζώων

'''Εισαγωγή'''

[[Εικόνα:RSpaper5.3b_Ntolka.JPG | thumb| right|'''Πίνακας 2. Δείγμα οικολογικών μελετών για τη μετακίνηση των ζώων, στις οποίες χρησιμοποιούνται προϊόντα τηλεπισκόπισης.(β)]]

Τα χρονικά και χωρικά πρότυπα της μετακίνησης των ζώων αποτελούν κεντρική πτυχή στη μελέτη της οικολογίας τους. Οι τηλεπισκοπικοί-περιβαλλοντικοί δείκτες μπορούν να διαδραματίσουν σημαντικό ρόλο στην κατανόηση αυτών των προτύπων, παρέχοντας συνεχή και σχετικά λεπτομερή δεδομένα, τα οποία συνδέουν τις μετακινήσεις των ζώων με το περιβάλλον τους. Παρόλα αυτά, παρατηρείται μια καθυστέρηση στην εφαρμογή των ποικίλων διαθέσιμων τηλεπισκοπικών προϊόντων σε τέτοιου είδους μελέτες, λόγω της μικρής εξοικείωσης των οικολόγων επιστημόνων με αυτά.

Στην παρούσα επισκόπηση, εστιάζουμε σε αυτές που συνδέουν τις θέσεις των ζώων με τηλεπισκοπικά δεδομένα σε χερσαία οικοσυστήματα, και που δημοσιεύτηκαν από το 2002 ως το 2013 (Πίνακας 2). Οι συγκεκριμένες μελέτες διερευνούν τον τρόπο με τον οποίο τα ζώα αλληλεπιδρούν με το επίγειο περιβάλλον τους με την πάροδο του χρόνου, και βασίζονται στις τροχιές και τις μετατοπίσεις ατόμων και πληθυσμών, συμβάλλοντας έτσι στη διατήρηση και διαχείριση της άγριας πανίδας. Πρώτα εξετάζονται οι τρέχουσες εφαρμογές των τηλεπισκοπικών- οικολογικών δεικτών που σχετίζονται με τα πρότυπα μετακίνησης σπονδυλωτών ζώων σε χερσαία οικοσυστήματα. Στη συνέχεια, παρουσιάζονται τα πρόσφατα διαθέσιμα τηλεπισκοπικά προϊόντα και οι δυνατότητες που προσφέρουν.

Οι διαφορετικές χωροχρονικές κλίμακες στις οποίες συμβαίνει η μετακίνηση των ζώων απαιτούν και τη χρήση διαφορετικού τύπου τηλεπισκοπικών δεδομένων, ώστε να κατανοηθούν τα αίτια που οδήγησαν σε αυτές τις μετακινήσεις (Εικόνα 1). Ωστόσο, υπάρχει ένας έμφυτος διαμοιρασμός (trade-off) ανάμεσα στα δεδομένα υψηλής χωρικής και χαμηλής χρονικής ανάλυσης (''fine-but-infrequent data'') έναντι των δεδομένων με χαμηλή χωρική και υψηλή χρονική ανάλυση (''coarse-but-frequent data''), τα οποία καταγράφονται από τους διαφορετικούς δορυφορικούς αισθητήρες (Εικόνα 1, Πίνακας 1).

[[Εικόνα:RSpaper5.3c_Ntolka.JPG | thumb| right|'''Πίνακας 2. Δείγμα οικολογικών μελετών για τη μετακίνηση των ζώων, στις οποίες χρησιμοποιούνται προϊόντα τηλεπισκόπισης.(γ)]]
[[Εικόνα:RSpaper5.4_Ntolka.JPG | thumb| right|'''Πίνακας 3. Ακρίβεια και ευστοχία των κύριων τηλεπισκοπικών προϊόντων.''']]

'''Επισκόπηση '''

'''Α) Τηλεπισκοπικά προϊόντα που χρησιμοποιούνται συχνά σε οικολογικές μελέτες πάνω στη μετακίνηση των ζώων'''

Οι μελέτες μικρής κλίμακας μετακινήσεων που εξετάστηκαν, περιλάμβαναν δεδομένα σχετικά με την κάλυψη γης, τις ανθρώπινες υποδομές και το έδαφος, και λιγότερο συχνά δεδομένα σχετικά με τη φαινολογία της βλάστησης, το κλίμα και τις καιρικές συνθήκες (Πίνακας 2). Αντιθέτως, οι μελέτες που ανέλυαν τις μετακινήσεις σε ευρύτερη κλίμακα (π.χ. μετανάστευση) χρησιμοποιούσαν συχνά δεδομένα για τη φαινολογία της βλάστησης (π.χ. το δείκτη βλάστησης κανονικοποιμένης διαφοράς NDVI) και μερικές φορές συνδύαζαν κλιματολογικά, καιρικά και εδαφικά δεδομένα. Οι κύριοι περιβαλλοντικοί δείκτες που χρησιμοποιούνται στις μελέτες μετακίνησης των ζώων διατίθενται από ένα ευρύ φάσμα τηλεπισκοπικών προϊόντων, τα οποία μπορεί να διαφέρουν μεταξύ τους ως προς την ακρίβεια (precision) και την ευστοχία-αξιοπιστία (accuracy) (Πίνακας 3).

'' Δεδομένα κάλυψης γης''

Τα δεδομένα σχετικά με την κάλυψη της γης προέρχονται κατά κανόνα από ''fine-but-infrequent'' προϊόντα τηλεπισκόπησης και οι ερευνητές μπορούν να τα χρησιμοποιήσουν για να συμπεράνουν τα μοτίβα κίνησης των ζώων σε πιο λεπτομερείς χωρικές κλίμακες (Εικόνα 1). Βοηθητικά δεδομένα που καταγράφουν την αλλαγή χρήσης γης και την ανάπτυξη των ανθρώπινων υποδομών, μπορούν να βοηθήσουν στην ενημέρωση των τηλεπισκοπικών χαρτών, δημιουργώντας δυναμικά δεδομένα τοπίου. Ο Landsat και οι αεροφωτογραφίες είναι οι πιο κοινές πηγές τέτοιων δεδομένων.

''Ψηφιακά υψομετρικά μοντέλα ''

Τα ψηφιακά υψομετρικά μοντέλα (DEM) παρέχουν ''fine-but-infrequent'' πληροφορίες σχετικά με το υψόμετρο, τον προσανατολισμό των πρανών, την κλίση, καθώς και την υγρασία του εδάφους και την ηλιακή ακτινοβολία. Μερικές φορές συνδυάζονται με ''coarse-but-frequent'' τηλεπισκοπικές ατμοσφαιρικές μεταβλητές, όπως η ταχύτητα του ανέμου, η τυρβώδης κινητική ενέργεια, η θερμοκρασία και το ύψος των νεφών (δεδομένα MODIS 8 ημερών, ΝΟΑΑ 10 ημερών, μηνιαία δεδομένα WorldClim, Πίνακας 2). Τα DEMs μπορούν να αποτελέσουν ένα ισχυρό εργαλείο και η ερμηνεία των παρατηρούμενων προτύπων μπορεί να συμβάλει σε συμπεράσματα για τις μεταναστατευτικές στρατηγικές των ζώων.

''Ανθρώπινες υποδομές''

Οι ανθρώπινες υποδομές επηρεάζουν τα ενδιαιτήματα πολλών ειδών άγριας πανίδας, καθώς μπορεί να δημιουργήσουν εμπόδια και να τροποποιήσουν τα ημερήσια και εποχιακά πρότυπα μετακίνησης των ζώων. Οι ψηφιακοί χάρτες των ανθρώπινων υποδομών αποτελούν ''fine-but-infrequent'' δεδομένα, και συνήθως προέρχονται από δεδομένα κάλυψης γης και αεροφωτογραφίες. Η χρήση απεικονίσεων υψηλής χωρικής ανάλυσης και LiDAR προσφέρει επίσης τη δυνατότητα διάκρισης μεταξύ των διαφορετικών τύπων ανθρώπινης υποδομής και βλάστησης, όπως οι εθνικές οδοί, οι δρόμοι, οι σιδηροδρομικές γραμμές, οι αγωγοί, οι γραμμές μεταφοράς ηλεκτρικής ενέργειας, τα σπίτια και τα δέντρα.

''Δεδομένα φαινολογίας φυτών''

Η φαινολογία των φυτών που βασίζεται σε δορυφορικά δεδομένα, ποσοτικοποιεί τις ημερομηνίες των χρωματικών μοτίβων (πρασίνισμα των φύλλων) πολλών διαφορετικών φυτικών ειδών σε κλίμακα τοπίου, και μπορεί να μελετηθεί με βάση τους δείκτες βλάστησης NDVI και EVI. Οι φαινολογικοί δείκτες προέρχονται συνήθως από ''course-but-frequent'' δορυφορικές απεικονίσεις, όπως απεικονίσεις SPOT 10 ημερών ή δεδομένα ανάκλασης MODIS 16 ημερών και μπορούν να εφαρμοστούν για την πρόβλεψη των μετακινήσεων και της κατανομής ατόμων και πληθυσμών (π.χ. για τη μεγάλων αποστάσεων μετανάστευση πολλών ειδών οπληφόρων).

''Η παραγωγικότητα''

Η παραγωγικότητα, δηλαδή η εποχιακή ανάπτυξη των φυτών, μπορεί να υπολογιστεί με τη συγχώνευση πληροφοριών από εδαφικές μετρήσεις βιομάζας και τον δείκτη βλάστησης NDVI από δορυφορικά δεδομένα MODIS. Μπορεί να προβλέψει τα μοτίβα μετακίνησης των ζώων, επιδεικνύοντας τη σχέση μεταξύ της μετανάστευσης και της πρόσβασης σε υψηλότερης ποιότητας τροφή.

''Δείκτες κλίματος και καιρικών συνθηκών''

Οι δείκτες κλίματος και καιρού παρέχουν πληροφορίες σχετικά με τις κατακρημνίσεις (π.χ. τις βροχοπτώσεις και χιονοπτώσεις από δεδομένα NOAA 10 ημερών, δεδομένα MODIS 8 ημερών και μηνιαία δεδομένα WorldClim) και τη θερμοκρασία (π.χ. NOAA 10 ημερών) και αποτελούν γενικά ''coarse-but-frequent'' δείκτες. Το κλίμα επηρεάζει τα ζώα σε μια ευρύτερη κλίμακα και μπορεί, για παράδειγμα, να προκαλέσει εποχιακή μετανάστευση. Οι κατακρημνίσεις και η θερμοκρασία αποτελούν καθοριστικούς παράγοντες στη διαμόρφωση των μοτίβων μετακίνησης των ζώων στα εποχιακά οικοσυστήματα. Ο καιρός, δηλαδή οι βραχυπρόθεσμες μεταβολές των μετεωρολογικών παραμέτρων (κατακρημνίσεις, άνεμος, θερμοκρασία κ.α.) επηρεάζει τις μικρής κλίμακας μετακινήσεις των ζώων, όπως είναι οι καθημερινές μετακινήσεις.

'''Β) Δυνατότητες χρήσης τηλεπισκοπικών προϊόντων σε οικολογικές μελέτες πάνω στη μετακίνηση των ζώων'''

''Αυξανόμενη πρόσβαση σε τηλεπισκοπικά δεδομένα''

Οι απεικονίσεις υψηλής χωρικής ανάλυσης καταγράφονται από αισθητήρες όπως οι IKONOS, QuickBird, OrbView-3 και Spot-5, με χωρική διακριτική ικανότητα από 0,5 έως 10 μέτρα (Πίνακας 1), και επιτρέπουν την αναγνώριση μικρότερων σε μέγεθος χαρακτηριστικών των ενδιαιτημάτων, όπως οι παράκτιοι διάδρομοι και τα μεμονωμένα δέντρα. Το υψηλό τους κόστος και η περιορισμένη διαθεσιμότητα αποτελούν σημαντικούς περιοριστικούς παράγοντες στη χρήση τους σε περιβαλλοντικές μελέτες. Ωστόσο, το κόστος αυτό μειώνεται με την πάροδο του χρόνου, καθώς εκτοξεύονται περισσότεροι δορυφόροι και αυξάνεται ο ανταγωνισμός. Επίσης, σε πολλές περιοχές διατίθενται δωρεάν μέσω διαδικτυακών-χαρτογραφικών τόπων, όπως το Google Earth, ενώ η δρομολόγηση του Landsat 8 και των δορυφόρων Sentinel θα εξασφαλίσει πρόσβαση σε δεδομένα τύπου Landsat με χωρική διακριτική ικανότητα 30m και χρονική ανάλυση 2-3 ημέρες. Η ενσωμάτωση των τηλεπισκοπικών δεδομένων σε σύνολα δεδομένων μετακίνησης των ζώων, αποτελεί μια επιπλέον πρόκληση για πολλούς οικολόγους ερευνητές. Παρόλα αυτά, δημιουργούνται συνέχεια καινούρια εργαλεία, τα οποία αυτοματοποιούν και απλοποιούν σε μεγάλο βαθμό την ενσωμάτωση και τις αναλύσεις.

''Καταγραφή της χρονικής δυναμικής των τοπίων''

Από το 2008, που τα δεδομένα του Landsat έγιναν ελεύθερα διαθέσιμα, έχουν αναπτυχθεί νέοι αλγόριθμοι επεξεργασίας της εικόνας, οι οποίοι μπορούν να αναλύσουν πολλές δεκαετίες ετήσιων Landsat απεικονίσεων ταυτόχρονα, και να συμβάλλουν σημαντικά στη μελέτη των μικρής κλίμακας μετακινήσεων των ζώων. Το μεγάλο πλεονέκτημα μια τόσο πυκνής χρονικής σειράς είναι ότι εντοπίζει αλλαγές, όπως οι αποψιλώσεις δασών, οι οποίες μπορούν να ανιχνευθούν αμέσως μετά τη διαταραχή, αλλά μπορεί να μην εντοπιστούν αν οι απεικονίσεις απέχουν χρόνια μεταξύ τους.
Για την ανάλυση των ευρείας κλίμακας μετακινήσεων των ζώων , οι δείκτες φαινολογίας της βλάστησης (π.χ. ο NDVI) μπορούν να είναι πολύ ενημερωτικοί. Οι δορυφορικοί αισθητήρες όπως οι MODIS, AVHRR, VEGETATION και VIIRS παρέχουν καθημερινές απεικονίσεις, οι οποίες συνήθως συνοψίζονται σε σύνθετα 8 ή 16 ημερών που είναι σχετικά απαλλαγμένα από νέφη (Πίνακας 1). Για την αποτελεσματική και γρήγορη ανάλυση τόσο μεγάλου όγκου φαινολογικών δεδομένων έχουν αναπτυχθεί λογισμικά πακέτα, όπως το TIMESAT.

''Χαρακτηρίζοντας την τρισδιάστατη δομή των ενδιαιτημάτων''

Τα τρισδιάστατα δομικά χαρακτηριστικά της βλάστησης αποτελούν καθοριστικούς παράγοντες που επηρεάζουν τη χρήση του χώρου από τα ζώα. Η LiDAR είναι μια σχετικά νέα τεχνολογία, που χρησιμοποιεί την εκπομπή παλμικής ακτινοβολίας laser για τη μέτρηση της κάθετης και οριζόντιας δομής των οικοσυστημάτων. Η ικανότητα της συγκεκριμένης τεχνολογίας να «βλέπει» μέσα από το θόλο των δέντρων επιτρέπει τον προσδιορισμό της τοπογραφίας και της βλάστησης του υποορόφου, που είναι μεγάλης σημασίας για πολλά είδη ζώων. Τα δεδομένα LiDAR προσφέρουν άμεση πληροφορία για το ύψος των δέντρων και την πυκνότητα του θόλου, και έμμεση πληροφορία για την ηλικία ενός δάσους, τα διάκενα των θόλων και τα μεγάλα δέντρα.
Για τους παραπάνω λόγους, αποδεικνύονται εξαιρετικά χρήσιμα στην πρόβλεψη της χρήσης των ενδιαιτημάτων από τα διάφορα είδη ζώων. Δυστυχώς, η λήψη τους γίνεται συνήθως από αερομεταφερόμενες πλατφόρμες και επομένως η απόκτησή τους είναι δαπανηρή.

''Περιβαλλοντική αξιολόγηση σε πραγματικό χρόνο''

Οι επιστήμονες και οι διαχειριστές της άγριας πανίδας έχουν αρχίσει να διερευνούν τη δυνατότητα χρήσης χαμηλού κόστους προ-προγραμματισμένων ή τηλεκατευθυνόμενων μη επανδρωμένων ιπτάμενων οχημάτων (drones), εξοπλισμένων με βιντεοκάμερες και φωτογραφικές μηχανές, ως εναλλακτικό τρόπο για να ερευνήσουν τοπία, να εκτιμήσουν τους πληθυσμούς ζώων και να παρακολουθήσουν τις ανθρώπινες δραστηριότητες. Η χρήση UAV επιτρέπει την σε πραγματικό χρόνο παρακολούθηση περιβαλλοντικών παραμέτρων και επομένως, προσφέρει σημαντικές δυνατότητες στη μελέτη των μετακινήσεων των ζώων. Επίσης, τα ραντάρ παρακολούθησης του καιρού παρακολουθούν την άφιξη των αποδημητικών πτηνών και, συνεπώς, μπορούν να εκτιμήσουν ποσοτικά δεδομένα για την κατανομή τους, συμβάλλοντας στον εντοπισμό των ενδιάμεσων μεταναστευτικών στάσεων μέσα σε μία ευρεία γεωγραφική κλίμακα και σε πραγματικό χρόνο.

''Μοντέλα επανανάλυσης τηλεπισκοπικών προϊόντων''

Υπάρχει μια αυξανόμενη προσπάθεια για την επανανάλυση των τηλεπισκοπικών και μετεωρολογικών δεδομένων, ώστε να ληφθούν συνεκτικά και μακροπρόθεσμα, παγκόσμια ή τοπικά περιβαλλοντικά προϊόντα με μικρή ή μεσαία χωρική ανάλυση (12-1000 km), αλλά πολύ υψηλή χρονική (1-24 ωρών). Τέτοιου είδους παραδείγματα αποτελούν η NARR (North American Regional Reanalysis), η NCEP Reanalysis της NOAA και η ECMWF (European weather reanalysis). Το πρόγραμμα MERRA της NASA, για παράδειγμα, παρέχει συνεπείς πληροφορίες σχετικά με τη μεταβλητότητα του καιρού από το 1979 μέχρι σήμερα.

''Πιθανοί περιορισμοί των προϊόντων τηλεπισκόπησης στις μελέτες της οικολογίας της μετακίνησης''

Ένα σημαντικό ζήτημα είναι αυτό των σφαλμάτων, των αβεβαιοτήτων και της ακρίβειας στα προϊόντα τηλεπισκόπησης. Η ταξινόμηση σε σχέση με την κάλυψη γης δεν είναι τέλεια και αυτό μπορεί να εισάγει σφάλματα στα μοντέλα της μετακίνησης των ζώων. Όσο αυξάνονται οι θεματικές ενότητες κάλυψης γης που καλούνται να χαρτογραφηθούν τόσο μειώνεται η ακρίβεια της ταξινόμησης. Οι ερευνητές που εφαρμόζουν τηλεπισκοπικά δεδομένα σε δεδομένα μετακίνησης ζώων θα πρέπει, επίσης, να λάβουν υπόψη την εγγενή χωρική αυτοσυσχέτιση των συγκεκριμένων δεδομένων. Ωστόσο, έχει σημειωθεί σημαντική πρόοδος σε στατιστικά εργαλεία, τα οποία συμβάλλουν στην ανακάλυψη χωρικών μοτίβων και τη διόρθωση των αυτοσυσχετιζόμενων δεδομένων. Η χωρική διακριτική ικανότητα των δορυφορικών δεδομένων είναι ένα επιπλέον κρίσιμο ζήτημα, το οποίο σχετίζεται με την ανάλυση των δεδομένων μετακίνησης μικρής κλίμακας. Για παράδειγμα, το μέγεθος των εικονοστοιχείων, το οποίο τείνει να αντιστοιχεί σε 250-1000 μέτρα για τους δορυφόρους που παρέχουν καθημερινές παρατηρήσεις, αντιστοιχεί σε πολύ πιο αδρή (coarse) ανάλυση από αυτήν των δεδομένων κίνησης από κολάρα GPS.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Τα δεδομένα τηλεπισκόπησης νέας γενιάς με πιο λεπτομερή χωροχρονική ανάλυση παρέχουν σημαντικές δυνατότητες στη μελέτη των μετακινήσεων των ζώων, καθώς προσφέρουν πληροφορίες σε σχέση με περιβαλλοντικά μοτίβα, όπως η χρονική δυναμική των τοπίων και οι τρισδιάστατη δομή των ενδιαιτημάτων. Η ανάπτυξη νέων εργαλείων για την αυτοματοποίηση της ενσωμάτωσης των τηλεπισκοπικών δεδομένων σε δεδομένα μετακίνησης των ζώων, συμβάλλει στο να ξεπεραστούν οι δυσκολίες στην ανάλυση τους, καθιστώντας πιο εύκολη την πρόσβαση σε περιβαλλοντικά δεδομένα για τους ερευνητές της οικολογίας των μετακινήσεων. Ωστόσο, οι περιβαλλοντικοί δείκτες που προκύπτουν από τηλεπισκοπικά δεδομένα δεν είναι πάντα άμεσα ανάλογοι των δεδομένων που συλλέγονται στο πεδίο, και οι ερευνητές θα πρέπει να δίνουν μεγάλη προσοχή στην επιλογή του κατάλληλου τηλεπισκοπικού προϊόντος, το οποίο θα πρέπει να ταιριάζει καλύτερα σε μια δεδομένη κλίμακα ανάλυσης (''fine-but-infrequent'' έναντι ''coarse-but-frequent'' ανάλυση ή την ελάχιστη χαρτογραφική μονάδα) και στον τρόπο με τον οποίο οι περιορισμοί του μπορεί να επηρεάζουν τα συμπεράσματα. Η στενότερη συνεργασία μεταξύ των οικολόγων ερευνητών και των εμπειρογνωμόνων τηλεπισκόπησης θα μπορούσε να μετριάσει σημαντικά το χάσμα εφαρμογής των πρόσφατα διαθέσιμων τηλεπισκοπικών δεδομένων σε μελέτες σε σχέση με τις μετακινήσεις των ζώων.

'''Συντομογραφίες'''

AVHRR - Advanced Very High Resolution Radiometer

DEM - Digital elevation models - Ψηφιακά υψομετρικά μοντέλα

EVI - Enhanced Vegetation Index - Ενισχυμένος Δείκτης Βλάστησης

GPS - Global Positioning System

LiDAR - Light Detection and Ranging ή 3-D Laser scanning: τεχνολογία εκπομπής παλμικής ακτινοβολίας laser στην ατμόσφαιρα και ακόλουθη καταγραφή της οπισθοσκεδαζόμενης ακτινοβολίας laser, καταγραφή απόστασης από την επιφάνεια της γης και λήψη πληροφοριών για την μορφολογία του εδάφους

MODIS - Moderate resolution Imaging Spectroradiometer (MODIS) – Aισθητήρας Μέτριας Ανάλυσης Απεικονιστικού Φασματο-ραδιομέτρου

NDVI - Normalized Difference Vegetation Index - Δείκτης βλάστησης κανονικοποιημένης διαφοράς

NOAA - National Oceanic and Atmospheric Administration data

SPOT - Satellite Pour l’Oservation de la Terre

UAV - Unmanned Aerial Vehicle - μη επανδρωμένο ιπτάμενο όχημα

[[category:Εφαρμογές άγριας πανίδας]]

[[category: Οικολογία]]

Δυνατότητες εφαρμογής προηγμένης τηλεπισκόπησης σε οικολογικές μελέτες σε σχέση με τις μετακινήσεις των χερσαίων ζώων

2019-03-03T14:55:27Z

Ntolka Eirini:

'''Δυνατότητες εφαρμογής προηγμένης τηλεπισκόπησης σε οικολογικές μελέτες σε σχέση με τις μετακινήσεις των χερσαίων ζώων'''

'''Πρωτότυπος τίτλος:''' ''Opportunities for the application of advanced remotely-sensed data in ecological studies of terrestrial animal movement''

[[Εικόνα:RSpaper5.1_Ntolka.JPG | thumb| right|'''Εικόνα 1. Κλίμακες της τρέχουσας ανάλυσης των δεδομένων μετακίνησης των ζώων και των τηλεπισκοπικών δεδομένων, στο χώρο και στο χρόνο.''']]

'''Συγγραφείς: '''Wiebke Neumann, Sebastian Martinuzzi, Anna B Estes, Anna M Pidgeon, Holger Dettki, Göran Ericsson and Volker C Radeloff

'''Δημοσιεύθηκε: ''' ''Movement Ecology (2015) 3:8, DOI: 10.1186/s40462-015-0036-7 ''

[[Εικόνα:RSpaper5.2_Ntolka.JPG | thumb| right|'''Πίνακας 1. Πηγή και ανάλυση διαφορετικών προϊόντων τηλεπισκόπησης.''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://movementecologyjournal.biomedcentral.com/articles/10.1186/s40462-015-0036-7]

[[Εικόνα:RSpaper5.3a_Ntolka.JPG | thumb| right|'''Πίνακας 2. Δείγμα οικολογικών μελετών για τη μετακίνηση των ζώων, στις οποίες χρησιμοποιούνται προϊόντα τηλεπισκόπισης.'''(α) ]]

'''Λέξεις-Κλειδιά: ''' τροχιές ζώων, πρότυπα μετακίνησης, τηλεπισκόπηση, trade-off ανάλυση, δορυφορικά προϊόντα, Landsat, LiDAR, MODIS, βάσεις δεδομένων μετακίνησης ζώων

'''Εισαγωγή'''

[[Εικόνα:RSpaper5.3b_Ntolka.JPG | thumb| right|'''Πίνακας 2. Δείγμα οικολογικών μελετών για τη μετακίνηση των ζώων, στις οποίες χρησιμοποιούνται προϊόντα τηλεπισκόπισης.(β)]]

Τα χρονικά και χωρικά πρότυπα της μετακίνησης των ζώων αποτελούν κεντρική πτυχή στη μελέτη της οικολογίας τους. Οι τηλεπισκοπικοί-περιβαλλοντικοί δείκτες μπορούν να διαδραματίσουν σημαντικό ρόλο στην κατανόηση αυτών των προτύπων, παρέχοντας συνεχή και σχετικά λεπτομερή δεδομένα, τα οποία συνδέουν τις μετακινήσεις των ζώων με το περιβάλλον τους. Παρόλα αυτά, παρατηρείται μια καθυστέρηση στην εφαρμογή των ποικίλων διαθέσιμων τηλεπισκοπικών προϊόντων σε τέτοιου είδους μελέτες, λόγω της μικρής εξοικείωσης των οικολόγων επιστημόνων με αυτά.

Στην παρούσα επισκόπηση, εστιάζουμε σε αυτές που συνδέουν τις θέσεις των ζώων με τηλεπισκοπικά δεδομένα σε χερσαία οικοσυστήματα, και που δημοσιεύτηκαν από το 2002 ως το 2013 (Πίνακας 2). Οι συγκεκριμένες μελέτες διερευνούν τον τρόπο με τον οποίο τα ζώα αλληλεπιδρούν με το επίγειο περιβάλλον τους με την πάροδο του χρόνου, και βασίζονται στις τροχιές και τις μετατοπίσεις ατόμων και πληθυσμών, συμβάλλοντας έτσι στη διατήρηση και διαχείριση της άγριας πανίδας. Πρώτα εξετάζονται οι τρέχουσες εφαρμογές των τηλεπισκοπικών- οικολογικών δεικτών που σχετίζονται με τα πρότυπα μετακίνησης σπονδυλωτών ζώων σε χερσαία οικοσυστήματα. Στη συνέχεια, παρουσιάζονται τα πρόσφατα διαθέσιμα τηλεπισκοπικά προϊόντα και οι δυνατότητες που προσφέρουν.

Οι διαφορετικές χωροχρονικές κλίμακες στις οποίες συμβαίνει η μετακίνηση των ζώων απαιτούν και τη χρήση διαφορετικού τύπου τηλεπισκοπικών δεδομένων, ώστε να κατανοηθούν τα αίτια που οδήγησαν σε αυτές τις μετακινήσεις (Εικόνα 1). Ωστόσο, υπάρχει ένας έμφυτος διαμοιρασμός (trade-off) ανάμεσα στα δεδομένα υψηλής χωρικής και χαμηλής χρονικής ανάλυσης (''fine-but-infrequent data'') έναντι των δεδομένων με χαμηλή χωρική και υψηλή χρονική ανάλυση (''coarse-but-frequent data''), τα οποία καταγράφονται από τους διαφορετικούς δορυφορικούς αισθητήρες (Εικόνα 1, Πίνακας 1).

[[Εικόνα:RSpaper5.3c_Ntolka.JPG | thumb| right|'''Πίνακας 2. Δείγμα οικολογικών μελετών για τη μετακίνηση των ζώων, στις οποίες χρησιμοποιούνται προϊόντα τηλεπισκόπισης.(γ)]]
[[Εικόνα:RSpaper5.4_Ntolka.JPG | thumb| right|'''Πίνακας 3. Ακρίβεια και ευστοχία των κύριων τηλεπισκοπικών προϊόντων.''']]

'''Επισκόπηση '''

'''Α) Τηλεπισκοπικά προϊόντα που χρησιμοποιούνται συχνά σε οικολογικές μελέτες πάνω στη μετακίνηση των ζώων'''

Οι μελέτες μικρής κλίμακας μετακινήσεων που εξετάστηκαν, περιλάμβαναν δεδομένα σχετικά με την κάλυψη γης, τις ανθρώπινες υποδομές και το έδαφος, και λιγότερο συχνά δεδομένα σχετικά με τη φαινολογία της βλάστησης, το κλίμα και τις καιρικές συνθήκες (Πίνακας 2). Αντιθέτως, οι μελέτες που ανέλυαν τις μετακινήσεις σε ευρύτερη κλίμακα (π.χ. μετανάστευση) χρησιμοποιούσαν συχνά δεδομένα για τη φαινολογία της βλάστησης (π.χ. το δείκτη βλάστησης κανονικοποιμένης διαφοράς NDVI) και μερικές φορές συνδύαζαν κλιματολογικά, καιρικά και εδαφικά δεδομένα. Οι κύριοι περιβαλλοντικοί δείκτες που χρησιμοποιούνται στις μελέτες μετακίνησης των ζώων διατίθενται από ένα ευρύ φάσμα τηλεπισκοπικών προϊόντων, τα οποία μπορεί να διαφέρουν μεταξύ τους ως προς την ακρίβεια (precision) και την ευστοχία-αξιοπιστία (accuracy) (Πίνακας 3).

'' Δεδομένα κάλυψης γης''

Τα δεδομένα σχετικά με την κάλυψη της γης προέρχονται κατά κανόνα από ''fine-but-infrequent'' προϊόντα τηλεπισκόπησης και οι ερευνητές μπορούν να τα χρησιμοποιήσουν για να συμπεράνουν τα μοτίβα κίνησης των ζώων σε πιο λεπτομερείς χωρικές κλίμακες (Εικόνα 1). Βοηθητικά δεδομένα που καταγράφουν την αλλαγή χρήσης γης και την ανάπτυξη των ανθρώπινων υποδομών, μπορούν να βοηθήσουν στην ενημέρωση των τηλεπισκοπικών χαρτών, δημιουργώντας δυναμικά δεδομένα τοπίου. Ο Landsat και οι αεροφωτογραφίες είναι οι πιο κοινές πηγές τέτοιων δεδομένων.

''Ψηφιακά υψομετρικά μοντέλα ''

Τα ψηφιακά υψομετρικά μοντέλα (DEM) παρέχουν ''fine-but-infrequent'' πληροφορίες σχετικά με το υψόμετρο, τον προσανατολισμό των πρανών, την κλίση, καθώς και την υγρασία του εδάφους και την ηλιακή ακτινοβολία. Μερικές φορές συνδυάζονται με ''coarse-but-frequent'' τηλεπισκοπικές ατμοσφαιρικές μεταβλητές, όπως η ταχύτητα του ανέμου, η τυρβώδης κινητική ενέργεια, η θερμοκρασία και το ύψος των νεφών (δεδομένα MODIS 8 ημερών, ΝΟΑΑ 10 ημερών, μηνιαία δεδομένα WorldClim, Πίνακας 2). Τα DEMs μπορούν να αποτελέσουν ένα ισχυρό εργαλείο και η ερμηνεία των παρατηρούμενων προτύπων μπορεί να συμβάλει σε συμπεράσματα για τις μεταναστατευτικές στρατηγικές των ζώων.

''Ανθρώπινες υποδομές''

Οι ανθρώπινες υποδομές επηρεάζουν τα ενδιαιτήματα πολλών ειδών άγριας πανίδας, καθώς μπορεί να δημιουργήσουν εμπόδια και να τροποποιήσουν τα ημερήσια και εποχιακά πρότυπα μετακίνησης των ζώων. Οι ψηφιακοί χάρτες των ανθρώπινων υποδομών αποτελούν ''fine-but-infrequent'' δεδομένα, και συνήθως προέρχονται από δεδομένα κάλυψης γης και αεροφωτογραφίες. Η χρήση απεικονίσεων υψηλής χωρικής ανάλυσης και LiDAR προσφέρει επίσης τη δυνατότητα διάκρισης μεταξύ των διαφορετικών τύπων ανθρώπινης υποδομής και βλάστησης, όπως οι εθνικές οδοί, οι δρόμοι, οι σιδηροδρομικές γραμμές, οι αγωγοί, οι γραμμές μεταφοράς ηλεκτρικής ενέργειας, τα σπίτια και τα δέντρα.

''Δεδομένα φαινολογίας φυτών''

Η φαινολογία των φυτών που βασίζεται σε δορυφορικά δεδομένα, ποσοτικοποιεί τις ημερομηνίες των χρωματικών μοτίβων (πρασίνισμα των φύλλων) πολλών διαφορετικών φυτικών ειδών σε κλίμακα τοπίου, και μπορεί να μελετηθεί με βάση τους δείκτες βλάστησης NDVI και EVI. Οι φαινολογικοί δείκτες προέρχονται συνήθως από ''course-but-frequent'' δορυφορικές απεικονίσεις, όπως απεικονίσεις SPOT 10 ημερών ή δεδομένα ανάκλασης MODIS 16 ημερών και μπορούν να εφαρμοστούν για την πρόβλεψη των μετακινήσεων και της κατανομής ατόμων και πληθυσμών (π.χ. για τη μεγάλων αποστάσεων μετανάστευση πολλών ειδών οπληφόρων).

''Η παραγωγικότητα''

Η παραγωγικότητα, δηλαδή η εποχιακή ανάπτυξη των φυτών, μπορεί να υπολογιστεί με τη συγχώνευση πληροφοριών από εδαφικές μετρήσεις βιομάζας και τον δείκτη βλάστησης NDVI από δορυφορικά δεδομένα MODIS. Μπορεί να προβλέψει τα μοτίβα μετακίνησης των ζώων, επιδεικνύοντας τη σχέση μεταξύ της μετανάστευσης και της πρόσβασης σε υψηλότερης ποιότητας τροφή.

''Δείκτες κλίματος και καιρικών συνθηκών''

Οι δείκτες κλίματος και καιρού παρέχουν πληροφορίες σχετικά με τις κατακρημνίσεις (π.χ. τις βροχοπτώσεις και χιονοπτώσεις από δεδομένα NOAA 10 ημερών, δεδομένα MODIS 8 ημερών και μηνιαία δεδομένα WorldClim) και τη θερμοκρασία (π.χ. NOAA 10 ημερών) και αποτελούν γενικά ''coarse-but-frequent'' δείκτες. Το κλίμα επηρεάζει τα ζώα σε μια ευρύτερη κλίμακα και μπορεί, για παράδειγμα, να προκαλέσει εποχιακή μετανάστευση. Οι κατακρημνίσεις και η θερμοκρασία αποτελούν καθοριστικούς παράγοντες στη διαμόρφωση των μοτίβων μετακίνησης των ζώων στα εποχιακά οικοσυστήματα. Ο καιρός, δηλαδή οι βραχυπρόθεσμες μεταβολές των μετεωρολογικών παραμέτρων (κατακρημνίσεις, άνεμος, θερμοκρασία κ.α.) επηρεάζει τις μικρής κλίμακας μετακινήσεις των ζώων, όπως είναι οι καθημερινές μετακινήσεις.

'''Β) Δυνατότητες χρήσης τηλεπισκοπικών προϊόντων σε οικολογικές μελέτες πάνω στη μετακίνηση των ζώων'''

''Αυξανόμενη πρόσβαση σε τηλεπισκοπικά δεδομένα''

Οι απεικονίσεις υψηλής χωρικής ανάλυσης καταγράφονται από αισθητήρες όπως οι IKONOS, QuickBird, OrbView-3 και Spot-5, με χωρική διακριτική ικανότητα από 0,5 έως 10 μέτρα (Πίνακας 1), και επιτρέπουν την αναγνώριση μικρότερων σε μέγεθος χαρακτηριστικών των ενδιαιτημάτων, όπως οι παράκτιοι διάδρομοι και τα μεμονωμένα δέντρα. Το υψηλό τους κόστος και η περιορισμένη διαθεσιμότητα αποτελούν σημαντικούς περιοριστικούς παράγοντες στη χρήση τους σε περιβαλλοντικές μελέτες. Ωστόσο, το κόστος αυτό μειώνεται με την πάροδο του χρόνου, καθώς εκτοξεύονται περισσότεροι δορυφόροι και αυξάνεται ο ανταγωνισμός. Επίσης, σε πολλές περιοχές διατίθενται δωρεάν μέσω διαδικτυακών-χαρτογραφικών τόπων, όπως το Google Earth, ενώ η δρομολόγηση του Landsat 8 και των δορυφόρων Sentinel θα εξασφαλίσει πρόσβαση σε δεδομένα τύπου Landsat με χωρική διακριτική ικανότητα 30m και χρονική ανάλυση 2-3 ημέρες. Η ενσωμάτωση των τηλεπισκοπικών δεδομένων σε σύνολα δεδομένων μετακίνησης των ζώων, αποτελεί μια επιπλέον πρόκληση για πολλούς οικολόγους ερευνητές. Παρόλα αυτά, δημιουργούνται συνέχεια καινούρια εργαλεία, τα οποία αυτοματοποιούν και απλοποιούν σε μεγάλο βαθμό την ενσωμάτωση και τις αναλύσεις.

''Καταγραφή της χρονικής δυναμικής των τοπίων''

Από το 2008, που τα δεδομένα του Landsat έγιναν ελεύθερα διαθέσιμα, έχουν αναπτυχθεί νέοι αλγόριθμοι επεξεργασίας της εικόνας, οι οποίοι μπορούν να αναλύσουν πολλές δεκαετίες ετήσιων Landsat απεικονίσεων ταυτόχρονα, και να συμβάλλουν σημαντικά στη μελέτη των μικρής κλίμακας μετακινήσεων των ζώων. Το μεγάλο πλεονέκτημα μια τόσο πυκνής χρονικής σειράς είναι ότι εντοπίζει αλλαγές, όπως οι αποψιλώσεις δασών, οι οποίες μπορούν να ανιχνευθούν αμέσως μετά τη διαταραχή, αλλά μπορεί να μην εντοπιστούν αν οι απεικονίσεις απέχουν χρόνια μεταξύ τους.
Για την ανάλυση των ευρείας κλίμακας μετακινήσεων των ζώων , οι δείκτες φαινολογίας της βλάστησης (π.χ. ο NDVI) μπορούν να είναι πολύ ενημερωτικοί. Οι δορυφορικοί αισθητήρες όπως οι MODIS, AVHRR, VEGETATION και VIIRS παρέχουν καθημερινές απεικονίσεις, οι οποίες συνήθως συνοψίζονται σε σύνθετα 8 ή 16 ημερών που είναι σχετικά απαλλαγμένα από νέφη (Πίνακας 1). Για την αποτελεσματική και γρήγορη ανάλυση τόσο μεγάλου όγκου φαινολογικών δεδομένων έχουν αναπτυχθεί λογισμικά πακέτα, όπως το TIMESAT.

''Χαρακτηρίζοντας την τρισδιάστατη δομής των ενδιαιτημάτων''

Τα τρισδιάστατα δομικά χαρακτηριστικά της βλάστησης αποτελούν καθοριστικούς παράγοντες που επηρεάζουν τη χρήση του χώρου από τα ζώα. Η LiDAR είναι μια σχετικά νέα τεχνολογία, που χρησιμοποιεί την εκπομπή παλμικής ακτινοβολίας laser για τη μέτρηση της κάθετης και οριζόντιας δομής των οικοσυστημάτων. Η ικανότητα της συγκεκριμένης τεχνολογίας να «βλέπει» μέσα από το θόλο των δέντρων επιτρέπει τον προσδιορισμό της τοπογραφίας και της βλάστησης του υποορόφου, που είναι μεγάλης σημασίας για πολλά είδη ζώων. Τα δεδομένα LiDAR προσφέρουν άμεση πληροφορία για το ύψος των δέντρων και την πυκνότητα του θόλου, και έμμεση πληροφορία για την ηλικία ενός δάσους, τα διάκενα των θόλων και τα μεγάλα δέντρα.
Για τους παραπάνω λόγους, αποδεικνύονται εξαιρετικά χρήσιμα στην πρόβλεψη της χρήσης των ενδιαιτημάτων από τα διάφορα είδη ζώων. Δυστυχώς, η λήψη τους γίνεται συνήθως από αερομεταφερόμενες πλατφόρμες και επομένως η απόκτησή τους είναι δαπανηρή.

''Περιβαλλοντική αξιολόγηση σε πραγματικό χρόνο''

Οι επιστήμονες και οι διαχειριστές της άγριας πανίδας έχουν αρχίσει να διερευνούν τη δυνατότητα χρήσης χαμηλού κόστους προ-προγραμματισμένων ή τηλεκατευθυνόμενων μη επανδρωμένων ιπτάμενων οχημάτων (drones), εξοπλισμένων με βιντεοκάμερες και φωτογραφικές μηχανές, ως εναλλακτικό τρόπο για να ερευνήσουν τοπία, να εκτιμήσουν τους πληθυσμούς ζώων και να παρακολουθήσουν τις ανθρώπινες δραστηριότητες. Η χρήση UAV επιτρέπει την σε πραγματικό χρόνο παρακολούθηση περιβαλλοντικών παραμέτρων και επομένως, προσφέρει σημαντικές δυνατότητες στη μελέτη των μετακινήσεων των ζώων. Επίσης, τα ραντάρ παρακολούθησης του καιρού παρακολουθούν την άφιξη των αποδημητικών πτηνών και, συνεπώς, μπορούν να εκτιμήσουν ποσοτικά δεδομένα για την κατανομή τους, συμβάλλοντας στον εντοπισμό των ενδιάμεσων μεταναστευτικών στάσεων μέσα σε μία ευρεία γεωγραφική κλίμακα και σε πραγματικό χρόνο.

''Μοντέλα επανανάλυσης τηλεπισκοπικών προϊόντων''

Υπάρχει μια αυξανόμενη προσπάθεια για την επανανάλυση των τηλεπισκοπικών και μετεωρολογικών δεδομένων, ώστε να ληφθούν συνεκτικά και μακροπρόθεσμα, παγκόσμια ή τοπικά περιβαλλοντικά προϊόντα με μικρή ή μεσαία χωρική ανάλυση (12-1000 km), αλλά πολύ υψηλή χρονική (1-24 ωρών). Τέτοιου είδους παραδείγματα αποτελούν η NARR (North American Regional Reanalysis), η NCEP Reanalysis της NOAA και η ECMWF (European weather reanalysis). Το πρόγραμμα MERRA της NASA, για παράδειγμα, παρέχει συνεπείς πληροφορίες σχετικά με τη μεταβλητότητα του καιρού από το 1979 μέχρι σήμερα.

''Πιθανοί περιορισμοί των προϊόντων τηλεπισκόπησης στις μελέτες της οικολογίας της μετακίνησης''

Ένα σημαντικό ζήτημα είναι αυτό των σφαλμάτων, των αβεβαιοτήτων και της ακρίβειας στα προϊόντα τηλεπισκόπησης. Η ταξινόμηση σε σχέση με την κάλυψη γης δεν είναι τέλεια και αυτό μπορεί να εισάγει σφάλματα στα μοντέλα της μετακίνησης των ζώων. Όσο αυξάνονται οι θεματικές ενότητες κάλυψης γης που καλούνται να χαρτογραφηθούν τόσο μειώνεται η ακρίβεια της ταξινόμησης. Οι ερευνητές που εφαρμόζουν τηλεπισκοπικά δεδομένα σε δεδομένα μετακίνησης ζώων θα πρέπει, επίσης, να λάβουν υπόψη την εγγενή χωρική αυτοσυσχέτιση των συγκεκριμένων δεδομένων. Ωστόσο, έχει σημειωθεί σημαντική πρόοδος σε στατιστικά εργαλεία, τα οποία συμβάλλουν στην ανακάλυψη χωρικών μοτίβων και τη διόρθωση των αυτοσυσχετιζόμενων δεδομένων. Η χωρική διακριτική ικανότητα των δορυφορικών δεδομένων είναι ένα επιπλέον κρίσιμο ζήτημα, το οποίο σχετίζεται με την ανάλυση των δεδομένων μετακίνησης μικρής κλίμακας. Για παράδειγμα, το μέγεθος των εικονοστοιχείων, το οποίο τείνει να αντιστοιχεί σε 250-1000 μέτρα για τους δορυφόρους που παρέχουν καθημερινές παρατηρήσεις, αντιστοιχεί σε πολύ πιο αδρή (coarse) ανάλυση από αυτήν των δεδομένων κίνησης από κολάρα GPS.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Τα δεδομένα τηλεπισκόπησης νέας γενιάς με πιο λεπτομερή χωροχρονική ανάλυση παρέχουν σημαντικές δυνατότητες στη μελέτη των μετακινήσεων των ζώων, καθώς προσφέρουν πληροφορίες σε σχέση με περιβαλλοντικά μοτίβα, όπως η χρονική δυναμική των τοπίων και οι τρισδιάστατη δομή των ενδιαιτημάτων. Η ανάπτυξη νέων εργαλείων για την αυτοματοποίηση της ενσωμάτωσης των τηλεπισκοπικών δεδομένων σε δεδομένα μετακίνησης των ζώων, συμβάλλει στο να ξεπεραστούν οι δυσκολίες στην ανάλυση τους, καθιστώντας πιο εύκολη την πρόσβαση σε περιβαλλοντικά δεδομένα για τους ερευνητές της οικολογίας των μετακινήσεων. Ωστόσο, οι περιβαλλοντικοί δείκτες που προκύπτουν από τηλεπισκοπικά δεδομένα δεν είναι πάντα άμεσα ανάλογοι των δεδομένων που συλλέγονται στο πεδίο, και οι ερευνητές θα πρέπει να δίνουν μεγάλη προσοχή στην επιλογή του κατάλληλου τηλεπισκοπικού προϊόντος, το οποίο θα πρέπει να ταιριάζει καλύτερα σε μια δεδομένη κλίμακα ανάλυσης (''fine-but-infrequent'' έναντι ''coarse-but-frequent'' ανάλυση ή την ελάχιστη χαρτογραφική μονάδα) και στον τρόπο με τον οποίο οι περιορισμοί του μπορεί να επηρεάζουν τα συμπεράσματα. Η στενότερη συνεργασία μεταξύ των οικολόγων ερευνητών και των εμπειρογνωμόνων τηλεπισκόπησης θα μπορούσε να μετριάσει σημαντικά το χάσμα εφαρμογής των πρόσφατα διαθέσιμων τηλεπισκοπικών δεδομένων σε μελέτες σε σχέση με τις μετακινήσεις των ζώων.

'''Συντομογραφίες'''

AVHRR - Advanced Very High Resolution Radiometer

DEM - Digital elevation models - Ψηφιακά υψομετρικά μοντέλα

EVI - Enhanced Vegetation Index - Ενισχυμένος Δείκτης Βλάστησης

GPS - Global Positioning System

LiDAR - Light Detection and Ranging ή 3-D Laser scanning: τεχνολογία εκπομπής παλμικής ακτινοβολίας laser στην ατμόσφαιρα και ακόλουθη καταγραφή της οπισθοσκεδαζόμενης ακτινοβολίας laser, καταγραφή απόστασης από την επιφάνεια της γης και λήψη πληροφοριών για την μορφολογία του εδάφους

MODIS - Moderate resolution Imaging Spectroradiometer (MODIS) – Aισθητήρας Μέτριας Ανάλυσης Απεικονιστικού Φασματο-ραδιομέτρου

NDVI - Normalized Difference Vegetation Index - Δείκτης βλάστησης κανονικοποιημένης διαφοράς

NOAA - National Oceanic and Atmospheric Administration data

SPOT - Satellite Pour l’Oservation de la Terre

UAV - Unmanned Aerial Vehicle - μη επανδρωμένο ιπτάμενο όχημα

[[category:Εφαρμογές άγριας πανίδας]]

[[category: Οικολογία]]

Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα

2019-03-03T14:50:06Z

Ntolka Eirini:

'''Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα'''

'''Πρωτότυπος τίτλος:''' ''Use of Sentinel-2 for forest classification in Mediterranean environments''

[[Εικόνα:RSpaper4.2_Ntolka.JPG | thumb| right|'''Πίνακας 1.Διαθέσιμα φασματικά κανάλια για τον Sentinel-2. '''Στη συγκεκριμένη μελέτη χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα (10 και 20m).]]

'''Συγγραφείς: '''Nicola Puletti, Francesco Chianucci, Cristiano Castaldi

'''Δημοσιεύθηκε: ''' ''Annals of Silvicultural Research, November 2017, DOI: 10.12899/ASR-1463''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/321213981_Use_of_Sentinel-2_for_forest_classification_in_Mediterranean_environments]

[[Εικόνα:RSpaper4.3_Ntolka.JPG | thumb| right|'''Πίνακας 2. Οι δείκτες βλάστησης όπως υπολογίσθηκαν από την S2 απεικόνιση. Σταθμός ελέγχου εδάφους και μη επανδρωμένο ιπτάμενο όχημα ''' που χρησιμοποιήθηκαν στη μελέτη (Responder, ING Robotic Aviation).Με ''' p''' συμβολίζεται η τιμή ανάκλασης για κάθε εξεταζόμενο κανάλι του S2. Για την αναγνώριση του χρησιμοποιούμενου αριθμού καναλιού, βλ. Πίνακα 1. Δείκτες βλάστησης: δείκτης κανονικοποιημένης διαφοράς βλάστησης (NDVI), δείκτης αναλογικής βλάστησης (SRI), δείκτης NDVI «κόκκινης ακμής» (RENDVI), δείκτης ανακλαστικότητας ανθοκυανίνης (ARI1).]]

'''Λέξεις-Κλειδιά: ''' Ταξινόμηση δασών, Ευρωπαϊκού τύπου δάση, πολυφασματική δορυφορική απεικόνιση, Jeffries-Matusita (J-M) distance test, Τυχαίο δάσος

'''Εισαγωγή'''

[[Εικόνα:RSpaper4.4.Tables3-4_Ntolka.JPG | thumb| right|'''Πίνακες 3 & 4. Ο αριθμός των εικονοστοιχείων (10x10m pixels) που χρησιμοποιήθηκαν ως ROI για την ταξινόμηση σε δασικές κατηγορίες και σε ευρωπαϊκούς δασικούς τύπους (EFT), ξεχωριστά για τα σύνολα κατάρτισης (περιοχές εκπαίδευσης) και τα σύνολα επικύρωσης.'''EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (''Quercus cerris, Q. frainetto, Q. petraea''), EFT 8.7: Δάση καστανιάς. ]]

Η ταξινόμηση των δασικών κατηγοριών και τύπων, και οι χωρικά σαφείς πληροφορίες για τη δασική δομή και σύνθεση, παρέχουν πολύτιμα στοιχεία για την εκπλήρωση επιστημονικών, οικολογικών στόχων και τη συστηματική παρακολούθηση και διαχείριση των δασικών οικοσυστημάτων. Προκειμένου να μπορέσουμε να απαντήσουμε σε ένα μεγάλο εύρος οικολογικών ερωτημάτων σε σχέση με: τον προσδιορισμό των δασικών τύπων ή/και των διαδοχικών σταδίων ανάπτυξης, το ρυθμό αναδάσωσης ή αποψίλωσης, τη λειτουργική σύνθεση των δασών και τις παγκόσμιες περιβαλλοντικές μεταβολές, είναι πολύ σημαντικό να έχουμε ανοιχτή πρόσβαση σε υψηλής ποιότητας τηλεπισκοπικά δεδομένα, από δορυφορικούς αισθητήρες με μεγάλη συχνότητα επανεπίσκεψης της ίδιας περιοχής. Με αυτόν τον τρόπο, είναι δυνατό να επιτευχθεί μεγαλύτερη ακρίβεια στην ταξινόμηση των δασικών τύπων και επομένως, ορθότερη και λεπτομερέστερη χαρτογράφηση των δασικών οικοσυστημάτων. Γεγονός ιδιαιτέρως σημαντικό όσον αφορά τα Μεσογειακά δασικά οικοσυστήματα, καθώς χαρακτηρίζονται από μεγάλο αριθμό φυτικών ειδών, μεταβλητές πυκνότητες θόλων και την παρουσία ποικίλων διαφορετικών φαινολογικών προτύπων, περιπλέκοντας τη διαδικασία της ταξινόμησης από οπτικές δορυφορικές απεικονίσεις.

Ο ευρωπαϊκός δορυφόρος Sentinel-2 (S2), η αποστολή του οποίου ξεκίνησε τον Ιούνιο του 2015, μπορεί να συνδυάσει την υψηλή χωρική ανάλυση, με την ευρεία κάλυψη και τη μεγάλη συχνότητα επανεπίσκεψης (περίπου 5 ημέρες), προσφέροντας πρωτοφανείς ευκαιρίες για τη λεπτή διάκριση των κλάσεων κάλυψης γης, την ακριβή ταξινόμηση των δασικών τύπων και τη συστηματική παρακολούθησή τους σε μεσαίες-μεγάλες κλίμακες.

Κύριος στόχος της παρούσας μελέτης ήταν να αξιολογηθεί η ικανότητα των λειτουργικών δεδομένων του S2 να ταξινομήσουν τόσο τις δασικές κατηγορίες (αμιγή δάση κωνοφόρων, αμιγή δάση πλατύφυλλων, μεικτά δάση) όσο και τους ευρωπαϊκούς δασικούς τύπους (European Forest Types- EFT), σε ένα Μεσογειακό οικοσύστημα.
Λόγω της παρουσίας διαφορετικών φαινολογικών προτύπων στα Μεσογειακά δάση, έγινε επίσης σύγκριση της χρήσης των πολυ-χρονικών δεδομένων (multitemporal data) έναντι των δεδομένων στιγμιαίας απεικόνισης (single time data), ως προς την αποτελεσματικότητα της συγκεκριμένης ταξινόμησης.

'''Περιοχή μελέτης'''

Η μελέτη διεξήχθη σε μία εκτεταμένη δασική περιοχή (περίπου 470 km2), στο ανατολικό τμήμα της περιφέρειας της Τοσκάνης (Εικόνα 1). Δημιουργήθηκε μια περιοχή ενδιαφέροντος (Region Of Interest- ROI) από 1.061 δασικές συστάδες (stands), κατανεμημένες σε τρία δασικά διαμερίσματα (3.960 εκταρίων). Σύμφωνα με την Ευρωπαϊκή ταξινόμηση, η περιοχή καλύπτεται από τους εξής δασικούς τύπους: α) Ορεινό δάσος οξιάς Απέννινων-Κορσικής (EFT 7.3), (13,4%), β) Δάση καστανιάς (EFT 8.7), (35,3%), γ) Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης (EFT 3.2), (8,9%) και δ) Δάση δρυών (''Quercus cerris, Q. frainetto, Q. petraea'') (EFT 8.2), (38,1%).

[[Εικόνα:RSpaper4.1_Ntolka.JPG | thumb| center|'''Εικόνα 1. Δορυφορική απεικόνιση Sentinel-2 ολόκληρης της περιοχής μελέτης με χρήση φυσικού έγχρωμου σύνθετου. ''' Οι περιοχές ενδιαφέροντος (ROI) έχουν επισημανθεί με λευκό χρώμα.]]

[[Εικόνα:RSpaper4.5_Ntolka.JPG | thumb| right|'''Πίνακας 5. Τα αποτελέσματα του δείκτη J-M ''' για τα ζεύγη των δασικών κατηγοριών (Con- αμιγή δάση κωνοφόρων, Broad- αμιγή δάση πλατύφυλλων, Mix-μεικτά δάση) με χρήση στιγμιαίων (single date) και πολυ-χρονικών (multitemporal) S2 απεικονίσεων.]]

[[Εικόνα:RSpaper4.6_Ntolka.JPG | thumb| right|''' Πίνακας 6. Τα αποτελέσματα του δείκτη J-M των επιλεγμένων EFT.''' EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (''Quercus cerris, Q. frainetto, Q. petraea''), EFT 8.7: Δάση καστανιάς.]]

'''Υλικά και Μέθοδοι '''

Από τα 13 διαθέσιμα φασματικά κανάλια του S2, χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα, της τάξεως των 10 και 20m (Πίνακας 1). Πραγματοποιήθηκε λήψη τριών λειτουργικών S2 απεικονίσεων (Level-1C Top-of-Atmosphere reflectance products) από το Scientific Hub, οι οποίες κάλυπταν διαφορετικές φαινολογικές περιόδους (χειμώνας, άνοιξη, καλοκαίρι). Η επαναδειγματοληψία τους έγινε σε χωρική ανάλυση της τάξης των 10m από την πλατφόρμα εφαρμογής του Sentinel (SNAP), η οποία διατίθεται στο δικτυακό τόπο του ESA. Τα δέκα κανάλια εισήχθησαν σε λογισμικό ENVI, και στη συνέχεια συνενώθηκαν και περικόπηκαν στην περιοχή ενδιαφέροντος.

Σε ένα πρώτο βήμα ανάλυσης, προσδιορίστηκε η ικανότητα ταξινόμησης των περιοχών ενδιαφέροντος (ROI) ξεχωριστά για τις τρεις διαφορετικές δορυφορικές απεικονίσεις (χειμώνας, άνοιξη, καλοκαίρι), με επαναδειγματοληψία των S2 καναλιών στα 10m, με και χωρίς την επιπλέον χρήση τεσσάρων δεικτών βλάστησης (Πίνακας 2). Για την αξιολόγηση χρησιμοποιήθηκε ο δείκτης συγγένειας Jeffries-Matusita (J-M). Τιμές του J-M μεγαλύτερες του 1,8 υποδεικνύουν στατιστικά καλό διαχωρισμό μεταξύ των ROI. Σε ένα επόμενο στάδιο, έγινε σύνθεση των τριών S2 απεικονίσεων και η ανάλυση επαναλήφθηκε, ώστε να διερευνηθεί το κατά πόσον η χρήση πολύ-χρονικών δεδομένων θα βελτιώσει τη δασική ταξινόμηση. Η καλύτερη διευθέτηση (configuration) με βάση τον J-M, χρησιμοποιήθηκε στη συνέχεια για την ταξινόμηση των S2 απεικονίσεων με τη μέθοδο του «Τυχαίου Δάσους».

Τα εικονοστοιχεία των ROI χωρίστηκαν τυχαία σε σύνολα κατάρτισης (περιοχών εκπαίδευσης) και σύνολα επικύρωσης (Πίνακας 3 & Πίνακας 4), σε ποσοστό 70% και 30% αντίστοιχα. Η ανάλυση της ταξινόμησης πραγματοποιήθηκε με χρήση του πακέτου 'randomForest' στην γλώσσα προγραμματισμού R (R Core Team, 2017). Το μοντέλο «Τυχαίου Δάσους» χτίστηκε πάνω στα σύνολα κατάρτισης. Για τον υπολογισμό της συνολικής ακρίβειας (OA), της ακρίβειας παραγωγού (PA), της ακρίβειας χρήστη (UA) και του συντελεστή Kappa της ταξινόμησης χρησιμοποιήθηκε ο πίνακας συνάφειας, ο οποίος προέκυψε ύστερα από εφαρμογή του μοντέλου σε ολόκληρο το σετ επικύρωσης.

Τέλος, το επικυρωμένο μοντέλο εφαρμόστηκε στο σύνολο της περιοχή μελέτης (470 km2) και παρήχθησαν χάρτες χωρικής ανάλυσης 10 m τόσο για τις δασικές κατηγορίες όσο και για τους δασικούς τύπους (EFTs).

[[Εικόνα:RSpaper4.7_Ntolka.JPG | thumb|center| '''Εικόνα 2. Διάγραμμα ροής της μεθοδολογίας «Τυχαίου Δάσους» (Random Forest- RF)''', που εφαρμόστηκε στη μελέτη.]]

[[Εικόνα:RSpaper4.8.Tables7-8_Ntolka.JPG | thumb| right|'''Πίνακες 7 & 8. Μήτρα σύγχυσης (confussion matrix) του καλύτερου αποτελέσματος χωρικής διευθέτησης (configuration) (βλ. Πίνακα 5) για την ταξινόμηση σε δασικές κατηγορίες και σε EFTs, εκφρασμένο με τον αριθμό των εικονοστοιχείων του συνόλου επικύρωσης.''']]

[[Εικόνα:RSpaper4.8.Tables9-10_Ntolka.JPG | thumb| right|'''Πίνακες 9 & 10. Ακρίβεια του ταξινομητή RF στο σύνολο επικύρωσης των δασικών κατηγοριών και των δασικών τύπων (EFT).''' CE: Commission Error - Σφάλμα συμπερίληψης, OE: Omission Error - Σφάλμα παράλειψης, PA: Producer Accuracy - Ακρίβεια παραγωγού, UA: User Accuracy - Ακρίβεια χρήστη.]]

'''Αποτελέσματα '''

Τα αποτελέσματα του δείκτη Jeffries-Matusita για τα ζεύγη των δασικών κατηγοριών και τα ζεύγη δασικών τύπων παρουσιάζονται στους πίνακες 5 και 6, αντίστοιχα.
Η χρήση πολυ-χρονικών δεδομένων με τη συμπερίληψη δεικτών βλάστησης έδωσε τα καλύτερα αποτελέσματα σε σχέση με την ταξινόμηση των δασικών κατηγοριών, ενώ η χρήση των μεμονωμένων στιγμιαίων απεικονίσεων από τα 10 κανάλια (single images) δεν ήταν δυνατό να ξεχωρίσει τα μεικτά από τα αμιγή δάση. Η χρήση στιγμιαίων απεικονίσεων (άνοιξης και καλοκαιριού) επαρκούσε για τον αποτελεσματικό διαχωρισμό μεταξύ όλων των δασικών τύπων, με εξαίρεση τα δάση δρυών και καστανιάς, και παρουσίαζε σημαντική βελτίωση με την επιπλέον χρήση του δείκτη RENDVI.

Η καλύτερη διευθέτηση για τις δασικές κατηγορίες και τους δασικούς τύπους περιελάμβανε αντιστοίχως: 33 επίπεδα (10 κανάλια για τον χειμώνα, 10 για την άνοιξη, 10 για το καλοκαίρι και τους 3 δείκτες RENDVI) και 22 επίπεδα (10 κανάλια για την άνοιξη, 10 για το καλοκαίρι και 2 δείκτες RENDVI), τα οποία χρησιμοποιήθηκαν ξεχωριστά ως μεταβλητές εισόδου στο «Τυχαίο Δάσος» (Εικόνα 2). Η μήτρα σύγχυσης και τα αποτελέσματα ακρίβειας της ταξινόμησης RF παρουσιάζονται στους Πίνακες 7,8,9 και 10. Η συνολική ακρίβεια για τις δασικές κατηγορίες αντιστοιχεί σε ποσοστό 86,2% και για τους δασικούς τύπους σε 92,7%. Οι χάρτες που προέκυψαν ύστερα από την εφαρμογή των επικυρωμένων μοντέλων στο σύνολο της περιοχής μελέτης παρουσιάζονται στην Εικόνα 3.

[[Εικόνα:RSpaper4.9_Ntolka.JPG | thumb| center|'''Εικόνα 3. Χάρτες με τις δασικές κατηγορίες '''(αριστερά) '''και τους ευρωπαϊκούς δασικούς τύπους - EFTs '''(δεξιά), '''ύστερα από εφαρμογή των μοντέλων πρόβλεψης στην περιοχή μελέτης.''']]

'''Συζήτηση & Συμβολή της Τηλεπισκόπησης'''

Η χρήση τηλεπισκοπικών δεδομένων από το δορυφόρο Sentinel-2 μπορεί να αποτελέσει μια αποτελεσματική επιλογή για τη συστηματική παρακολούθηση και τη χαρτογράφηση των Μεσογειακών δασικών οικοσυστημάτων σε μεσαία-μεγάλη κλίμακα. Ο S2 παρουσιάζει μια σειρά από σημαντικά πλεονεκτήματα, τα οποία προσφέρουν τη δυνατότητα για μεγάλης ακρίβειας ταξινόμηση μεταξύ των δασικών τύπων, με σημαντικότερα τα εξής: την υψηλή διακριτική ικανότητα των φασματικών του καναλιών (10 και 20m), τη μεγάλη συχνότητα επανεπίσκεψης και τη δυνατότητα συμπερίληψης τεσσάρων καναλιών «κόκκινης ακμής» (red-edge bands).

[[category:Αναγνώριση δασικών ειδών]]

[[category: Οικολογία]]

Ανάλυση δεδομένων τηλεπισκόπησης νέας γενιάς για τη χαρτογράφηση της βιοποικιλότητας θηλαστικών σε ένα τροπικό δάσος

2019-03-03T14:48:04Z

Ntolka Eirini:

'''Ανάλυση δεδομένων τηλεπισκόπησης νέας γενιάς για τη χαρτογράφηση της βιοποικιλότητας θηλαστικών σε ένα τροπικό δάσος'''

'''Πρωτότυπος τίτλος:''' ''New Generation Remote Sensing Data Analysis for Mammal Biodiversity Richness Mapping in Tropical Rainforest''

[[Εικόνα:RSpaper3.1_Ntolka.JPG | thumb| right|'''Εικόνα 1. Περιοχή μελέτης.''']]

'''Συγγραφείς: ''' Mohd Rizaludin Mahmud and Mazlan Hashim

'''Δημοσιεύθηκε: ''' ''T29th Asian Conference on Remote Sensing 2008, ACRS 2008, Volume: 1''

[[Εικόνα:RSpaper3.2_Ntolka.JPG | thumb| right|'''Πίνακας 1. ''' Οι χωρικές παράμετροι, τα τηλεπισκοπικά δεδομένα και ο αλγόριθμος που χρησιμοποιήθηκε για την εξαγωγή τους και η αντίστοιχη κατηγορία ετερογένειας ενδιαιτήματος που αντιπροσωπεύουν. ]]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/235781082_New_generation_remote_sensing_data_analysis_for_mammal_biodiversity_richness_mapping_in_tropical_rainforest]

[[Εικόνα:RSpaper3.3_Ntolka.JPG | thumb| right|'''Πίνακας 2.''' Συντελεστής προσδιορισμού (R²) των χωρικών παραμέτρων σε σχέση με τους δείκτες βιοποικιλότητας (R - Richness, D - Diversity) και αφθονίας (A- Abundance), (α) για την κοινότητα μικρών και μεγάλων θηλαστικών μέσα και έξω από το Pasoh Reserve Forest, (β) για το σύνολο των θηλαστικών μέσα, έξω και σε ολόκληρη την δασική περιοχή.]]

'''Λέξεις-Κλειδιά: ''' Δείκτης βιοποικιλότητας, θηλαστικά, τηλεπισκόπηση, ετερογένεια ενδιαιτήματος

'''Εισαγωγή'''

[[Εικόνα:RSpaper3.4_Ntolka.JPG | thumb| right|'''Πίνακας 3.''' Συντελεστής προσδιορισμού (R²) και τιμή επιπέδου σημαντικότητας (p-value) για το καταλληλότερο μοντέλο πολλαπλής παλινδρόμησης μεταξύ των χωρικών παραμέτρων και της αφθονίας των ειδών των θηλαστικών εντός και εκτός του Pasoh Reserve Forest.]]

Τα τροπικά δάση αποτελούν φυσικό βιότοπο για τα δύο τρίτα της χλωρίδας και της πανίδας του πλανήτη. Τα τελευταία χρόνια, η βασική απειλή που αντιμετωπίζουν οφείλεται κυρίως στις εκτεταμένες ανθρώπινες δραστηριότητες, οι οποίες έχουν ως επακόλουθο τη διαταραχή της ισορροπίας των δασικών αυτών οικοσυστημάτων, την καταστροφή ή τον κατακερματισμό των ενδιαιτημάτων τους και την απώλεια πολλών ειδών, συμπεριλαμβανομένων των θηλαστικών. Η εκτίμηση της βιοποικιλότητας τέτοιων περιοχών αποτελεί μία σύγχρονη τάση της έρευνας στην οικολογία, με κύριο στόχο την προστασία των ειδών από την εξαφάνιση.

Στην παρούσα μελέτη, παρουσιάζεται ένας ''έμμεσος τρόπος εκτίμησης της βιοποικιλότητας των τροπικών θηλαστικών με χρήση δορυφορικών τηλεπισκοπικών δεδομένων νέας γενιάς''. Οι χωρικές και βιοφυσικές πληροφορίες που αποκτούνται, χρησιμεύουν στην επιλογή συγκεκριμένων περιβαλλοντικών παραμέτρων ώστε να γίνει προσομοίωση των χαρακτηριστικών των ενδιαιτημάτων των συγκεκριμένων ειδών, καθώς και των περιβαλλοντικών τους συνθηκών. Στη συνέχεια, είναι εφικτός ο προσδιορισμός της αφθονίας και του πλούτου των ειδών και ο υπολογισμός του επίπεδου βιοποικιλότητας των θηλαστικών στην περιοχή.

'''Περιοχή μελέτης'''

Η μελέτη πραγματοποιήθηκε σε ένα παρθένο πεδινό τροπικό δάσος εντός του φυσικού καταφύγιου Pasoh Forest Reserve (PFR), στην πολιτεία Negeri Sembilan, περίπου 70km νοτιοανατολικά της Κουάλα Λουμπούρ, στην Μαλαισία. Το δασικό καταφύγιο έχει συνολική έκταση 2450 ha, χαρακτηρίζεται από υψηλό ποσοστό φυτικών ειδών τις οικογένειας Dipterocarpaceae και περιβάλλεται από φυτείες φοινικόδεντρων και καουτσουκόδεντρων (Εικόνα 1). Τα θηλαστικά της περιοχής μπορούν να ταξινομηθούν σε τέσσερα κύρια δασικά ενδιαιτήματα: στο παρθένο δάσος, στο αναγεννώμενο δάσος (ύστερα από υλοτομία) και σε απομονωμένα δάση μέσα στις φυτείες.

'''Υλικά και Μέθοδοι '''

Οι υπερφασματικές δορυφορικές απεικονίσεις ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) και EO-1 Hyperion του PFR αποτελούν τα κύρια πρωτογενή δεδομένα της μελέτης. Πρόσθετες πληροφορίες σε σχέση με το υψόμετρο αποκτήθηκαν από Ψηφιακό Μοντέλο Εδάφους (Digital Elevation Model-DEM) βασισμένο σε ισοϋψείς καμπύλες με μεσοδιάστημα 15m. Ενώ η συλλογή των δευτερογενών δεδομένων σε σχέση με την αφθονία των θηλαστικών τις περιοχής έγινε in-situ, με χρήση camera trap σε τέσσερις σταθμούς διαφορετικού δασικού τύπου. Πραγματοποιήθηκαν παρατηρήσεις σε 21 μοναδικές θέσεις και καταγράφηκαν επιτυχώς 27 είδη θηλαστικών (Εικόνα 1).

Με βάση τα παραπάνω δεδομένα προέκυψαν 7 χωρικές παράμετροι αντιπροσωπευτικές της ετερογένειας των ενδιαιτημάτων τους, οι οποίες κατηγοριοποιήθηκαν σε σχέση με την πρωτογενή παραγωγικότητα, τη βιομάζα και τα δομικά χαρακτηριστικά του δασικού τοπίου (Πίνακας 1). Για τον προσδιορισμό του επιπέδου της πρωτογενούς παραγωγικότητας χρησιμοποιήθηκε ο δείκτης βλάστησης κανονικοποιημένης διαφοράς (Normalized Difference Vegetation Index - NDVI) και ο δείκτης υγρασίας (Moisture Index - MSI) ενώ για το επίπεδο της δασικής βιομάζας χρησιμοποιήθηκαν οι δείκτες ολικής υπέργειας (Total Aboveground Biomass - TAGB) και υπόγειας βιομάζας (Belowground Biomass - BGB).

Οι δείκτες βιοποικιλότητας που εξετάσθηκαν για τους τέσσερεις διαφορετικούς τύπους δάσους είναι α) ο δείκτης αφθονίας (αριθμός ειδών σε μια περιοχή), β) ο δείκτης ποικιλότητας (σπανιότητα ειδών μιας βιοκοινότητας) και γ) ο δείκτης ομοιομορφίας (κατανομή των ατόμων ανάμεσα στα είδη).
Στη συνέχεια, διερευνήθηκε η σχέση μεταξύ των χωρικών παραμέτρων και των δεικτών βιοποικιλότητας των θηλαστικών με τη μέθοδο της πολλαπλής γραμμικής παλινδρόμησης και επιλέχθηκαν τα καταλληλότερα εμπειρικά μοντέλα ώστε χαρτογραφηθεί η βιοποικιλότητα των θηλαστικών σε όλη την επιφάνεια της περιοχής μελέτης.

[[Εικόνα:RSpaper3.5_Ntolka.JPG | thumb| right|'''Εικόνα 2.''' Χάρτης αφθονίας για τα είδη των θηλαστικών, (α) για όλα τα θηλαστικά στο PFR και την γειτονική περιοχή, (β) για τα μικρά θηλαστικά εκτός PFR, (γ) για τα μεγάλα θηλαστικά εκτός PFR.]]

'''Αποτελέσματα & Συζήτηση'''

Από τους τρεις δείκτες βιοποικιλότητας των θηλαστικών, μόνο ο δείκτης αφθονίας παρουσιάζει ισχυρή συσχέτιση με τους δύο υπερφασματικούς δείκτες βλάστησης (MCARI1, MTVI1) (Πίνακας 2). Οι δύο αυτοί δείκτες βλάστησης στενής ζώνης μπορούν να χρησιμοποιηθούν για την εκτίμηση της αφθονίας τόσο των μεγάλων όσο και των μικρών θηλαστικών σε όλες τις δασικές περιοχές, δίνοντας στατιστικά σημαντικά αποτελέσματα (Πίνακας 3) και το καταλληλότερο εμπειρικό μοντέλο αφθονίας. Ο χάρτης αφθονίας των θηλαστικών για το σύνολο της περιοχής μελέτης και τη γειτονική της περιοχή φαίνεται στην Εικόνα 2.

Η επιλογή των κατάλληλων χωρικών παραμέτρων για την ακριβή αναπαράσταση της ετερογένειας των ενδιαιτημάτων των θηλαστικών, η οποία σχετίζεται με την βιοποικιλότητα των ειδών τους, αποτελεί έναν από τους σημαντικότερους περιορισμούς στη μελέτη των ζώων μέσω τηλεπισκόπησης.
Σύμφωνα με την παρούσα μελέτη, για την τοπική εκτίμηση της ετερογένειας ενός ενδιαιτήματος είναι απαραίτητο να διαθέτουμε χωρικές παραμέτρους πολύ μεγαλύτερης κλίμακας, με υψηλή τοπική ευαισθησία και με ισχυρή συσχέτιση με συγκεκριμένα ενδιαιτήματα της βιοκοινότητας των θηλαστικών. Η χρήση παραμέτρων σε σχέση με την κατακόρυφη δασική δόμηση (πυκνότητα θόλων, ύψος δέντρου) ή την ποιότητα της διαθέσιμης τροφής, ίσως εξασφαλίσει καλύτερα αποτελέσματα.

'''Συμβολή της Τηλεπισκόπησης'''

Η χρήση τηλεπισκοπικών δεδομένων για την εκτίμηση της βιοποικιλότητας είναι όλο και πιο συχνή, καθώς παρουσιάζει μία σειρά από σημαντικά πλεονεκτήματα: α) παρέχει πληροφορίες για μεγάλες σε έκταση και απομακρυσμένες περιοχές, β) είναι δυνατό να δώσει αποτελέσματα με μεγάλη ακρίβεια, γ) είναι χρονικά και οικονομικά αποδοτική και γ) αποτελεί μία μη καταστροφική μέθοδο προσδιορισμού της βιοποικιλότητας θηλαστικών, καθώς αποφεύγεται η άμεση αλληλεπίδραση με τα ζώα και η όχλησή τους.

[[category:Εκτίμηση βιοπικοιλότητας]]

[[category: Οικολογία]]

Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα

2019-03-03T14:45:15Z

Ntolka Eirini:

'''Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα'''

'''Πρωτότυπος τίτλος:''' ''Use of Sentinel-2 for forest classification in Mediterranean environments''

[[Εικόνα:RSpaper4.2_Ntolka.JPG | thumb| right|'''Πίνακας 1.Διαθέσιμα φασματικά κανάλια για τον Sentinel-2. '''Στη συγκεκριμένη μελέτη χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα (10 και 20m).]]

'''Συγγραφείς: '''Nicola Puletti, Francesco Chianucci, Cristiano Castaldi

'''Δημοσιεύθηκε: ''' ''Annals of Silvicultural Research, November 2017, DOI: 10.12899/ASR-1463''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/321213981_Use_of_Sentinel-2_for_forest_classification_in_Mediterranean_environments]

[[Εικόνα:RSpaper4.3_Ntolka.JPG | thumb| right|'''Πίνακας 2. Οι δείκτες βλάστησης όπως υπολογίσθηκαν από την S2 απεικόνιση. Σταθμός ελέγχου εδάφους και μη επανδρωμένο ιπτάμενο όχημα ''' που χρησιμοποιήθηκαν στη μελέτη (Responder, ING Robotic Aviation).Με ''' p''' συμβολίζεται η τιμή ανάκλασης για κάθε εξεταζόμενο κανάλι του S2. Για την αναγνώριση του χρησιμοποιούμενου αριθμού καναλιού, βλ. Πίνακα 1. Δείκτες βλάστησης: δείκτης κανονικοποιημένης διαφοράς βλάστησης (NDVI), δείκτης αναλογικής βλάστησης (SRI), δείκτης NDVI «κόκκινης ακμής» (RENDVI), δείκτης ανακλαστικότητας ανθοκυανίνης (ARI1).]]

'''Λέξεις-Κλειδιά: ''' Ταξινόμηση δασών, Ευρωπαϊκού τύπου δάση, πολυφασματική δορυφορική απεικόνιση, Jeffries-Matusita (J-M) distance test, Τυχαίο δάσος

'''Εισαγωγή'''

[[Εικόνα:RSpaper4.4.Tables3-4_Ntolka.JPG | thumb| right|'''Πίνακες 3 & 4. Ο αριθμός των εικονοστοιχείων (10x10m pixels) που χρησιμοποιήθηκαν ως ROI για την ταξινόμηση σε δασικές κατηγορίες και σε ευρωπαϊκούς δασικούς τύπους (EFT), ξεχωριστά για τα σύνολα κατάρτισης (περιοχές εκπαίδευσης) και τα σύνολα επικύρωσης.'''EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (''Quercus cerris, Q. frainetto, Q. petraea''), EFT 8.7: Δάση καστανιάς. ]]

Η ταξινόμηση των δασικών κατηγοριών και τύπων, και οι χωρικά σαφείς πληροφορίες για τη δασική δομή και σύνθεση, παρέχουν πολύτιμα στοιχεία για την εκπλήρωση επιστημονικών, οικολογικών στόχων και τη συστηματική παρακολούθηση και διαχείριση των δασικών οικοσυστημάτων. Προκειμένου να μπορέσουμε να απαντήσουμε σε ένα μεγάλο εύρος οικολογικών ερωτημάτων σε σχέση με: τον προσδιορισμό των δασικών τύπων ή/και των διαδοχικών σταδίων ανάπτυξης, το ρυθμό αναδάσωσης ή αποψίλωσης, τη λειτουργική σύνθεση των δασών και τις παγκόσμιες περιβαλλοντικές μεταβολές, είναι πολύ σημαντικό να έχουμε ανοιχτή πρόσβαση σε υψηλής ποιότητας τηλεπισκοπικά δεδομένα, από δορυφορικούς αισθητήρες με μεγάλη συχνότητα επανεπίσκεψης της ίδιας περιοχής. Με αυτόν τον τρόπο, είναι δυνατό να επιτευχθεί μεγαλύτερη ακρίβεια στην ταξινόμηση των δασικών τύπων και επομένως, ορθότερη και λεπτομερέστερη χαρτογράφηση των δασικών οικοσυστημάτων. Γεγονός ιδιαιτέρως σημαντικό όσον αφορά τα Μεσογειακά δασικά οικοσυστήματα, καθώς χαρακτηρίζονται από μεγάλο αριθμό φυτικών ειδών, μεταβλητές πυκνότητες θόλων και την παρουσία ποικίλων διαφορετικών φαινολογικών προτύπων, περιπλέκοντας τη διαδικασία της ταξινόμησης από οπτικές δορυφορικές απεικονίσεις.

Ο ευρωπαϊκός δορυφόρος Sentinel-2 (S2), η αποστολή του οποίου ξεκίνησε τον Ιούνιο του 2015, μπορεί να συνδυάσει την υψηλή χωρική ανάλυση, με την ευρεία κάλυψη και τη μεγάλη συχνότητα επανεπίσκεψης (περίπου 5 ημέρες), προσφέροντας πρωτοφανείς ευκαιρίες για τη λεπτή διάκριση των κλάσεων κάλυψης γης, την ακριβή ταξινόμηση των δασικών τύπων και τη συστηματική παρακολούθησή τους σε μεσαίες-μεγάλες κλίμακες.

Κύριος στόχος της παρούσας μελέτης ήταν να αξιολογηθεί η ικανότητα των λειτουργικών δεδομένων του S2 να ταξινομήσουν τόσο τις δασικές κατηγορίες (αμιγή δάση κωνοφόρων, αμιγή δάση πλατύφυλλων, μεικτά δάση) όσο και τους ευρωπαϊκούς δασικούς τύπους (European Forest Types- EFT), σε ένα Μεσογειακό οικοσύστημα.
Λόγω της παρουσίας διαφορετικών φαινολογικών προτύπων στα Μεσογειακά δάση, έγινε επίσης σύγκριση της χρήσης των πολυ-χρονικών δεδομένων (multitemporal data) έναντι των δεδομένων στιγμιαίας απεικόνισης (single time data), ως προς την αποτελεσματικότητα της συγκεκριμένης ταξινόμησης.

'''Περιοχή μελέτης'''

Η μελέτη διεξήχθη σε μία εκτεταμένη δασική περιοχή (περίπου 470 km2), στο ανατολικό τμήμα της περιφέρειας της Τοσκάνης (Εικόνα 1). Δημιουργήθηκε μια περιοχή ενδιαφέροντος (Region Of Interest- ROI) από 1.061 δασικές συστάδες (stands), κατανεμημένες σε τρία δασικά διαμερίσματα (3.960 εκταρίων). Σύμφωνα με την Ευρωπαϊκή ταξινόμηση, η περιοχή καλύπτεται από τους εξής δασικούς τύπους: α) Ορεινό δάσος οξιάς Απέννινων-Κορσικής (EFT 7.3), (13,4%), β) Δάση καστανιάς (EFT 8.7), (35,3%), γ) Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης (EFT 3.2), (8,9%) και δ) Δάση δρυών (''Quercus cerris, Q. frainetto, Q. petraea'') (EFT 8.2), (38,1%).

[[Εικόνα:RSpaper4.1_Ntolka.JPG | thumb| center|'''Εικόνα 1. Δορυφορική απεικόνιση Sentinel-2 ολόκληρης της περιοχής μελέτης με χρήση φυσικού έγχρωμου σύνθετου. ''' Οι περιοχές ενδιαφέροντος (ROI) έχουν επισημανθεί με λευκό χρώμα.]]

[[Εικόνα:RSpaper4.5_Ntolka.JPG | thumb| right|'''Πίνακας 5. Τα αποτελέσματα του δείκτη J-M ''' για τα ζεύγη των δασικών κατηγοριών (Con- αμιγή δάση κωνοφόρων, Broad- αμιγή δάση πλατύφυλλων, Mix-μεικτά δάση) με χρήση στιγμιαίων (single date) και πολυ-χρονικών (multitemporal) S2 απεικονίσεων.]]

[[Εικόνα:RSpaper4.6_Ntolka.JPG | thumb| right|''' Πίνακας 6. Τα αποτελέσματα του δείκτη J-M των επιλεγμένων EFT.''' EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (''Quercus cerris, Q. frainetto, Q. petraea''), EFT 8.7: Δάση καστανιάς.]]

'''Υλικά και Μέθοδοι '''

Από τα 13 διαθέσιμα φασματικά κανάλια του S2, χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα, της τάξεως των 10 και 20m (Πίνακας 1). Πραγματοποιήθηκε λήψη τριών λειτουργικών S2 απεικονίσεων (Level-1C Top-of-Atmosphere reflectance products) από το Scientific Hub, οι οποίες κάλυπταν διαφορετικές φαινολογικές περιόδους (χειμώνας, άνοιξη, καλοκαίρι). Η επαναδειγματοληψία τους έγινε σε χωρική ανάλυση της τάξης των 10m από την πλατφόρμα εφαρμογής του Sentinel (SNAP), η οποία διατίθεται στο δικτυακό τόπο του ESA. Τα δέκα κανάλια εισήχθησαν σε λογισμικό ENVI, και στη συνέχεια συνενώθηκαν και περικόπηκαν στην περιοχή ενδιαφέροντος.

Σε ένα πρώτο βήμα ανάλυσης, προσδιορίστηκε η ικανότητα ταξινόμησης των περιοχών ενδιαφέροντος (ROI) ξεχωριστά για τις τρεις διαφορετικές δορυφορικές απεικονίσεις (χειμώνας, άνοιξη, καλοκαίρι), με επαναδειγματοληψία των S2 καναλιών στα 10m, με και χωρίς την επιπλέον χρήση τεσσάρων δεικτών βλάστησης (Πίνακας 2). Για την αξιολόγηση χρησιμοποιήθηκε ο δείκτης συγγένειας Jeffries-Matusita (J-M). Τιμές του J-M μεγαλύτερες του 1,8 υποδεικνύουν στατιστικά καλό διαχωρισμό μεταξύ των ROI. Σε ένα επόμενο στάδιο, έγινε σύνθεση των τριών S2 απεικονίσεων και η ανάλυση επαναλήφθηκε, ώστε να διερευνηθεί το κατά πόσον η χρήση πολύ-χρονικών δεδομένων θα βελτιώσει τη δασική ταξινόμηση. Η καλύτερη διευθέτηση (configuration) με βάση τον J-M, χρησιμοποιήθηκε στη συνέχεια για την ταξινόμηση των S2 απεικονίσεων με τη μέθοδο του «Τυχαίου Δάσους».

Τα εικονοστοιχεία των ROI χωρίστηκαν τυχαία σε σύνολα κατάρτισης (περιοχών εκπαίδευσης) και σύνολα επικύρωσης (Πίνακας 3 & Πίνακας 4), σε ποσοστό 70% και 30% αντίστοιχα. Η ανάλυση της ταξινόμησης πραγματοποιήθηκε με χρήση του πακέτου 'randomForest' στην γλώσσα προγραμματισμού R (R Core Team, 2017). Το μοντέλο «Τυχαίου Δάσους» χτίστηκε πάνω στα σύνολα κατάρτισης. Για τον υπολογισμό της συνολικής ακρίβειας (OA), της ακρίβειας παραγωγού (PA), της ακρίβειας χρήστη (UA) και του συντελεστή Kappa της ταξινόμησης χρησιμοποιήθηκε ο πίνακας συνάφειας, ο οποίος προέκυψε ύστερα από εφαρμογή του μοντέλου σε ολόκληρο το σετ επικύρωσης.

Τέλος, το επικυρωμένο μοντέλο εφαρμόστηκε στο σύνολο της περιοχή μελέτης (470 km2) και παρήχθησαν χάρτες χωρικής ανάλυσης 10 m τόσο για τις δασικές κατηγορίες όσο και για τους δασικούς τύπους (EFTs).

[[Εικόνα:RSpaper4.7_Ntolka.JPG | thumb|center| '''Εικόνα 2. Διάγραμμα ροής της μεθοδολογίας «Τυχαίου Δάσους» (Random Forest- RF)''', που εφαρμόστηκε στη μελέτη.]]

[[Εικόνα:RSpaper4.8.Tables7-8_Ntolka.JPG | thumb| right|'''Πίνακες 7 & 8. Μήτρα σύγχυσης (confussion matrix) του καλύτερου αποτελέσματος χωρικής διευθέτησης (configuration) (βλ. Πίνακα 5) για την ταξινόμηση σε δασικές κατηγορίες και σε EFTs, εκφρασμένο με τον αριθμό των εικονοστοιχείων του συνόλου επικύρωσης.''']]

[[Εικόνα:RSpaper4.8.Tables9-10_Ntolka.JPG | thumb| right|'''Πίνακες 9 & 10. Ακρίβεια του ταξινομητή RF στο σύνολο επικύρωσης των δασικών κατηγοριών και των δασικών τύπων (EFT).''' CE: Commission Error - Σφάλμα συμπερίληψης, OE: Omission Error - Σφάλμα παράλειψης, PA: Producer Accuracy - Ακρίβεια παραγωγού, UA: User Accuracy - Ακρίβεια χρήστη.]]

'''Αποτελέσματα '''

Τα αποτελέσματα του δείκτη Jeffries-Matusita για τα ζεύγη των δασικών κατηγοριών και τα ζεύγη δασικών τύπων παρουσιάζονται στους πίνακες 5 και 6, αντίστοιχα.
Η χρήση πολυ-χρονικών δεδομένων με τη συμπερίληψη δεικτών βλάστησης έδωσε τα καλύτερα αποτελέσματα σε σχέση με την ταξινόμηση των δασικών κατηγοριών, ενώ η χρήση των μεμονωμένων στιγμιαίων απεικονίσεων από τα 10 κανάλια (single images) δεν ήταν δυνατό να ξεχωρίσει τα μεικτά από τα αμιγή δάση. Η χρήση στιγμιαίων απεικονίσεων (άνοιξης και καλοκαιριού) επαρκούσε για τον αποτελεσματικό διαχωρισμό μεταξύ όλων των δασικών τύπων, με εξαίρεση τα δάση δρυών και καστανιάς, και παρουσίαζε σημαντική βελτίωση με την επιπλέον χρήση του δείκτη RENDVI.
Η καλύτερη διευθέτηση για τις δασικές κατηγορίες και τους δασικούς τύπους περιελάμβανε αντιστοίχως: 33 επίπεδα (10 κανάλια για τον χειμώνα, 10 για την άνοιξη, 10 για το καλοκαίρι και τους 3 δείκτες RENDVI) και 22 επίπεδα (10 κανάλια για την άνοιξη, 10 για το καλοκαίρι και 2 δείκτες RENDVI), τα οποία χρησιμοποιήθηκαν ξεχωριστά ως μεταβλητές εισόδου στο «Τυχαίο Δάσος» (Εικόνα 2). Η μήτρα σύγχυσης και τα αποτελέσματα ακρίβειας της ταξινόμησης RF παρουσιάζονται στους Πίνακες 7,8,9 και 10. Η συνολική ακρίβεια για τις δασικές κατηγορίες αντιστοιχεί σε ποσοστό 86,2% και για τους δασικούς τύπους σε 92,7%. Οι χάρτες που προέκυψαν ύστερα από την εφαρμογή των επικυρωμένων μοντέλων στο σύνολο της περιοχής μελέτης παρουσιάζονται στην Εικόνα 3.

[[Εικόνα:RSpaper4.9_Ntolka.JPG | thumb| center|'''Εικόνα 3. Χάρτες με τις δασικές κατηγορίες '''(αριστερά) '''και τους ευρωπαϊκούς δασικούς τύπους - EFTs '''(δεξιά), '''ύστερα από εφαρμογή των μοντέλων πρόβλεψης στην περιοχή μελέτης.''']]

'''Συζήτηση & Συμβολή της Τηλεπισκόπησης'''

Η χρήση τηλεπισκοπικών δεδομένων από το δορυφόρο Sentinel-2 μπορεί να αποτελέσει μια αποτελεσματική επιλογή για τη συστηματική παρακολούθηση και τη χαρτογράφηση των Μεσογειακών δασικών οικοσυστημάτων σε μεσαία-μεγάλη κλίμακα. Ο S2 παρουσιάζει μια σειρά από σημαντικά πλεονεκτήματα, τα οποία προσφέρουν τη δυνατότητα για μεγάλης ακρίβειας ταξινόμηση μεταξύ των δασικών τύπων, με σημαντικότερα τα εξής: την υψηλή διακριτική ικανότητα των φασματικών του καναλιών (10 και 20m), τη μεγάλη συχνότητα επανεπίσκεψης και τη δυνατότητα συμπερίληψης τεσσάρων καναλιών «κόκκινης ακμής» (red-edge bands).

[[category:Αναγνώριση δασικών ειδών]]

[[category: Οικολογία]]

Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα

2019-03-03T14:42:45Z

Ntolka Eirini:

'''Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα'''

'''Πρωτότυπος τίτλος:''' ''Use of Sentinel-2 for forest classification in Mediterranean environments''

[[Εικόνα:RSpaper4.2_Ntolka.JPG | thumb| right|'''Πίνακας 1.Διαθέσιμα φασματικά κανάλια για τον Sentinel-2. '''Στη συγκεκριμένη μελέτη χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα (10 και 20m).]]

'''Συγγραφείς: '''Nicola Puletti, Francesco Chianucci, Cristiano Castaldi

'''Δημοσιεύθηκε: ''' ''Annals of Silvicultural Research, November 2017, DOI: 10.12899/ASR-1463''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/321213981_Use_of_Sentinel-2_for_forest_classification_in_Mediterranean_environments]

[[Εικόνα:RSpaper4.3_Ntolka.JPG | thumb| right|'''Πίνακας 2. Οι δείκτες βλάστησης όπως υπολογίσθηκαν από την S2 απεικόνιση. Σταθμός ελέγχου εδάφους και μη επανδρωμένο ιπτάμενο όχημα ''' που χρησιμοποιήθηκαν στη μελέτη (Responder, ING Robotic Aviation).Με ''' p''' συμβολίζεται η τιμή ανάκλασης για κάθε εξεταζόμενο κανάλι του S2. Για την αναγνώριση του χρησιμοποιούμενου αριθμού καναλιού, βλ. Πίνακα 1. Δείκτες βλάστησης: δείκτης κανονικοποιημένης διαφοράς βλάστησης (NDVI), δείκτης αναλογικής βλάστησης (SRI), δείκτης NDVI «κόκκινης ακμής» (RENDVI), δείκτης ανακλαστικότητας ανθοκυανίνης (ARI1).]]

'''Λέξεις-Κλειδιά: ''' Ταξινόμηση δασών, Ευρωπαϊκού τύπου δάση, πολυφασματική δορυφορική απεικόνιση, Jeffries-Matusita (J-M) distance test, Τυχαίο δάσος

'''Εισαγωγή'''

[[Εικόνα:RSpaper4.4.Tables3-4_Ntolka.JPG | thumb| right|'''Πίνακες 3 & 4. Ο αριθμός των εικονοστοιχείων (10x10m pixels) που χρησιμοποιήθηκαν ως ROI για την ταξινόμηση σε δασικές κατηγορίες και σε ευρωπαϊκούς δασικούς τύπους (EFT), ξεχωριστά για τα σύνολα κατάρτισης (περιοχές εκπαίδευσης) και τα σύνολα επικύρωσης.'''EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (''Quercus cerris, Q. frainetto, Q. petraea''), EFT 8.7: Δάση καστανιάς. ]]

Η ταξινόμηση των δασικών κατηγοριών και τύπων, και οι χωρικά σαφείς πληροφορίες για τη δασική δομή και σύνθεση, παρέχουν πολύτιμα στοιχεία για την εκπλήρωση επιστημονικών, οικολογικών στόχων και τη συστηματική παρακολούθηση και διαχείριση των δασικών οικοσυστημάτων. Προκειμένου να μπορέσουμε να απαντήσουμε σε ένα μεγάλο εύρος οικολογικών ερωτημάτων σε σχέση με: τον προσδιορισμό των δασικών τύπων ή/και των διαδοχικών σταδίων ανάπτυξης, το ρυθμό αναδάσωσης ή αποψίλωσης, τη λειτουργική σύνθεση των δασών και τις παγκόσμιες περιβαλλοντικές μεταβολές, είναι πολύ σημαντικό να έχουμε ανοιχτή πρόσβαση σε υψηλής ποιότητας τηλεπισκοπικά δεδομένα, από δορυφορικούς αισθητήρες με μεγάλη συχνότητα επανεπίσκεψης της ίδιας περιοχής. Με αυτόν τον τρόπο, είναι δυνατό να επιτευχθεί μεγαλύτερη ακρίβεια στην ταξινόμηση των δασικών τύπων και επομένως, ορθότερη και λεπτομερέστερη χαρτογράφηση των δασικών οικοσυστημάτων. Γεγονός ιδιαιτέρως σημαντικό όσον αφορά τα Μεσογειακά δασικά οικοσυστήματα, καθώς χαρακτηρίζονται από μεγάλο αριθμό φυτικών ειδών, μεταβλητές πυκνότητες θόλων και την παρουσία ποικίλων διαφορετικών φαινολογικών προτύπων, περιπλέκοντας τη διαδικασία της ταξινόμησης από οπτικές δορυφορικές απεικονίσεις.

Ο ευρωπαϊκός δορυφόρος Sentinel-2 (S2), η αποστολή του οποίου ξεκίνησε τον Ιούνιο του 2015, μπορεί να συνδυάσει την υψηλή χωρική ανάλυση, με την ευρεία κάλυψη και τη μεγάλη συχνότητα επανεπίσκεψης (περίπου 5 ημέρες), προσφέροντας πρωτοφανείς ευκαιρίες για τη λεπτή διάκριση των κλάσεων κάλυψης γης, την ακριβή ταξινόμηση των δασικών τύπων και τη συστηματική παρακολούθησή τους σε μεσαίες-μεγάλες κλίμακες.

Κύριος στόχος της παρούσας μελέτης ήταν να αξιολογηθεί η ικανότητα των λειτουργικών δεδομένων του S2 να ταξινομήσουν τόσο τις δασικές κατηγορίες (αμιγή δάση κωνοφόρων, αμιγή δάση πλατύφυλλων, μεικτά δάση) όσο και τους ευρωπαϊκούς δασικούς τύπους (European Forest Types- EFT), σε ένα Μεσογειακό οικοσύστημα.
Λόγω της παρουσίας διαφορετικών φαινολογικών προτύπων στα Μεσογειακά δάση, έγινε επίσης σύγκριση της χρήσης των πολυ-χρονικών δεδομένων (multitemporal data) έναντι των δεδομένων στιγμιαίας απεικόνισης (single time data), ως προς την αποτελεσματικότητα της συγκεκριμένης ταξινόμησης.

'''Περιοχή μελέτης'''

Η μελέτη διεξήχθη σε μία εκτεταμένη δασική περιοχή (περίπου 470 km2), στο ανατολικό τμήμα της περιφέρειας της Τοσκάνης (Εικόνα 1). Δημιουργήθηκε μια περιοχή ενδιαφέροντος (Region Of Interest- ROI) από 1.061 δασικές συστάδες (stands), κατανεμημένες σε τρία δασικά διαμερίσματα (3.960 εκταρίων). Σύμφωνα με την Ευρωπαϊκή ταξινόμηση, η περιοχή καλύπτεται από τους εξής δασικούς τύπους: α) Ορεινό δάσος οξιάς Απέννινων-Κορσικής (EFT 7.3), (13,4%), β) Δάση καστανιάς (EFT 8.7), (35,3%), γ) Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης (EFT 3.2), (8,9%) και δ) Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea) (EFT 8.2), (38,1%).

[[Εικόνα:RSpaper4.1_Ntolka.JPG | thumb| center|'''Εικόνα 1. Δορυφορική απεικόνιση Sentinel-2 ολόκληρης της περιοχής μελέτης με χρήση φυσικού έγχρωμου σύνθετου. ''' Οι περιοχές ενδιαφέροντος (ROI) έχουν επισημανθεί με λευκό χρώμα.]]

[[Εικόνα:RSpaper4.5_Ntolka.JPG | thumb| right|'''Πίνακας 5. Τα αποτελέσματα του δείκτη J-M ''' για τα ζεύγη των δασικών κατηγοριών (Con- αμιγή δάση κωνοφόρων, Broad- αμιγή δάση πλατύφυλλων, Mix-μεικτά δάση) με χρήση στιγμιαίων (single date) και πολυ-χρονικών (multitemporal) S2 απεικονίσεων.]]

[[Εικόνα:RSpaper4.6_Ntolka.JPG | thumb| right|''' Πίνακας 6. Τα αποτελέσματα του δείκτη J-M των επιλεγμένων EFT.''' EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea), EFT 8.7: Δάση καστανιάς.]]

'''Υλικά και Μέθοδοι '''

Από τα 13 διαθέσιμα φασματικά κανάλια του S2, χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα, της τάξεως των 10 και 20m (Πίνακας 1). Πραγματοποιήθηκε λήψη τριών λειτουργικών S2 απεικονίσεων (Level-1C Top-of-Atmosphere reflectance products) από το Scientific Hub, οι οποίες κάλυπταν διαφορετικές φαινολογικές περιόδους (χειμώνας, άνοιξη, καλοκαίρι). Η επαναδειγματοληψία τους έγινε σε χωρική ανάλυση της τάξης των 10m από την πλατφόρμα εφαρμογής του Sentinel (SNAP), η οποία διατίθεται στο δικτυακό τόπο του ESA. Τα δέκα κανάλια εισήχθησαν σε λογισμικό ENVI, και στη συνέχεια συνενώθηκαν και περικόπηκαν στην περιοχή ενδιαφέροντος.

Σε ένα πρώτο βήμα ανάλυσης, προσδιορίστηκε η ικανότητα ταξινόμησης των περιοχών ενδιαφέροντος (ROI) ξεχωριστά για τις τρεις διαφορετικές δορυφορικές απεικονίσεις (χειμώνας, άνοιξη, καλοκαίρι), με επαναδειγματοληψία των S2 καναλιών στα 10m, με και χωρίς την επιπλέον χρήση τεσσάρων δεικτών βλάστησης (Πίνακας 2). Για την αξιολόγηση χρησιμοποιήθηκε ο δείκτης συγγένειας Jeffries-Matusita (J-M). Τιμές του J-M μεγαλύτερες του 1,8 υποδεικνύουν στατιστικά καλό διαχωρισμό μεταξύ των ROI. Σε ένα επόμενο στάδιο, έγινε σύνθεση των τριών S2 απεικονίσεων και η ανάλυση επαναλήφθηκε, ώστε να διερευνηθεί το κατά πόσον η χρήση πολύ-χρονικών δεδομένων θα βελτιώσει τη δασική ταξινόμηση. Η καλύτερη διευθέτηση (configuration) με βάση τον J-M, χρησιμοποιήθηκε στη συνέχεια για την ταξινόμηση των S2 απεικονίσεων με τη μέθοδο του «Τυχαίου Δάσους».

Τα εικονοστοιχεία των ROI χωρίστηκαν τυχαία σε σύνολα κατάρτισης (περιοχών εκπαίδευσης) και σύνολα επικύρωσης (Πίνακας 3 & Πίνακας 4), σε ποσοστό 70% και 30% αντίστοιχα. Η ανάλυση της ταξινόμησης πραγματοποιήθηκε με χρήση του πακέτου 'randomForest' στην γλώσσα προγραμματισμού R (R Core Team, 2017). Το μοντέλο «Τυχαίου Δάσους» χτίστηκε πάνω στα σύνολα κατάρτισης. Για τον υπολογισμό της συνολικής ακρίβειας (OA), της ακρίβειας παραγωγού (PA), της ακρίβειας χρήστη (UA) και του συντελεστή Kappa της ταξινόμησης χρησιμοποιήθηκε ο πίνακας συνάφειας, ο οποίος προέκυψε ύστερα από εφαρμογή του μοντέλου σε ολόκληρο το σετ επικύρωσης.

Τέλος, το επικυρωμένο μοντέλο εφαρμόστηκε στο σύνολο της περιοχή μελέτης (470 km2) και παρήχθησαν χάρτες χωρικής ανάλυσης 10 m τόσο για τις δασικές κατηγορίες όσο και για τους δασικούς τύπους (EFTs).

[[Εικόνα:RSpaper4.7_Ntolka.JPG | thumb|center| '''Εικόνα 2. Διάγραμμα ροής της μεθοδολογίας «Τυχαίου Δάσους» (Random Forest- RF)''', που εφαρμόστηκε στη μελέτη.]]

[[Εικόνα:RSpaper4.8.Tables7-8_Ntolka.JPG | thumb| right|'''Πίνακες 7 & 8. Μήτρα σύγχυσης (confussion matrix) του καλύτερου αποτελέσματος χωρικής διευθέτησης (configuration) (βλ. Πίνακα 5) για την ταξινόμηση σε δασικές κατηγορίες και σε EFTs, εκφρασμένο με τον αριθμό των εικονοστοιχείων του συνόλου επικύρωσης.''']]

[[Εικόνα:RSpaper4.8.Tables9-10_Ntolka.JPG | thumb| right|'''Πίνακες 9 & 10. Ακρίβεια του ταξινομητή RF στο σύνολο επικύρωσης των δασικών κατηγοριών και των δασικών τύπων (EFT).''' CE: Commission Error - Σφάλμα συμπερίληψης, OE: Omission Error - Σφάλμα παράλειψης, PA: Producer Accuracy - Ακρίβεια παραγωγού, UA: User Accuracy - Ακρίβεια χρήστη.]]

'''Αποτελέσματα '''

Τα αποτελέσματα του δείκτη Jeffries-Matusita για τα ζεύγη των δασικών κατηγοριών και τα ζεύγη δασικών τύπων παρουσιάζονται στους πίνακες 5 και 6, αντίστοιχα.
Η χρήση πολυ-χρονικών δεδομένων με τη συμπερίληψη δεικτών βλάστησης έδωσε τα καλύτερα αποτελέσματα σε σχέση με την ταξινόμηση των δασικών κατηγοριών, ενώ η χρήση των μεμονωμένων στιγμιαίων απεικονίσεων από τα 10 κανάλια (single images) δεν ήταν δυνατό να ξεχωρίσει τα μεικτά από τα αμιγή δάση. Η χρήση στιγμιαίων απεικονίσεων (άνοιξης και καλοκαιριού) επαρκούσε για τον αποτελεσματικό διαχωρισμό μεταξύ όλων των δασικών τύπων, με εξαίρεση τα δάση δρυών και καστανιάς, και παρουσίαζε σημαντική βελτίωση με την επιπλέον χρήση του δείκτη RENDVI.
Η καλύτερη διευθέτηση για τις δασικές κατηγορίες και τους δασικούς τύπους περιελάμβανε αντιστοίχως: 33 επίπεδα (10 κανάλια για τον χειμώνα, 10 για την άνοιξη, 10 για το καλοκαίρι και τους 3 δείκτες RENDVI) και 22 επίπεδα (10 κανάλια για την άνοιξη, 10 για το καλοκαίρι και 2 δείκτες RENDVI), τα οποία χρησιμοποιήθηκαν ξεχωριστά ως μεταβλητές εισόδου στο «Τυχαίο Δάσος» (Εικόνα 2). Η μήτρα σύγχυσης και τα αποτελέσματα ακρίβειας της ταξινόμησης RF παρουσιάζονται στους Πίνακες 7,8,9 και 10. Η συνολική ακρίβεια για τις δασικές κατηγορίες αντιστοιχεί σε ποσοστό 86,2% και για τους δασικούς τύπους σε 92,7%. Οι χάρτες που προέκυψαν ύστερα από την εφαρμογή των επικυρωμένων μοντέλων στο σύνολο της περιοχής μελέτης παρουσιάζονται στην Εικόνα 3.

[[Εικόνα:RSpaper4.9_Ntolka.JPG | thumb| center|'''Εικόνα 3. Χάρτες με τις δασικές κατηγορίες '''(αριστερά) '''και τους ευρωπαϊκούς δασικούς τύπους - EFTs '''(δεξιά), '''ύστερα από εφαρμογή των μοντέλων πρόβλεψης στην περιοχή μελέτης.''']]

'''Συζήτηση & Συμβολή της Τηλεπισκόπησης'''

Η χρήση τηλεπισκοπικών δεδομένων από το δορυφόρο Sentinel-2 μπορεί να αποτελέσει μια αποτελεσματική επιλογή για τη συστηματική παρακολούθηση και τη χαρτογράφηση των Μεσογειακών δασικών οικοσυστημάτων σε μεσαία-μεγάλη κλίμακα. Ο S2 παρουσιάζει μια σειρά από σημαντικά πλεονεκτήματα, τα οποία προσφέρουν τη δυνατότητα για μεγάλης ακρίβειας ταξινόμηση μεταξύ των δασικών τύπων, με σημαντικότερα τα εξής: την υψηλή διακριτική ικανότητα των φασματικών του καναλιών (10 και 20m), τη μεγάλη συχνότητα επανεπίσκεψης και τη δυνατότητα συμπερίληψης τεσσάρων καναλιών «κόκκινης ακμής» (red-edge bands).

[[category:Αναγνώριση δασικών ειδών]]

[[category: Οικολογία]]

Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα

2019-03-03T14:41:08Z

Ntolka Eirini:

'''Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα'''

'''Πρωτότυπος τίτλος:''' ''Use of Sentinel-2 for forest classification in Mediterranean environments''

[[Εικόνα:RSpaper4.2_Ntolka.JPG | thumb| right|'''Πίνακας 1.Διαθέσιμα φασματικά κανάλια για τον Sentinel-2. '''Στη συγκεκριμένη μελέτη χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα (10 και 20m).]]

'''Συγγραφείς: '''Nicola Puletti, Francesco Chianucci, Cristiano Castaldi

'''Δημοσιεύθηκε: ''' ''Annals of Silvicultural Research, November 2017, DOI: 10.12899/ASR-1463''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/321213981_Use_of_Sentinel-2_for_forest_classification_in_Mediterranean_environments]

[[Εικόνα:RSpaper4.3_Ntolka.JPG | thumb| right|'''Πίνακας 2. Οι δείκτες βλάστησης όπως υπολογίσθηκαν από την S2 απεικόνιση. Σταθμός ελέγχου εδάφους και μη επανδρωμένο ιπτάμενο όχημα ''' που χρησιμοποιήθηκαν στη μελέτη (Responder, ING Robotic Aviation).Με ''' p''' συμβολίζεται η τιμή ανάκλασης για κάθε εξεταζόμενο κανάλι του S2. Για την αναγνώριση του χρησιμοποιούμενου αριθμού καναλιού, βλ. Πίνακα 1. Δείκτες βλάστησης: δείκτης κανονικοποιημένης διαφοράς βλάστησης (NDVI), δείκτης αναλογικής βλάστησης (SRI), δείκτης NDVI «κόκκινης ακμής» (RENDVI), δείκτης ανακλαστικότητας ανθοκυανίνης (ARI1).]]

'''Λέξεις-Κλειδιά: ''' Ταξινόμηση δασών, Ευρωπαϊκού τύπου δάση, πολυφασματική δορυφορική απεικόνιση, Jeffries-Matusita (J-M) distance test, Τυχαίο δάσος

'''Εισαγωγή'''

[[Εικόνα:RSpaper4.4.Tables3-4_Ntolka.JPG | thumb| right|'''Πίνακες 3 & 4. Ο αριθμός των εικονοστοιχείων (10x10m pixels) που χρησιμοποιήθηκαν ως ROI για την ταξινόμηση σε δασικές κατηγορίες και σε ευρωπαϊκούς δασικούς τύπους (EFT), ξεχωριστά για τα σύνολα κατάρτισης (περιοχές εκπαίδευσης) και τα σύνολα επικύρωσης.'''EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea), EFT 8.7: Δάση καστανιάς. ]]

Η ταξινόμηση των δασικών κατηγοριών και τύπων, και οι χωρικά σαφείς πληροφορίες για τη δασική δομή και σύνθεση, παρέχουν πολύτιμα στοιχεία για την εκπλήρωση επιστημονικών, οικολογικών στόχων και τη συστηματική παρακολούθηση και διαχείριση των δασικών οικοσυστημάτων. Προκειμένου να μπορέσουμε να απαντήσουμε σε ένα μεγάλο εύρος οικολογικών ερωτημάτων σε σχέση με: τον προσδιορισμό των δασικών τύπων ή/και των διαδοχικών σταδίων ανάπτυξης, το ρυθμό αναδάσωσης ή αποψίλωσης, τη λειτουργική σύνθεση των δασών και τις παγκόσμιες περιβαλλοντικές μεταβολές, είναι πολύ σημαντικό να έχουμε ανοιχτή πρόσβαση σε υψηλής ποιότητας τηλεπισκοπικά δεδομένα, από δορυφορικούς αισθητήρες με μεγάλη συχνότητα επανεπίσκεψης της ίδιας περιοχής. Με αυτόν τον τρόπο, είναι δυνατό να επιτευχθεί μεγαλύτερη ακρίβεια στην ταξινόμηση των δασικών τύπων και επομένως, ορθότερη και λεπτομερέστερη χαρτογράφηση των δασικών οικοσυστημάτων. Γεγονός ιδιαιτέρως σημαντικό όσον αφορά τα Μεσογειακά δασικά οικοσυστήματα, καθώς χαρακτηρίζονται από μεγάλο αριθμό φυτικών ειδών, μεταβλητές πυκνότητες θόλων και την παρουσία ποικίλων διαφορετικών φαινολογικών προτύπων, περιπλέκοντας τη διαδικασία της ταξινόμησης από οπτικές δορυφορικές απεικονίσεις.

Ο ευρωπαϊκός δορυφόρος Sentinel-2 (S2), η αποστολή του οποίου ξεκίνησε τον Ιούνιο του 2015, μπορεί να συνδυάσει την υψηλή χωρική ανάλυση, με την ευρεία κάλυψη και τη μεγάλη συχνότητα επανεπίσκεψης (περίπου 5 ημέρες), προσφέροντας πρωτοφανείς ευκαιρίες για τη λεπτή διάκριση των κλάσεων κάλυψης γης, την ακριβή ταξινόμηση των δασικών τύπων και τη συστηματική παρακολούθησή τους σε μεσαίες-μεγάλες κλίμακες.

Κύριος στόχος της παρούσας μελέτης ήταν να αξιολογηθεί η ικανότητα των λειτουργικών δεδομένων του S2 να ταξινομήσουν τόσο τις δασικές κατηγορίες (αμιγή δάση κωνοφόρων, αμιγή δάση πλατύφυλλων, μεικτά δάση) όσο και τους ευρωπαϊκούς δασικούς τύπους (European Forest Types- EFT), σε ένα Μεσογειακό οικοσύστημα.
Λόγω της παρουσίας διαφορετικών φαινολογικών προτύπων στα Μεσογειακά δάση, έγινε επίσης σύγκριση της χρήσης των πολυ-χρονικών δεδομένων (multitemporal data) έναντι των δεδομένων στιγμιαίας απεικόνισης (single time data), ως προς την αποτελεσματικότητα της συγκεκριμένης ταξινόμησης.

'''Περιοχή μελέτης'''

Η μελέτη διεξήχθη σε μία εκτεταμένη δασική περιοχή (περίπου 470 km2), στο ανατολικό τμήμα της περιφέρειας της Τοσκάνης (Εικόνα 1). Δημιουργήθηκε μια περιοχή ενδιαφέροντος (Region Of Interest- ROI) από 1.061 δασικές συστάδες (stands), κατανεμημένες σε τρία δασικά διαμερίσματα (3.960 εκταρίων). Σύμφωνα με την Ευρωπαϊκή ταξινόμηση, η περιοχή καλύπτεται από τους εξής δασικούς τύπους: α) Ορεινό δάσος οξιάς Απέννινων-Κορσικής (EFT 7.3), (13,4%), β) Δάση καστανιάς (EFT 8.7), (35,3%), γ) Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης (EFT 3.2), (8,9%) και δ) Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea) (EFT 8.2), (38,1%).

[[Εικόνα:RSpaper4.1_Ntolka.JPG | thumb| center|'''Εικόνα 1. Δορυφορική απεικόνιση Sentinel-2 ολόκληρης της περιοχής μελέτης με χρήση φυσικού έγχρωμου σύνθετου. ''' Οι περιοχές ενδιαφέροντος (ROI) έχουν επισημανθεί με λευκό χρώμα.]]

[[Εικόνα:RSpaper4.5_Ntolka.JPG | thumb| right|'''Πίνακας 5. Τα αποτελέσματα του δείκτη J-M ''' για τα ζεύγη των δασικών κατηγοριών (Con- αμιγή δάση κωνοφόρων, Broad- αμιγή δάση πλατύφυλλων, Mix-μεικτά δάση) με χρήση στιγμιαίων (single date) και πολυ-χρονικών (multitemporal) S2 απεικονίσεων.]]

[[Εικόνα:RSpaper4.6_Ntolka.JPG | thumb| right|''' Πίνακας 6. Τα αποτελέσματα του δείκτη J-M των επιλεγμένων EFT.''' EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea), EFT 8.7: Δάση καστανιάς.]]

'''Υλικά και Μέθοδοι '''

Από τα 13 διαθέσιμα φασματικά κανάλια του S2, χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα, της τάξεως των 10 και 20m (Πίνακας 1). Πραγματοποιήθηκε λήψη τριών λειτουργικών S2 απεικονίσεων (Level-1C Top-of-Atmosphere reflectance products) από το Scientific Hub, οι οποίες κάλυπταν διαφορετικές φαινολογικές περιόδους (χειμώνας, άνοιξη, καλοκαίρι). Η επαναδειγματοληψία τους έγινε σε χωρική ανάλυση της τάξης των 10m από την πλατφόρμα εφαρμογής του Sentinel (SNAP), η οποία διατίθεται στο δικτυακό τόπο του ESA. Τα δέκα κανάλια εισήχθησαν σε λογισμικό ENVI, και στη συνέχεια συνενώθηκαν και περικόπηκαν στην περιοχή ενδιαφέροντος.

Σε ένα πρώτο βήμα ανάλυσης, προσδιορίστηκε η ικανότητα ταξινόμησης των περιοχών ενδιαφέροντος (ROI) ξεχωριστά για τις τρεις διαφορετικές δορυφορικές απεικονίσεις (χειμώνας, άνοιξη, καλοκαίρι), με επαναδειγματοληψία των S2 καναλιών στα 10m, με και χωρίς την επιπλέον χρήση τεσσάρων δεικτών βλάστησης (Πίνακας 2). Για την αξιολόγηση χρησιμοποιήθηκε ο δείκτης συγγένειας Jeffries-Matusita (J-M). Τιμές του J-M μεγαλύτερες του 1,8 υποδεικνύουν στατιστικά καλό διαχωρισμό μεταξύ των ROI. Σε ένα επόμενο στάδιο, έγινε σύνθεση των τριών S2 απεικονίσεων και η ανάλυση επαναλήφθηκε, ώστε να διερευνηθεί το κατά πόσον η χρήση πολύ-χρονικών δεδομένων θα βελτιώσει τη δασική ταξινόμηση. Η καλύτερη διευθέτηση (configuration) με βάση τον J-M, χρησιμοποιήθηκε στη συνέχεια για την ταξινόμηση των S2 απεικονίσεων με τη μέθοδο του «Τυχαίου Δάσους».

Τα εικονοστοιχεία των ROI χωρίστηκαν τυχαία σε σύνολα κατάρτισης (περιοχών εκπαίδευσης) και σύνολα επικύρωσης (Πίνακας 3 & Πίνακας 4), σε ποσοστό 70% και 30% αντίστοιχα. Η ανάλυση της ταξινόμησης πραγματοποιήθηκε με χρήση του πακέτου 'randomForest' στην γλώσσα προγραμματισμού R (R Core Team, 2017). Το μοντέλο «Τυχαίου Δάσους» χτίστηκε πάνω στα σύνολα κατάρτισης. Για τον υπολογισμό της συνολικής ακρίβειας (OA), της ακρίβειας παραγωγού (PA), της ακρίβειας χρήστη (UA) και του συντελεστή Kappa της ταξινόμησης χρησιμοποιήθηκε ο πίνακας συνάφειας, ο οποίος προέκυψε ύστερα από εφαρμογή του μοντέλου σε ολόκληρο το σετ επικύρωσης.

Τέλος, το επικυρωμένο μοντέλο εφαρμόστηκε στο σύνολο της περιοχή μελέτης (470 km2) και παρήχθησαν χάρτες χωρικής ανάλυσης 10 m τόσο για τις δασικές κατηγορίες όσο και για τους δασικούς τύπους (EFTs).

[[Εικόνα:RSpaper4.7_Ntolka.JPG | thumb|center| '''Εικόνα 2. Διάγραμμα ροής της μεθοδολογίας «Τυχαίου Δάσους» (Random Forest- RF)''', που εφαρμόστηκε στη μελέτη.]]

[[Εικόνα:RSpaper4.8.Tables7-8_Ntolka.JPG | thumb| right|'''Πίνακες 7 & 8. Μήτρα σύγχυσης (confussion matrix) του καλύτερου αποτελέσματος χωρικής διευθέτησης (configuration) (βλ. Πίνακα 5) για την ταξινόμηση σε δασικές κατηγορίες και σε EFTs, εκφρασμένο με τον αριθμό των εικονοστοιχείων του συνόλου επικύρωσης.''']]

[[Εικόνα:RSpaper4.8.Tables9-10_Ntolka.JPG | thumb| right|'''Πίνακες 9 & 10. Ακρίβεια του ταξινομητή RF στο σύνολο επικύρωσης των δασικών κατηγοριών και των δασικών τύπων (EFT).''' CE: Commission Error - Σφάλμα συμπερίληψης, OE: Omission Error - Σφάλμα παράλειψης, PA: Producer Accuracy - Ακρίβεια παραγωγού, UA: User Accuracy - Ακρίβεια χρήστη.]]

'''Αποτελέσματα '''

Τα αποτελέσματα του δείκτη Jeffries-Matusita για τα ζεύγη των δασικών κατηγοριών και τα ζεύγη δασικών τύπων παρουσιάζονται στους πίνακες 5 και 6, αντίστοιχα.
Η χρήση πολυ-χρονικών δεδομένων με τη συμπερίληψη δεικτών βλάστησης έδωσε τα καλύτερα αποτελέσματα σε σχέση με την ταξινόμηση των δασικών κατηγοριών, ενώ η χρήση των μεμονωμένων στιγμιαίων απεικονίσεων από τα 10 κανάλια (single images) δεν ήταν δυνατό να ξεχωρίσει τα μεικτά από τα αμιγή δάση. Η χρήση στιγμιαίων απεικονίσεων (άνοιξης και καλοκαιριού) επαρκούσε για τον αποτελεσματικό διαχωρισμό μεταξύ όλων των δασικών τύπων, με εξαίρεση τα δάση δρυών και καστανιάς, και παρουσίαζε σημαντική βελτίωση με την επιπλέον χρήση του δείκτη RENDVI.
Η καλύτερη διευθέτηση για τις δασικές κατηγορίες και τους δασικούς τύπους περιελάμβανε αντιστοίχως: 33 επίπεδα (10 κανάλια για τον χειμώνα, 10 για την άνοιξη, 10 για το καλοκαίρι και τους 3 δείκτες RENDVI) και 22 επίπεδα (10 κανάλια για την άνοιξη, 10 για το καλοκαίρι και 2 δείκτες RENDVI), τα οποία χρησιμοποιήθηκαν ξεχωριστά ως μεταβλητές εισόδου στο «Τυχαίο Δάσος» (Εικόνα 2). Η μήτρα σύγχυσης και τα αποτελέσματα ακρίβειας της ταξινόμησης RF παρουσιάζονται στους Πίνακες 7,8,9 και 10. Η συνολική ακρίβεια για τις δασικές κατηγορίες αντιστοιχεί σε ποσοστό 86,2% και για τους δασικούς τύπους σε 92,7%. Οι χάρτες που προέκυψαν ύστερα από την εφαρμογή των επικυρωμένων μοντέλων στο σύνολο της περιοχής μελέτης παρουσιάζονται στην Εικόνα 3.

[[Εικόνα:RSpaper4.9_Ntolka.JPG | thumb| center|'''Εικόνα 3. Χάρτες με τις δασικές κατηγορίες '''(αριστερά) '''και τους ευρωπαϊκούς δασικούς τύπους - EFTs '''(δεξιά), '''ύστερα από εφαρμογή των μοντέλων πρόβλεψης στην περιοχή μελέτης.''']]

'''Συζήτηση & Συμβολή της Τηλεπισκόπησης'''

Η χρήση τηλεπισκοπικών δεδομένων από το δορυφόρο Sentinel-2 μπορεί να αποτελέσει μια αποτελεσματική επιλογή για τη συστηματική παρακολούθηση και τη χαρτογράφηση των Μεσογειακών δασικών οικοσυστημάτων σε μεσαία-μεγάλη κλίμακα. Ο S2 παρουσιάζει μια σειρά από σημαντικά πλεονεκτήματα, τα οποία προσφέρουν τη δυνατότητα για μεγάλης ακρίβειας ταξινόμηση μεταξύ των δασικών τύπων, με σημαντικότερα τα εξής: την υψηλή διακριτική ικανότητα των φασματικών του καναλιών (10 και 20m), τη μεγάλη συχνότητα επανεπίσκεψης και τη δυνατότητα συμπερίληψης τεσσάρων καναλιών «κόκκινης ακμής» (red-edge bands).

[[category:Αναγνώριση δασικών ειδών]]

[[category: Οικολογία]]

Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα

2019-03-03T14:38:58Z

Ntolka Eirini:

'''Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα'''

'''Πρωτότυπος τίτλος:''' ''Use of Sentinel-2 for forest classification in Mediterranean environments''

[[Εικόνα:RSpaper4.2_Ntolka.JPG | thumb| right|'''Πίνακας 1.Διαθέσιμα φασματικά κανάλια για τον Sentinel-2. '''Στη συγκεκριμένη μελέτη χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα (10 και 20m).]]

'''Συγγραφείς: '''Nicola Puletti, Francesco Chianucci, Cristiano Castaldi

'''Δημοσιεύθηκε: ''' ''Annals of Silvicultural Research, November 2017, DOI: 10.12899/ASR-1463''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/321213981_Use_of_Sentinel-2_for_forest_classification_in_Mediterranean_environments]

[[Εικόνα:RSpaper4.3_Ntolka.JPG | thumb| right|'''Πίνακας 2. Οι δείκτες βλάστησης όπως υπολογίσθηκαν από την S2 απεικόνιση. Σταθμός ελέγχου εδάφους και μη επανδρωμένο ιπτάμενο όχημα ''' που χρησιμοποιήθηκαν στη μελέτη (Responder, ING Robotic Aviation).Με ''' p''' συμβολίζεται η τιμή ανάκλασης για κάθε εξεταζόμενο κανάλι του S2. Για την αναγνώριση του χρησιμοποιούμενου αριθμού καναλιού, βλ. Πίνακα 1. Δείκτες βλάστησης: δείκτης κανονικοποιημένης διαφοράς βλάστησης (NDVI), δείκτης αναλογικής βλάστησης (SRI), δείκτης NDVI «κόκκινης ακμής» (RENDVI), δείκτης ανακλαστικότητας ανθοκυανίνης (ARI1).]]

'''Λέξεις-Κλειδιά: ''' Ταξινόμηση δασών, Ευρωπαϊκού τύπου δάση, πολυφασματική δορυφορική απεικόνιση, Jeffries-Matusita (J-M) distance test, Τυχαίο δάσος

'''Εισαγωγή'''

[[Εικόνα:RSpaper4.4.Tables3-4_Ntolka.JPG | thumb| right|'''Πίνακες 3 & 4. Ο αριθμός των εικονοστοιχείων (10x10m pixels) που χρησιμοποιήθηκαν ως ROI για την ταξινόμηση σε δασικές κατηγορίες και σε ευρωπαϊκούς δασικούς τύπους (EFT), ξεχωριστά για τα σύνολα κατάρτισης (περιοχές εκπαίδευσης) και τα σύνολα επικύρωσης.'''EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea), EFT 8.7: Δάση καστανιάς. ]]

Η ταξινόμηση των δασικών κατηγοριών και τύπων, και οι χωρικά σαφείς πληροφορίες για τη δασική δομή και σύνθεση, παρέχουν πολύτιμα στοιχεία για την εκπλήρωση επιστημονικών, οικολογικών στόχων και τη συστηματική παρακολούθηση και διαχείριση των δασικών οικοσυστημάτων. Προκειμένου να μπορέσουμε να απαντήσουμε σε ένα μεγάλο εύρος οικολογικών ερωτημάτων σε σχέση με: τον προσδιορισμό των δασικών τύπων ή/και των διαδοχικών σταδίων ανάπτυξης, το ρυθμό αναδάσωσης ή αποψίλωσης, τη λειτουργική σύνθεση των δασών και τις παγκόσμιες περιβαλλοντικές μεταβολές, είναι πολύ σημαντικό να έχουμε ανοιχτή πρόσβαση σε υψηλής ποιότητας τηλεπισκοπικά δεδομένα, από δορυφορικούς αισθητήρες με μεγάλη συχνότητα επανεπίσκεψης της ίδιας περιοχής. Με αυτόν τον τρόπο, είναι δυνατό να επιτευχθεί μεγαλύτερη ακρίβεια στην ταξινόμηση των δασικών τύπων και επομένως, ορθότερη και λεπτομερέστερη χαρτογράφηση των δασικών οικοσυστημάτων. Γεγονός ιδιαιτέρως σημαντικό όσον αφορά τα Μεσογειακά δασικά οικοσυστήματα, καθώς χαρακτηρίζονται από μεγάλο αριθμό φυτικών ειδών, μεταβλητές πυκνότητες θόλων και την παρουσία ποικίλων διαφορετικών φαινολογικών προτύπων, περιπλέκοντας τη διαδικασία της ταξινόμησης από οπτικές δορυφορικές απεικονίσεις.

Ο ευρωπαϊκός δορυφόρος Sentinel-2 (S2), η αποστολή του οποίου ξεκίνησε τον Ιούνιο του 2015, μπορεί να συνδυάσει την υψηλή χωρική ανάλυση, με την ευρεία κάλυψη και τη μεγάλη συχνότητα επανεπίσκεψης (περίπου 5 ημέρες), προσφέροντας πρωτοφανείς ευκαιρίες για τη λεπτή διάκριση των κλάσεων κάλυψης γης, την ακριβή ταξινόμηση των δασικών τύπων και τη συστηματική παρακολούθησή τους σε μεσαίες-μεγάλες κλίμακες.

Κύριος στόχος της παρούσας μελέτης ήταν να αξιολογηθεί η ικανότητα των λειτουργικών δεδομένων του S2 να ταξινομήσουν τόσο τις δασικές κατηγορίες (αμιγή δάση κωνοφόρων, αμιγή δάση πλατύφυλλων, μεικτά δάση) όσο και τους ευρωπαϊκούς δασικούς τύπους (European Forest Types- EFT), σε ένα Μεσογειακό οικοσύστημα.
Λόγω της παρουσίας διαφορετικών φαινολογικών προτύπων στα Μεσογειακά δάση, έγινε επίσης σύγκριση της χρήσης των πολυ-χρονικών δεδομένων (multitemporal data) έναντι των δεδομένων στιγμιαίας απεικόνισης (single time data), ως προς την αποτελεσματικότητα της συγκεκριμένης ταξινόμησης.

'''Περιοχή μελέτης'''

Η μελέτη διεξήχθη σε μία εκτεταμένη δασική περιοχή (περίπου 470 km2), στο ανατολικό τμήμα της περιφέρειας της Τοσκάνης (Εικόνα 1). Δημιουργήθηκε μια περιοχή ενδιαφέροντος (Region Of Interest- ROI) από 1.061 δασικές συστάδες (stands), κατανεμημένες σε τρία δασικά διαμερίσματα (3.960 εκταρίων). Σύμφωνα με την Ευρωπαϊκή ταξινόμηση, η περιοχή καλύπτεται από τους εξής δασικούς τύπους: α) Ορεινό δάσος οξιάς Απέννινων-Κορσικής (EFT 7.3), (13,4%), β) Δάση καστανιάς (EFT 8.7), (35,3%), γ) Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης (EFT 3.2), (8,9%) και δ) Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea) (EFT 8.2), (38,1%).

[[Εικόνα:RSpaper4.1_Ntolka.JPG | thumb| center|'''Εικόνα 1. Δορυφορική απεικόνιση Sentinel-2 ολόκληρης της περιοχής μελέτης με χρήση φυσικού έγχρωμου σύνθετου. ''' Οι περιοχές ενδιαφέροντος (ROI) έχουν επισημανθεί με λευκό χρώμα.]]

[[Εικόνα:RSpaper4.5_Ntolka.JPG | thumb| right|'''Πίνακας 5. Τα αποτελέσματα του δείκτη J-M ''' για τα ζεύγη των δασικών κατηγοριών (Con- αμιγή δάση κωνοφόρων, Broad- αμιγή δάση πλατύφυλλων, Mix-μεικτά δάση) με χρήση στιγμιαίων (single date) και πολυ-χρονικών (multitemporal) S2 απεικονίσεων.]]

[[Εικόνα:RSpaper4.6_Ntolka.JPG | thumb| right|''' Πίνακας 6. Τα αποτελέσματα του δείκτη J-M των επιλεγμένων EFT.''' EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea), EFT 8.7: Δάση καστανιάς.]]

'''Υλικά και Μέθοδοι '''

Από τα 13 διαθέσιμα φασματικά κανάλια του S2, χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα, της τάξεως των 10 και 20m (Πίνακας 1). Πραγματοποιήθηκε λήψη τριών λειτουργικών S2 απεικονίσεων (Level-1C Top-of-Atmosphere reflectance products) από το Scientific Hub, οι οποίες κάλυπταν διαφορετικές φαινολογικές περιόδους (χειμώνας, άνοιξη, καλοκαίρι). Η επαναδειγματοληψία τους έγινε σε χωρική ανάλυση της τάξης των 10m από την πλατφόρμα εφαρμογής του Sentinel (SNAP), η οποία διατίθεται στο δικτυακό τόπο του ESA. Τα δέκα κανάλια εισήχθησαν σε λογισμικό ENVI, και στη συνέχεια συνενώθηκαν και περικόπηκαν στην περιοχή ενδιαφέροντος.

Σε ένα πρώτο βήμα ανάλυσης, προσδιορίστηκε η ικανότητα ταξινόμησης των περιοχών ενδιαφέροντος (ROI) ξεχωριστά για τις τρεις διαφορετικές δορυφορικές απεικονίσεις (χειμώνας, άνοιξη, καλοκαίρι), με επαναδειγματοληψία των S2 καναλιών στα 10m, με και χωρίς την επιπλέον χρήση τεσσάρων δεικτών βλάστησης (Πίνακας 2). Για την αξιολόγηση χρησιμοποιήθηκε ο δείκτης συγγένειας Jeffries-Matusita (J-M). Τιμές του J-M μεγαλύτερες του 1,8 υποδεικνύουν στατιστικά καλό διαχωρισμό μεταξύ των ROI. Σε ένα επόμενο στάδιο, έγινε σύνθεση των τριών S2 απεικονίσεων και η ανάλυση επαναλήφθηκε, ώστε να διερευνηθεί το κατά πόσον η χρήση πολύ-χρονικών δεδομένων θα βελτιώσει τη δασική ταξινόμηση. Η καλύτερη διευθέτηση (configuration) με βάση τον J-M, χρησιμοποιήθηκε στη συνέχεια για την ταξινόμηση των S2 απεικονίσεων με τη μέθοδο του «Τυχαίου Δάσους».

Τα εικονοστοιχεία των ROI χωρίστηκαν τυχαία σε σύνολα κατάρτισης (περιοχών εκπαίδευσης) και σύνολα επικύρωσης (Πίνακας 3 & Πίνακας 4), σε ποσοστό 70% και 30% αντίστοιχα. Η ανάλυση της ταξινόμησης πραγματοποιήθηκε με χρήση του πακέτου 'randomForest' στην γλώσσα προγραμματισμού R (R Core Team, 2017). Το μοντέλο «Τυχαίου Δάσους» χτίστηκε πάνω στα σύνολα κατάρτισης. Για τον υπολογισμό της συνολικής ακρίβειας (OA), της ακρίβειας παραγωγού (PA), της ακρίβειας χρήστη (UA) και του συντελεστή Kappa της ταξινόμησης χρησιμοποιήθηκε ο πίνακας συνάφειας, ο οποίος προέκυψε ύστερα από εφαρμογή του μοντέλου σε ολόκληρο το σετ επικύρωσης.

Τέλος, το επικυρωμένο μοντέλο εφαρμόστηκε στο σύνολο της περιοχή μελέτης (470 km2) και παρήχθησαν χάρτες χωρικής ανάλυσης 10 m τόσο για τις δασικές κατηγορίες όσο και για τους δασικούς τύπους (EFTs).

[[Εικόνα:RSpaper4.7_Ntolka.JPG | thumb|center| '''Εικόνα 2. Διάγραμμα ροής της μεθοδολογίας «Τυχαίου Δάσους» (Random Forest- RF)''', που εφαρμόστηκε στη μελέτη.]]

[[Εικόνα:RSpaper4.8.Tables7-8_Ntolka.JPG | thumb| right|'''Πίνακες 7 & 8. Μήτρα σύγχυσης (confussion matrix) του καλύτερου αποτελέσματος χωρικής διευθέτησης (configuration) (βλ. Πίνακα 5) για την ταξινόμηση σε δασικές κατηγορίες και σε EFTs, εκφρασμένο με τον αριθμό των εικονοστοιχείων του συνόλου επικύρωσης.''']]

[[Εικόνα:RSpaper4.8.Tables9-10_Ntolka.JPG | thumb| right|'''Πίνακες 9 & 10. Ακρίβεια του ταξινομητή RF στο σύνολο επικύρωσης των δασικών κατηγοριών και των δασικών τύπων (EFT).''' CE: Commission Error - Σφάλμα συμπερίληψης, OE: Omission Error - Σφάλμα παράλειψης, PA: Producer Accuracy - Ακρίβεια παραγωγού, UA: User Accuracy - Ακρίβεια χρήστη.]]

'''Αποτελέσματα '''

Τα αποτελέσματα του δείκτη Jeffries-Matusita για τα ζεύγη των δασικών κατηγοριών και τα ζεύγη δασικών τύπων παρουσιάζονται στους πίνακες 5 και 6, αντίστοιχα.
Η χρήση πολυ-χρονικών δεδομένων με τη συμπερίληψη δεικτών βλάστησης έδωσε τα καλύτερα αποτελέσματα σε σχέση με την ταξινόμηση των δασικών κατηγοριών, ενώ η χρήση των μεμονωμένων στιγμιαίων απεικονίσεων από τα 10 κανάλια (single images) δεν ήταν δυνατό να ξεχωρίσει τα μεικτά από τα αμιγή δάση. Η χρήση στιγμιαίων απεικονίσεων (άνοιξης και καλοκαιριού) επαρκούσε για τον αποτελεσματικό διαχωρισμό μεταξύ όλων των δασικών τύπων, με εξαίρεση τα δάση δρυών και καστανιάς, και παρουσίαζε σημαντική βελτίωση με την επιπλέον χρήση του δείκτη RENDVI. Η καλύτερη διευθέτηση για τις δασικές κατηγορίες και τους δασικούς τύπους περιελάμβανε αντιστοίχως: 33 επίπεδα (10 κανάλια για τον χειμώνα, 10 για την άνοιξη, 10 για το καλοκαίρι και τους 3 δείκτες RENDVI) και 22 επίπεδα (10 κανάλια για την άνοιξη, 10 για το καλοκαίρι και 2 δείκτες RENDVI), τα οποία χρησιμοποιήθηκαν ξεχωριστά ως μεταβλητές εισόδου στο «Τυχαίο Δάσος» (Εικόνα 2). Η μήτρα σύγχυσης και τα αποτελέσματα ακρίβειας της ταξινόμησης RF παρουσιάζονται στους Πίνακες 7,8,9 και 10. Η συνολική ακρίβεια για τις δασικές κατηγορίες αντιστοιχεί σε ποσοστό 86,2% και για τους δασικούς τύπους σε 92,7%. Οι χάρτες που προέκυψαν ύστερα από την εφαρμογή των επικυρωμένων μοντέλων στο σύνολο της περιοχής μελέτης παρουσιάζονται στην Εικόνα 3.

[[Εικόνα:RSpaper4.9_Ntolka.JPG | thumb| center|'''Εικόνα 3. Χάρτες με τις δασικές κατηγορίες '''(αριστερά) '''και τους ευρωπαϊκούς δασικούς τύπους - EFTs '''(δεξιά), '''ύστερα από εφαρμογή των μοντέλων πρόβλεψης στην περιοχή μελέτης.''']]

'''Συζήτηση & Συμβολή της Τηλεπισκόπησης'''

Η χρήση τηλεπισκοπικών δεδομένων από το δορυφόρο Sentinel-2 μπορεί να αποτελέσει μια αποτελεσματική επιλογή για τη συστηματική παρακολούθηση και τη χαρτογράφηση των Μεσογειακών δασικών οικοσυστημάτων σε μεσαία-μεγάλη κλίμακα. Ο S2 παρουσιάζει μια σειρά από σημαντικά πλεονεκτήματα, τα οποία προσφέρουν τη δυνατότητα για μεγάλης ακρίβειας ταξινόμηση μεταξύ των δασικών τύπων, με σημαντικότερα τα εξής: την υψηλή διακριτική ικανότητα των φασματικών του καναλιών (10 και 20m), τη μεγάλη συχνότητα επανεπίσκεψης και τη δυνατότητα συμπερίληψης τεσσάρων καναλιών «κόκκινης ακμής» (red-edge bands).

[[category:Αναγνώριση δασικών ειδών]]

[[category: Οικολογία]]

Ανίχνευση ειδών άγριας πανίδας με χρήση ορατών και θερμικών υπέρυθρων απεικονίσεων από UAV

2019-03-03T14:31:51Z

Ntolka Eirini:

'''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)''

[[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

'''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: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]

[[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

'''Εισαγωγή'''

[[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.

'''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.

[[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).]]

''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.

[[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:RSpaper2.7_Ntolka.JPG | thumb| right|'''Εικόνα 6. Γεωαναφερμένες απεικονίσεις από τη διαδρομή πτήσης No 3.]]

'''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.

[[category:Εφαρμογές άγριας πανίδας]]

[[category: Οικολογία]]

Ένα σύστημα ανίχνευσης νεογνών ζαρκαδιών βασισμένο σε UAV

2019-03-03T14:21:14Z

Ntolka Eirini:

'''Ένα σύστημα ανίχνευσης νεογνών ζαρκαδιών βασισμένο σε UAV'''

'''Πρωτότυπος τίτλος:''' ''A UAV-based roe deer fawn detection system''

[[Εικόνα:RSpaper1.1_Ntolka.JPG | thumb| right|'''Εικόνα 1. Θερμική απεικόνιση νεογνού ζαρκαδιού.'''
Το τρίχωμα των νεογνών του ζαρκαδιού παρέχει ελάχιστη θερμομόνωση, με αποτέλεσμα να γίνονται εύκολα ανιχνεύσιμα με χρήση θερμικής κάμερας όταν το περιβάλλον τους είναι αρκετά ψυχρό.]]

'''Συγγραφέας: '''Martin Israel

'''Δημοσιεύθηκε: ''' ''International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XXXVIII-1/C22, UAV-g 2011, Conference on Unmanned Aerial Vehicle in Geomatics, 2011, Zurich, Switzerland''

[[Εικόνα:RSpaper1.0_equation_Ntolka.JPG | thumb| right|'''Εξίσωση 1''' Η μέγιστη γωνιακή απόκλιση ''α'' κατά την οποία η κάμερα μπορεί να εντοπίσει ένα νεογνό ζαρκαδιού μεγέθους ''f'' = 30cm σε ένα λιβάδι με μέσο ύψος χόρτου ''h'' = 1m λόγω οπτικής απόφραξης, υπολογίζεται από την παραπάνω τριγωνομετρική εξίσωση, (όπου:''α'' η μέγιστη απόκλιση της γωνίας ανάμεσα στην κατεύθυνση θέασης και την κατακόρυφο από τον παρατηρητή (την κάμερα), ''f'' το μέγεθος του νεογνού, ''h'' το μέσο ύψος του χορταριού στο χωράφι, ''¯f'' το μέσο πλάτος της λωρίδας σάρωσης της κάμερας, ''¯h'' η απόσταση ανάμεσα στην κάμερα και το έδαφος.]]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/225022287_A_UAV-based_ROE_deer_fawn_detection_system]

[[Εικόνα:RSpaper1.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Γεωμετρικοί περιορισμοί. ''']]

'''Λέξεις-Κλειδιά: ''' UAV, θερμική απεικόνιση, διάσωση ζώων, τηλεπισκόπηση, σύστημα ανίχνευσης, γεωργία, Octocopter

'''Εισαγωγή'''

[[Εικόνα:RSpaper1.3_Ntolka.JPG | thumb| right|'''Εικόνα 3. Falcon-8 MAV σε δράση.''']]

Εκτός από τα οικονομικά οφέλη, η προοδευτική εκβιομηχάνιση της γεωργίας συνεπάγεται επίσης προβλήματα. Η αύξηση τόσο του πλάτους όσο και της ταχύτητας εργασίας των μηχανών συγκομιδής οδηγεί σε αύξηση του κινδύνου που διατρέχουν τα άγρια ζώα που ζουν στη γεωργική γη. Το 96% των ζαρκαδιών (''Capreolus capreolus'') γεννιούνται στο χρονικό διάστημα μεταξύ Μαΐου και Ιουνίου, που συμπίπτει με την περίοδο χορτοκοπής των βοσκοτόπων. Τα νεογνά χρησιμοποιούν τα καλλιεργημένα βοσκοτόπια για να κρυφτούν από τους θηρευτές και κατά τη διάρκεια των δύο πρώτων μηνών της ζωής τους μένουν κατά κύριο λόγο κρυμμένα μέσα στα χορτάρια χωρίς να κινούνται. Με αυτόν τον τρόπο, εντοπίζονται δύσκολα από τους αγρότες και συχνά σκοτώνονται από τις μηχανές κοπής. Πέρα από το θάνατο των άγριων ζώων, το φαινόμενο αυτό μπορεί επίσης να οδηγήσει σε μεγάλη οικονομική ζημία για τον αγρότη. Σε περίπτωση που το πτώμα του ζώου δεν βρεθεί εγκαίρως, βακτήρια παράγουν την τοξίνη botulinum (BTX- Botox), με αποτέλεσμα την παρουσία ενός θανατηφόρου δηλητηρίου στις ζωοτροφές για τις αγελάδες.
Στην παρούσα εργασία, περιγράφεται ένα σύστημα ανίχνευσης νεογνών ζαρκαδιών, το οποίο βασίζεται στη χρήση μη επανδρωμένου ιπτάμενου οχήματος (UAV- Unmanned Aerial Vehicle) με σκοπό τον εντοπισμό και την μεταφορά τους μακριά από το χωράφι και την αποφυγή γεωργικών ατυχημάτων. Επειδή τα νεογνά εντοπίζονται δύσκολα στο ορατό φάσμα λόγω καμουφλάζ, ως βασικός αισθητήρας του συστήματος χρησιμοποιείται μία ελαφριά θερμική υπέρυθρη κάμερα (Εικόνα 1).

[[Εικόνα:RSpaper1.4_Ntolka.JPG | thumb| right|'''Εικόνα 4. Κάλυψη της περιοχής μελέτης.'''
Η κόκκινη γραμμή απεικονίζει μία σχηματική διαδρομή πτήσης, τα γκρι τετράγωνα αντιπροσωπεύουν την παρατηρούμενη έκταση στο έδαφος, και ο μπλε κύκλος παριστάνει το μικροαεροσκάφος . Υπάρχει αλληλοεπικάλυψη και στις δύο κατευθύνσεις ώστε να εξασφαλισθεί η πλήρης κάλυψη (σκούρο γκρι).]]

'''Υλικά και Μέθοδοι '''

'' Ζητήματα γεωμετρίας''

Για τη συγκεκριμένη εφαρμογή, η κάμερα λειτουργεί καλύτερα με ένα οπτικό πεδίο γωνίας 34° για κατακόρυφη θέαση, που αντιστοιχεί στο διπλάσιο της γωνιακής απόκλισης α (Εξίσωση 1- Εικόνα 2) ανάμεσα στην κατεύθυνση θέασης της κάμερας και την κατακόρυφο από το έδαφος) . Πέρα από αυτό το σημείο, το χορτάρι μπορεί να κρύψει τελείως ένα νεογνό στις άκρες της εικόνας ανεξαρτήτως της απόστασης της κάμερας από το έδαφος. Η μέση θερμοκρασία σώματος του νεογνού περιέχει όλη την απαραίτητη πληροφορία για την ταξινόμησή του στο λιβάδι, επομένως μια ανάλυση εικονοστοιχείου (pixel) που αντιστοιχεί στο μέγεθος ενός νεογνού είναι αρκετή για την ανίχνευσή του. Παρόλα αυτά, για να αποφύγουμε την απώλεια πληροφορίας και δεδομένου ότι το μέγεθος ενός νεογνού αντιστοιχεί σε περίπου 30cm, το μέγεθος του εικονοστοιχείου στο έδαφος θα πρέπει να είναι μικρότερο από 15cm.
Για τη συγκεκριμένη μελέτη επιλέχθηκε η θερμική κάμερα πυρήνα Tau640 της FLIR με 640x512 εικονοστοιχεία και φακούς με οπτικό πεδίο (FOV) 32°x 26°, η οποία μπορεί θεωρητικά να εντοπίσει ένα νεογνό στο χωράφι από ένα μέγιστο ύψος 166 μέτρων, ενώ η πτήση σε χαμηλότερο υψόμετρο αυξάνει τη βεβαιότητα ανίχνευσης.

[[Εικόνα:RSpaper1.5_Ntolka.JPG | thumb| right|'''Εικόνα 5. Στιγμιότυπο οθόνης του Waypoint Editor'''

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).]]

''Περιγραφή συστήματος''

Η θερμική κάμερα τοποθετήθηκε στο μικρό αεροσκάφος (MAV-micro air vehicle) Falcon-8 της Ascending Technologies GmbH (Eικόνα 3), το οποίο μπορεί να λάβει γεωαναφερόμενες εικόνες υψηλής ποιότητας. Κατά την πραγματοποίηση του πειράματος σαρώθηκε ολόκληρη την περιοχή μελέτης με διαδοχικές πτήσεις σε ευθείες διαδρομές, μεταξύ ενδιάμεσων σταθμών που ισαπέχουν μεταξύ τους (Eικόνα 4). Για τον εντοπισμό των νεογνών, αρχικά πραγματοποιήθηκε η ανίχνευση των θερμών σημείων με πτήσεις σε μεγάλο ύψος (κάλυψη μεγαλύτερης έκτασης σε λιγότερο χρόνο) και η ακόλουθη ταυτοποίησή των νεογνών με πτήσεις σε χαμηλότερο (μεγαλύτερη διακριτικότητα εικόνας). Ο χειριστής του αεροσκάφους μπορεί να παρακολουθεί ζωντανά τη θέαση της κάμερας από το έδαφος, μέσω αναλογικής ροής video. Ταυτόχρονα γίνεται η λήψη των θερμικών εικόνων, ενώ τα δεδομένα για κάθε ενδιάμεσο σταθμό (η θερμική εικόνα, η τρέχουσα θέση της κάμερας, το υψόμετρο πτήσης και η γωνία κλίσης της κάμερας) αποθηκεύονται σε κάρτα microSD. Ο αλγόριθμος αναγνώρισης προτύπου στέλνει τα αποτελέσματα μέσω ραδιοσύζευξης στον σταθμό εδάφους, δίνοντας στον χειριστή τις απαραίτητες πληροφορίες για τη λήψη αποφάσεων.

''Ροή εργασίας''

Για την ανίχνευση και τη διάσωση των νεογνών κατά τη διάρκεια της χορτοκοπής των βοσκοτόπων με χρήση UAV χρειάζεται να δουλέψουν τουλάχιστον 2 άτομα. Ένας ενεργεί ως πιλότος και ένας χρειάζεται να πηγαίνει στο εντοπισμένο νεογνό και να το απομακρύνει από το χωράφι. Η διαδικασία της συγκεκριμένης εργασίας χωρίζεται στα εξής βήματα: α) ''σχεδιασμός σημείων ενδιάμεσων σταθμών (waypoint planning)'', β) ''ανίχνευση θερμών σημείων'' και καταγραφή της θέσης τους κατά την πτήση σε μεγάλο ύψος (30-50m) , γ) ''αναγνώριση/ταυτοποίηση'' νεογνού, μέσω παρατήρησης της θερμικής και οπτικής βιντεοπροβολής που λαμβάνεται με τη διενέργεια πτήσης πάνω από τη θέση του θερμού σημείου και σε χαμηλότερο ύψος, δ) ''ανάκτηση'' του εντοπισμένου νεογνού με τη βοήθεια συσκευής GPS χειρός, ε) ''διάσωση'' και στ) ''απελευθέρωση''. Ο σχεδιασμός των σημείων των ενδιάμεσων σταθμών και η γενική προετοιμασία της εργασίας πρέπει να γίνεται πριν την διενέργεια της πτήσης. Για τον σκοπό αυτό, αναπτύχθηκε από τους ερευνητές η διαδικτυακή εφαρμογή Waypoint Editor, η οποία στηρίζεται στην διεπαφή προγραμματισμού της εφαρμογής του Google Maps (API). Με χρήση δορυφορικής απεικόνισης, οριοθετήθηκε το χωράφι και σημάνθηκε η θέση εκτόξευσης του αεροσκάφους. Στη συνέχεια η εφαρμογή υπολόγισε μια βελτιστοποιημένη διαδρομή πτήσης με προκαθορισμένη απόσταση ανάμεσα στους ενδιάμεσους σταθμούς (Εικόνα 5).

[[Εικόνα:RSpaper1.6_Ntolka.JPG | thumb| right|'''Εικόνα 6. Μείωση της αντίθεσης μιας σκηνής με τυπική διαμόρφωση AGC, όταν μια θερμή περιοχή εισέρχεται στο οπτικό πεδίο''' (δεξιά εικόνα). Ο κόκκινος κύκλος δείχνει και στις δύο εικόνες, το ίδιο νεογνό που περιβάλλεται από έναν φράχτη.]]

''Θερμική κάμερα''

Προκειμένου να επιτευχθεί υψηλή ευαισθησία, κάθε εικονοστοιχείο του θερμικού ανιχνευτή παρέχει ένα σήμα 14-bit (> 15000 επίπεδα του γκρι). Το ανθρώπινο οπτικό σύστημα μπορεί να διακρίνει μόνο περίπου 128 επίπεδα του γκρι (7 bit) και επομένως η αρχική εικόνα των 14 bit πρέπει να συμπιεστεί. Η υψηλή αντίθεση της σκηνής στην εικόνα σταθμίζεται με ένα αυτόματο σύστημα κέρδους ελέγχου (AGC- automatic gain control) (Εικόνες 6,7).

[[Εικόνα:RSpaper1.7_Ntolka.JPG | thumb| right|'''Εικόνα 7. Αποκόμματα (cut-outs) θερμικής απεικόνισης κλασικών θερμών σημείων σε ύψος πτήσης 30 και 50 μέτρων.''' Οι μικρές εικόνες στα αριστερά αποτελούν ενισχυμένα τμήματα 64x64 εικονοστοιχείων από τη λήψη θερμικών απεικονίσεων. Η εικόνα f αποτελεί περικοπή της εικόνας πλήρους μεγέθους g. Σε ύψος πτήσης 50m, ένα νεογνό αντιπροσωπεύεται από μόνο 40 από τα 327.680 εικονοστοιχεία.]]

'''Αποτελέσματα & Συζήτηση'''

Οι εργασίες πεδίου πραγματοποιήθηκαν μέσα σε 15 μέρες, τον Μάιο και τον Ιούνιο του 2011. Το σύστημα ανίχνευσης νεογνών ελέγχθηκε σε διαφορετικές χρονικές στιγμές της ημέρας και διαφορετικές καιρικές συνθήκες και συνθήκες φωτισμού. Συνολικά σαρώθηκαν 70,77 εκτάρια, από τα οποία τα 44,2 ha σαρώθηκαν σε 22 πτήσεις σε ύψος 50 m και τα 26,6 ha σε 28 πτήσεις σε ύψος 30m. Η πτήση σε ύψος άνω των 50 μέτρων συχνά οδηγούσε σε απώλεια εντοπισμού του νεογνού. Συνολικά ανιχνεύθηκαν 14 νεογνά, τα περισσότερα εκ των οποίων βρέθηκαν όταν επικρατούσαν συνθήκες βέλτιστου φωτισμού.

'''Συμβολή της Τηλεπισκόπησης'''

Η χρήση ενός μη επανδρωμένου ιπτάμενου οχήματος UAV με θερμική υπέρυθρη κάμερα για την εξ αποστάσεως ανίχνευση των νεογνών του ζαρκαδιού στα χωράφια κατά τη διάρκεια της χορτοκοπής, αποτελεί μία εύκολη, γρήγορη και αξιόπιστη μέθοδο για την αποφυγή των γεωργικών ατυχημάτων και το θάνατο των άγριων ζώων που ζουν στις γεωργικές εκτάσεις από τις μηχανές κοπής.

[[category:Εφαρμογές άγριας πανίδας]]

[[category:Γεωργία]]

[[category: Οικολογία]]

Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα

2019-03-03T14:17:48Z

Ntolka Eirini:

'''Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα'''

'''Πρωτότυπος τίτλος:''' ''Use of Sentinel-2 for forest classification in Mediterranean environments''

[[Εικόνα:RSpaper4.2_Ntolka.JPG | thumb| right|'''Πίνακας 1.Διαθέσιμα φασματικά κανάλια για τον Sentinel-2. '''Στη συγκεκριμένη μελέτη χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα (10 και 20m).]]

'''Συγγραφείς: '''Nicola Puletti, Francesco Chianucci, Cristiano Castaldi

'''Δημοσιεύθηκε: ''' ''Annals of Silvicultural Research, November 2017, DOI: 10.12899/ASR-1463''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/321213981_Use_of_Sentinel-2_for_forest_classification_in_Mediterranean_environments]

[[Εικόνα:RSpaper4.3_Ntolka.JPG | thumb| right|'''Πίνακας 2. Οι δείκτες βλάστησης όπως υπολογίσθηκαν από την S2 απεικόνιση. Σταθμός ελέγχου εδάφους και μη επανδρωμένο ιπτάμενο όχημα ''' που χρησιμοποιήθηκαν στη μελέτη (Responder, ING Robotic Aviation).Με ''' p''' συμβολίζεται η τιμή ανάκλασης για κάθε εξεταζόμενο κανάλι του S2. Για την αναγνώριση του χρησιμοποιούμενου αριθμού καναλιού, βλ. Πίνακα 1. Δείκτες βλάστησης: δείκτης κανονικοποιημένης διαφοράς βλάστησης (NDVI), δείκτης αναλογικής βλάστησης (SRI), δείκτης NDVI «κόκκινης ακμής» (RENDVI), δείκτης ανακλαστικότητας ανθοκυανίνης (ARI1).]]

'''Λέξεις-Κλειδιά: ''' Ταξινόμηση δασών, Ευρωπαϊκού τύπου δάση, πολυφασματική δορυφορική απεικόνιση, Jeffries-Matusita (J-M) distance test, Τυχαίο δάσος

'''Εισαγωγή'''

[[Εικόνα:RSpaper4.4.Tables3-4_Ntolka.JPG | thumb| right|'''Πίνακες 3 & 4. Ο αριθμός των εικονοστοιχείων (10x10m pixels) που χρησιμοποιήθηκαν ως ROI για την ταξινόμηση σε δασικές κατηγορίες και σε ευρωπαϊκούς δασικούς τύπους (EFT), ξεχωριστά για τα σύνολα κατάρτισης (περιοχές εκπαίδευσης) και τα σύνολα επικύρωσης.'''EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea), EFT 8.7: Δάση καστανιάς. ]]

Η ταξινόμηση των δασικών κατηγοριών και τύπων, και οι χωρικά σαφείς πληροφορίες για τη δασική δομή και σύνθεση, παρέχουν πολύτιμα στοιχεία για την εκπλήρωση επιστημονικών, οικολογικών στόχων και τη συστηματική παρακολούθηση και διαχείριση των δασικών οικοσυστημάτων. Προκειμένου να μπορέσουμε να απαντήσουμε σε ένα μεγάλο εύρος οικολογικών ερωτημάτων σε σχέση με: τον προσδιορισμό των δασικών τύπων ή/και των διαδοχικών σταδίων ανάπτυξης, το ρυθμό αναδάσωσης ή αποψίλωσης, τη λειτουργική σύνθεση των δασών και τις παγκόσμιες περιβαλλοντικές μεταβολές, είναι πολύ σημαντικό να έχουμε ανοιχτή πρόσβαση σε υψηλής ποιότητας τηλεπισκοπικά δεδομένα, από δορυφορικούς αισθητήρες με μεγάλη συχνότητα επανεπίσκεψης της ίδιας περιοχής. Με αυτόν τον τρόπο, είναι δυνατό να επιτευχθεί μεγαλύτερη ακρίβεια στην ταξινόμηση των δασικών τύπων και επομένως, ορθότερη και λεπτομερέστερη χαρτογράφηση των δασικών οικοσυστημάτων. Γεγονός ιδιαιτέρως σημαντικό όσον αφορά τα Μεσογειακά δασικά οικοσυστήματα, καθώς χαρακτηρίζονται από μεγάλο αριθμό φυτικών ειδών, μεταβλητές πυκνότητες θόλων και την παρουσία ποικίλων διαφορετικών φαινολογικών προτύπων, περιπλέκοντας τη διαδικασία της ταξινόμησης από οπτικές δορυφορικές απεικονίσεις.
Ο ευρωπαϊκός δορυφόρος Sentinel-2 (S2), η αποστολή του οποίου ξεκίνησε τον Ιούνιο του 2015, μπορεί να συνδυάσει την υψηλή χωρική ανάλυση, με την ευρεία κάλυψη και τη μεγάλη συχνότητα επανεπίσκεψης (περίπου 5 ημέρες), προσφέροντας πρωτοφανείς ευκαιρίες για τη λεπτή διάκριση των κλάσεων κάλυψης γης, την ακριβή ταξινόμηση των δασικών τύπων και τη συστηματική παρακολούθησή τους σε μεσαίες-μεγάλες κλίμακες.
Κύριος στόχος της παρούσας μελέτης ήταν να αξιολογηθεί η ικανότητα των λειτουργικών δεδομένων του S2 να ταξινομήσουν τόσο τις δασικές κατηγορίες (αμιγή δάση κωνοφόρων, αμιγή δάση πλατύφυλλων, μεικτά δάση) όσο και τους ευρωπαϊκούς δασικούς τύπους (European Forest Types- EFT), σε ένα Μεσογειακό οικοσύστημα.
Λόγω της παρουσίας διαφορετικών φαινολογικών προτύπων στα Μεσογειακά δάση, έγινε επίσης σύγκριση της χρήσης των πολυ-χρονικών δεδομένων (multitemporal data) έναντι των δεδομένων στιγμιαίας απεικόνισης (single time data), ως προς την αποτελεσματικότητα της συγκεκριμένης ταξινόμησης.

'''Περιοχή μελέτης'''

Η μελέτη διεξήχθη σε μία εκτεταμένη δασική περιοχή (περίπου 470 km2), στο ανατολικό τμήμα της περιφέρειας της Τοσκάνης (Εικόνα 1). Δημιουργήθηκε μια περιοχή ενδιαφέροντος (Region Of Interest- ROI) από 1.061 δασικές συστάδες (stands), κατανεμημένες σε τρία δασικά διαμερίσματα (3.960 εκταρίων). Σύμφωνα με την Ευρωπαϊκή ταξινόμηση, η περιοχή καλύπτεται από τους εξής δασικούς τύπους: α) Ορεινό δάσος οξιάς Απέννινων-Κορσικής (EFT 7.3), (13,4%), β) Δάση καστανιάς (EFT 8.7), (35,3%), γ) Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης (EFT 3.2), (8,9%) και δ) Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea) (EFT 8.2), (38,1%).

[[Εικόνα:RSpaper4.1_Ntolka.JPG | thumb| center|'''Εικόνα 1. Δορυφορική απεικόνιση Sentinel-2 ολόκληρης της περιοχής μελέτης με χρήση φυσικού έγχρωμου σύνθετου. ''' Οι περιοχές ενδιαφέροντος (ROI) έχουν επισημανθεί με λευκό χρώμα.]]

[[Εικόνα:RSpaper4.5_Ntolka.JPG | thumb| right|'''Πίνακας 5. Τα αποτελέσματα του δείκτη J-M ''' για τα ζεύγη των δασικών κατηγοριών (Con- αμιγή δάση κωνοφόρων, Broad- αμιγή δάση πλατύφυλλων, Mix-μεικτά δάση) με χρήση στιγμιαίων (single date) και πολυ-χρονικών (multitemporal) S2 απεικονίσεων.]]

[[Εικόνα:RSpaper4.6_Ntolka.JPG | thumb| right|''' Πίνακας 6. Τα αποτελέσματα του δείκτη J-M των επιλεγμένων EFT.''' EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea), EFT 8.7: Δάση καστανιάς.]]

'''Υλικά και Μέθοδοι '''

Από τα 13 διαθέσιμα φασματικά κανάλια του S2, χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα, της τάξεως των 10 και 20m (Πίνακας 1). Πραγματοποιήθηκε λήψη τριών λειτουργικών S2 απεικονίσεων (Level-1C Top-of-Atmosphere reflectance products) από το Scientific Hub, οι οποίες κάλυπταν διαφορετικές φαινολογικές περιόδους (χειμώνας, άνοιξη, καλοκαίρι). Η επαναδειγματοληψία τους έγινε σε χωρική ανάλυση της τάξης των 10m από την πλατφόρμα εφαρμογής του Sentinel (SNAP), η οποία διατίθεται στο δικτυακό τόπο του ESA. Τα δέκα κανάλια εισήχθησαν σε λογισμικό ENVI, και στη συνέχεια συνενώθηκαν και περικόπηκαν στην περιοχή ενδιαφέροντος.
Σε ένα πρώτο βήμα ανάλυσης, προσδιορίστηκε η ικανότητα ταξινόμησης των περιοχών ενδιαφέροντος (ROI) ξεχωριστά για τις τρεις διαφορετικές δορυφορικές απεικονίσεις (χειμώνας, άνοιξη, καλοκαίρι), με επαναδειγματοληψία των S2 καναλιών στα 10m, με και χωρίς την επιπλέον χρήση τεσσάρων δεικτών βλάστησης (Πίνακας 2). Για την αξιολόγηση χρησιμοποιήθηκε ο δείκτης συγγένειας Jeffries-Matusita (J-M). Τιμές του J-M μεγαλύτερες του 1,8 υποδεικνύουν στατιστικά καλό διαχωρισμό μεταξύ των ROI. Σε ένα επόμενο στάδιο, έγινε σύνθεση των τριών S2 απεικονίσεων και η ανάλυση επαναλήφθηκε, ώστε να διερευνηθεί το κατά πόσον η χρήση πολύ-χρονικών δεδομένων θα βελτιώσει τη δασική ταξινόμηση. Η καλύτερη διευθέτηση (configuration) με βάση τον J-M, χρησιμοποιήθηκε στη συνέχεια για την ταξινόμηση των S2 απεικονίσεων με τη μέθοδο του «Τυχαίου Δάσους».
Τα εικονοστοιχεία των ROI χωρίστηκαν τυχαία σε σύνολα κατάρτισης (περιοχών εκπαίδευσης) και σύνολα επικύρωσης (Πίνακας 3 & Πίνακας 4), σε ποσοστό 70% και 30% αντίστοιχα. Η ανάλυση της ταξινόμησης πραγματοποιήθηκε με χρήση του πακέτου 'randomForest' στην γλώσσα προγραμματισμού R (R Core Team, 2017). Το μοντέλο «Τυχαίου Δάσους» χτίστηκε πάνω στα σύνολα κατάρτισης. Για τον υπολογισμό της συνολικής ακρίβειας (OA), της ακρίβειας παραγωγού (PA), της ακρίβειας χρήστη (UA) και του συντελεστή Kappa της ταξινόμησης χρησιμοποιήθηκε ο πίνακας συνάφειας, ο οποίος προέκυψε ύστερα από εφαρμογή του μοντέλου σε ολόκληρο το σετ επικύρωσης.
Τέλος, το επικυρωμένο μοντέλο εφαρμόστηκε στο σύνολο της περιοχή μελέτης (470 km2) και παρήχθησαν χάρτες χωρικής ανάλυσης 10 m τόσο για τις δασικές κατηγορίες όσο και για τους δασικούς τύπους (EFTs).

[[Εικόνα:RSpaper4.7_Ntolka.JPG | thumb|center| '''Εικόνα 2. Διάγραμμα ροής της μεθοδολογίας «Τυχαίου Δάσους» (Random Forest- RF)''', που εφαρμόστηκε στη μελέτη.]]

[[Εικόνα:RSpaper4.8.Tables7-8_Ntolka.JPG | thumb| right|'''Πίνακες 7 & 8. Μήτρα σύγχυσης (confussion matrix) του καλύτερου αποτελέσματος χωρικής διευθέτησης (configuration) (βλ. Πίνακα 5) για την ταξινόμηση σε δασικές κατηγορίες και σε EFTs, εκφρασμένο με τον αριθμό των εικονοστοιχείων του συνόλου επικύρωσης.''']]

[[Εικόνα:RSpaper4.8.Tables9-10_Ntolka.JPG | thumb| right|'''Πίνακες 9 & 10. Ακρίβεια του ταξινομητή RF στο σύνολο επικύρωσης των δασικών κατηγοριών και των δασικών τύπων (EFT).''' CE: Commission Error - Σφάλμα συμπερίληψης, OE: Omission Error - Σφάλμα παράλειψης, PA: Producer Accuracy - Ακρίβεια παραγωγού, UA: User Accuracy - Ακρίβεια χρήστη.]]

'''Αποτελέσματα '''

Τα αποτελέσματα του δείκτη Jeffries-Matusita για τα ζεύγη των δασικών κατηγοριών και τα ζεύγη δασικών τύπων παρουσιάζονται στους πίνακες 5 και 6, αντίστοιχα.
Η χρήση πολυ-χρονικών δεδομένων με τη συμπερίληψη δεικτών βλάστησης έδωσε τα καλύτερα αποτελέσματα σε σχέση με την ταξινόμηση των δασικών κατηγοριών, ενώ η χρήση των μεμονωμένων απεικονίσεων από τα 10 κανάλια (single images) δεν ήταν δυνατό να ξεχωρίσει τα μεικτά από τα αμιγή δάση. Η χρήση μοναδικών απεικονίσεων (άνοιξης και καλοκαιριού) επαρκούσε για τον αποτελεσματικό διαχωρισμό μεταξύ όλων των δασικών τύπων, με εξαίρεση τα δάση δρυών και καστανιάς, και παρουσίαζε σημαντική βελτίωση με την επιπλέον χρήση του δείκτη RENDVI. Η καλύτερη διευθέτηση για τις δασικές κατηγορίες και τους δασικούς τύπους περιελάμβανε αντιστοίχως: 33 επίπεδα (10 κανάλια για τον χειμώνα, 10 για την άνοιξη, 10 για το καλοκαίρι και τους 3 δείκτες RENDVI) και 22 επίπεδα (10 κανάλια για την άνοιξη, 10 για το καλοκαίρι και 2 δείκτες RENDVI), τα οποία χρησιμοποιήθηκαν ξεχωριστά ως μεταβλητές εισόδου στο «Τυχαίο Δάσος» (Εικόνα 2). Η μήτρα σύγχυσης και τα αποτελέσματα ακρίβειας της ταξινόμησης RF παρουσιάζονται στους Πίνακες 7,8,9 και 10. Η συνολική ακρίβεια για τις δασικές κατηγορίες αντιστοιχεί σε ποσοστό 86,2% και για τους δασικούς τύπους σε 92,7%. Οι χάρτες που προέκυψαν ύστερα από την εφαρμογή των επικυρωμένων μοντέλων στο σύνολο της περιοχής μελέτης παρουσιάζονται στην Εικόνα 3.

[[Εικόνα:RSpaper4.9_Ntolka.JPG | thumb| center|'''Εικόνα 3. Χάρτες με τις δασικές κατηγορίες '''(αριστερά) '''και τους ευρωπαϊκούς δασικούς τύπους - EFTs '''(δεξιά), '''ύστερα από εφαρμογή των μοντέλων πρόβλεψης στην περιοχή μελέτης.''']]

'''Συζήτηση & Συμβολή της Τηλεπισκόπησης'''

Η χρήση τηλεπισκοπικών δεδομένων από το δορυφόρο Sentinel-2 μπορεί να αποτελέσει μια αποτελεσματική επιλογή για τη συστηματική παρακολούθηση και τη χαρτογράφηση των Μεσογειακών δασικών οικοσυστημάτων σε μεσαία-μεγάλη κλίμακα. Ο S2 παρουσιάζει μια σειρά από σημαντικά πλεονεκτήματα, τα οποία προσφέρουν τη δυνατότητα για μεγάλης ακρίβειας ταξινόμηση μεταξύ των δασικών τύπων, με σημαντικότερα τα εξής: την υψηλή διακριτική ικανότητα των φασματικών του καναλιών (10 και 20m), τη μεγάλη συχνότητα επανεπίσκεψης και τη δυνατότητα συμπερίληψης τεσσάρων καναλιών «κόκκινης ακμής» (red-edge bands).

[[category:Αναγνώριση δασικών ειδών]]

[[category: Οικολογία]]

Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα

2019-03-03T14:16:46Z

Ntolka Eirini:

'''Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα'''

'''Πρωτότυπος τίτλος:''' ''Use of Sentinel-2 for forest classification in Mediterranean environments''

[[Εικόνα:RSpaper4.2_Ntolka.JPG | thumb| right|'''Πίνακας 1.Διαθέσιμα φασματικά κανάλια για τον Sentinel-2. '''Στη συγκεκριμένη μελέτη χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα (10 και 20m).]]

'''Συγγραφείς: '''Nicola Puletti, Francesco Chianucci, Cristiano Castaldi

'''Δημοσιεύθηκε: ''' ''Annals of Silvicultural Research, November 2017, DOI: 10.12899/ASR-1463''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/321213981_Use_of_Sentinel-2_for_forest_classification_in_Mediterranean_environments]

[[Εικόνα:RSpaper4.3_Ntolka.JPG | thumb| right|'''Πίνακας 2. Οι δείκτες βλάστησης όπως υπολογίσθηκαν από την S2 απεικόνιση. Σταθμός ελέγχου εδάφους και μη επανδρωμένο ιπτάμενο όχημα ''' που χρησιμοποιήθηκαν στη μελέτη (Responder, ING Robotic Aviation).Με ''' p''' συμβολίζεται η τιμή ανάκλασης για κάθε εξεταζόμενο κανάλι του S2. Για την αναγνώριση του χρησιμοποιούμενου αριθμού καναλιού, βλ. Πίνακα 1. Δείκτες βλάστησης: δείκτης κανονικοποιημένης διαφοράς βλάστησης (NDVI), δείκτης αναλογικής βλάστησης (SRI), δείκτης NDVI «κόκκινης ακμής» (RENDVI), δείκτης ανακλαστικότητας ανθοκυανίνης (ARI1).]]

'''Λέξεις-Κλειδιά: ''' Ταξινόμηση δασών, Ευρωπαϊκού τύπου δάση, πολυφασματική δορυφορική απεικόνιση, Jeffries-Matusita (J-M) distance test, Τυχαίο δάσος

'''Εισαγωγή'''

[[Εικόνα:RSpaper4.4.Tables3-4_Ntolka.JPG | thumb| right|'''Πίνακες 3 & 4. Ο αριθμός των εικονοστοιχείων (10x10m pixels) που χρησιμοποιήθηκαν ως ROI για την ταξινόμηση σε δασικές κατηγορίες και σε ευρωπαϊκούς δασικούς τύπους (EFT), ξεχωριστά για τα σύνολα κατάρτισης (περιοχές εκπαίδευσης) και τα σύνολα επικύρωσης.'''EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea), EFT 8.7: Δάση καστανιάς. ]]

Η ταξινόμηση των δασικών κατηγοριών και τύπων, και οι χωρικά σαφείς πληροφορίες για τη δασική δομή και σύνθεση, παρέχουν πολύτιμα στοιχεία για την εκπλήρωση επιστημονικών, οικολογικών στόχων και τη συστηματική παρακολούθηση και διαχείριση των δασικών οικοσυστημάτων. Προκειμένου να μπορέσουμε να απαντήσουμε σε ένα μεγάλο εύρος οικολογικών ερωτημάτων σε σχέση με: τον προσδιορισμό των δασικών τύπων ή/και των διαδοχικών σταδίων ανάπτυξης, το ρυθμό αναδάσωσης ή αποψίλωσης, τη λειτουργική σύνθεση των δασών και τις παγκόσμιες περιβαλλοντικές μεταβολές, είναι πολύ σημαντικό να έχουμε ανοιχτή πρόσβαση σε υψηλής ποιότητας τηλεπισκοπικά δεδομένα, από δορυφορικούς αισθητήρες με μεγάλη συχνότητα επανεπίσκεψης της ίδιας περιοχής. Με αυτόν τον τρόπο, είναι δυνατό να επιτευχθεί μεγαλύτερη ακρίβεια στην ταξινόμηση των δασικών τύπων και επομένως, ορθότερη και λεπτομερέστερη χαρτογράφηση των δασικών οικοσυστημάτων. Γεγονός ιδιαιτέρως σημαντικό όσον αφορά τα Μεσογειακά δασικά οικοσυστήματα, καθώς χαρακτηρίζονται από μεγάλο αριθμό φυτικών ειδών, μεταβλητές πυκνότητες θόλων και την παρουσία ποικίλων διαφορετικών φαινολογικών προτύπων, περιπλέκοντας τη διαδικασία της ταξινόμησης από οπτικές δορυφορικές απεικονίσεις.
Ο ευρωπαϊκός δορυφόρος Sentinel-2 (S2), η αποστολή του οποίου ξεκίνησε τον Ιούνιο του 2015, μπορεί να συνδυάσει την υψηλή χωρική ανάλυση, με την ευρεία κάλυψη και τη μεγάλη συχνότητα επανεπίσκεψης (περίπου 5 ημέρες), προσφέροντας πρωτοφανείς ευκαιρίες για τη λεπτή διάκριση των κλάσεων κάλυψης γης, την ακριβή ταξινόμηση των δασικών τύπων και τη συστηματική παρακολούθησή τους σε μεσαίες-μεγάλες κλίμακες.
Κύριος στόχος της παρούσας μελέτης ήταν να αξιολογηθεί η ικανότητα των λειτουργικών δεδομένων του S2 να ταξινομήσουν τόσο τις δασικές κατηγορίες (αμιγή δάση κωνοφόρων, αμιγή δάση πλατύφυλλων, μεικτά δάση) όσο και τους ευρωπαϊκούς δασικούς τύπους (European Forest Types- EFT), σε ένα Μεσογειακό οικοσύστημα.
Λόγω της παρουσίας διαφορετικών φαινολογικών προτύπων στα Μεσογειακά δάση, έγινε επίσης σύγκριση της χρήσης των πολυ-χρονικών δεδομένων (multitemporal data) έναντι των δεδομένων στιγμιαίας απεικόνισης (single time data), ως προς την αποτελεσματικότητα της συγκεκριμένης ταξινόμησης.

'''Περιοχή μελέτης'''

Η μελέτη διεξήχθη σε μία εκτεταμένη δασική περιοχή (περίπου 470 km2), στο ανατολικό τμήμα της περιφέρειας της Τοσκάνης (Εικόνα 1). Δημιουργήθηκε μια περιοχή ενδιαφέροντος (Region Of Interest- ROI) από 1.061 δασικές συστάδες (stands), κατανεμημένες σε τρία δασικά διαμερίσματα (3.960 εκταρίων). Σύμφωνα με την Ευρωπαϊκή ταξινόμηση, η περιοχή καλύπτεται από τους εξής δασικούς τύπους: α) Ορεινό δάσος οξιάς Απέννινων-Κορσικής (EFT 7.3), (13,4%), β) Δάση καστανιάς (EFT 8.7), (35,3%), γ) Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης (EFT 3.2), (8,9%) και δ) Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea) (EFT 8.2), (38,1%).

[[Εικόνα:RSpaper4.1_Ntolka.JPG | thumb| center|'''Εικόνα 1. Δορυφορική απεικόνιση Sentinel-2 ολόκληρης της περιοχής μελέτης με χρήση φυσικού έγχρωμου σύνθετου. ''' Οι περιοχές ενδιαφέροντος (ROI) έχουν επισημανθεί με λευκό χρώμα.]]

[[Εικόνα:RSpaper4.5_Ntolka.JPG | thumb| right|'''Πίνακας 5. Τα αποτελέσματα του δείκτη J-M για τα ζεύγη των δασικών κατηγοριών (Con- αμιγή δάση κωνοφόρων, Broad- αμιγή δάση πλατύφυλλων, Mix-μεικτά δάση) με χρήση στιγμιαίων (single date) και πολυ-χρονικών (multitemporal) S2 απεικονίσεων.]]

[[Εικόνα:RSpaper4.6_Ntolka.JPG | thumb| right|''' Πίνακας 6. Τα αποτελέσματα του δείκτη J-M των επιλεγμένων EFT.''' EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea), EFT 8.7: Δάση καστανιάς.]]

'''Υλικά και Μέθοδοι '''

Από τα 13 διαθέσιμα φασματικά κανάλια του S2, χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα, της τάξεως των 10 και 20m (Πίνακας 1). Πραγματοποιήθηκε λήψη τριών λειτουργικών S2 απεικονίσεων (Level-1C Top-of-Atmosphere reflectance products) από το Scientific Hub, οι οποίες κάλυπταν διαφορετικές φαινολογικές περιόδους (χειμώνας, άνοιξη, καλοκαίρι). Η επαναδειγματοληψία τους έγινε σε χωρική ανάλυση της τάξης των 10m από την πλατφόρμα εφαρμογής του Sentinel (SNAP), η οποία διατίθεται στο δικτυακό τόπο του ESA. Τα δέκα κανάλια εισήχθησαν σε λογισμικό ENVI, και στη συνέχεια συνενώθηκαν και περικόπηκαν στην περιοχή ενδιαφέροντος.
Σε ένα πρώτο βήμα ανάλυσης, προσδιορίστηκε η ικανότητα ταξινόμησης των περιοχών ενδιαφέροντος (ROI) ξεχωριστά για τις τρεις διαφορετικές δορυφορικές απεικονίσεις (χειμώνας, άνοιξη, καλοκαίρι), με επαναδειγματοληψία των S2 καναλιών στα 10m, με και χωρίς την επιπλέον χρήση τεσσάρων δεικτών βλάστησης (Πίνακας 2). Για την αξιολόγηση χρησιμοποιήθηκε ο δείκτης συγγένειας Jeffries-Matusita (J-M). Τιμές του J-M μεγαλύτερες του 1,8 υποδεικνύουν στατιστικά καλό διαχωρισμό μεταξύ των ROI. Σε ένα επόμενο στάδιο, έγινε σύνθεση των τριών S2 απεικονίσεων και η ανάλυση επαναλήφθηκε, ώστε να διερευνηθεί το κατά πόσον η χρήση πολύ-χρονικών δεδομένων θα βελτιώσει τη δασική ταξινόμηση. Η καλύτερη διευθέτηση (configuration) με βάση τον J-M, χρησιμοποιήθηκε στη συνέχεια για την ταξινόμηση των S2 απεικονίσεων με τη μέθοδο του «Τυχαίου Δάσους».
Τα εικονοστοιχεία των ROI χωρίστηκαν τυχαία σε σύνολα κατάρτισης (περιοχών εκπαίδευσης) και σύνολα επικύρωσης (Πίνακας 3 & Πίνακας 4), σε ποσοστό 70% και 30% αντίστοιχα. Η ανάλυση της ταξινόμησης πραγματοποιήθηκε με χρήση του πακέτου 'randomForest' στην γλώσσα προγραμματισμού R (R Core Team, 2017). Το μοντέλο «Τυχαίου Δάσους» χτίστηκε πάνω στα σύνολα κατάρτισης. Για τον υπολογισμό της συνολικής ακρίβειας (OA), της ακρίβειας παραγωγού (PA), της ακρίβειας χρήστη (UA) και του συντελεστή Kappa της ταξινόμησης χρησιμοποιήθηκε ο πίνακας συνάφειας, ο οποίος προέκυψε ύστερα από εφαρμογή του μοντέλου σε ολόκληρο το σετ επικύρωσης.
Τέλος, το επικυρωμένο μοντέλο εφαρμόστηκε στο σύνολο της περιοχή μελέτης (470 km2) και παρήχθησαν χάρτες χωρικής ανάλυσης 10 m τόσο για τις δασικές κατηγορίες όσο και για τους δασικούς τύπους (EFTs).

[[Εικόνα:RSpaper4.7_Ntolka.JPG | thumb|center| '''Εικόνα 2. Διάγραμμα ροής της μεθοδολογίας «Τυχαίου Δάσους» (Random Forest- RF)''', που εφαρμόστηκε στη μελέτη.]]

[[Εικόνα:RSpaper4.8.Tables7-8_Ntolka.JPG | thumb| right|'''Πίνακες 7 & 8. Μήτρα σύγχυσης (confussion matrix) του καλύτερου αποτελέσματος χωρικής διευθέτησης (configuration) (βλ. Πίνακα 5) για την ταξινόμηση σε δασικές κατηγορίες και σε EFTs, εκφρασμένο με τον αριθμό των εικονοστοιχείων του συνόλου επικύρωσης.''']]

[[Εικόνα:RSpaper4.8.Tables9-10_Ntolka.JPG | thumb| right|'''Πίνακες 9 & 10. Ακρίβεια του ταξινομητή RF στο σύνολο επικύρωσης των δασικών κατηγοριών και των δασικών τύπων (EFT).''' CE: Commission Error - Σφάλμα συμπερίληψης, OE: Omission Error - Σφάλμα παράλειψης, PA: Producer Accuracy - Ακρίβεια παραγωγού, UA: User Accuracy - Ακρίβεια χρήστη.]]

'''Αποτελέσματα '''

Τα αποτελέσματα του δείκτη Jeffries-Matusita για τα ζεύγη των δασικών κατηγοριών και τα ζεύγη δασικών τύπων παρουσιάζονται στους πίνακες 5 και 6, αντίστοιχα.
Η χρήση πολυ-χρονικών δεδομένων με τη συμπερίληψη δεικτών βλάστησης έδωσε τα καλύτερα αποτελέσματα σε σχέση με την ταξινόμηση των δασικών κατηγοριών, ενώ η χρήση των μεμονωμένων απεικονίσεων από τα 10 κανάλια (single images) δεν ήταν δυνατό να ξεχωρίσει τα μεικτά από τα αμιγή δάση. Η χρήση μοναδικών απεικονίσεων (άνοιξης και καλοκαιριού) επαρκούσε για τον αποτελεσματικό διαχωρισμό μεταξύ όλων των δασικών τύπων, με εξαίρεση τα δάση δρυών και καστανιάς, και παρουσίαζε σημαντική βελτίωση με την επιπλέον χρήση του δείκτη RENDVI. Η καλύτερη διευθέτηση για τις δασικές κατηγορίες και τους δασικούς τύπους περιελάμβανε αντιστοίχως: 33 επίπεδα (10 κανάλια για τον χειμώνα, 10 για την άνοιξη, 10 για το καλοκαίρι και τους 3 δείκτες RENDVI) και 22 επίπεδα (10 κανάλια για την άνοιξη, 10 για το καλοκαίρι και 2 δείκτες RENDVI), τα οποία χρησιμοποιήθηκαν ξεχωριστά ως μεταβλητές εισόδου στο «Τυχαίο Δάσος» (Εικόνα 2). Η μήτρα σύγχυσης και τα αποτελέσματα ακρίβειας της ταξινόμησης RF παρουσιάζονται στους Πίνακες 7,8,9 και 10. Η συνολική ακρίβεια για τις δασικές κατηγορίες αντιστοιχεί σε ποσοστό 86,2% και για τους δασικούς τύπους σε 92,7%. Οι χάρτες που προέκυψαν ύστερα από την εφαρμογή των επικυρωμένων μοντέλων στο σύνολο της περιοχής μελέτης παρουσιάζονται στην Εικόνα 3.

[[Εικόνα:RSpaper4.9_Ntolka.JPG | thumb| center|'''Εικόνα 3. Χάρτες με τις δασικές κατηγορίες '''(αριστερά) '''και τους ευρωπαϊκούς δασικούς τύπους - EFTs '''(δεξιά), '''ύστερα από εφαρμογή των μοντέλων πρόβλεψης στην περιοχή μελέτης.''']]

'''Συζήτηση & Συμβολή της Τηλεπισκόπησης'''

Η χρήση τηλεπισκοπικών δεδομένων από το δορυφόρο Sentinel-2 μπορεί να αποτελέσει μια αποτελεσματική επιλογή για τη συστηματική παρακολούθηση και τη χαρτογράφηση των Μεσογειακών δασικών οικοσυστημάτων σε μεσαία-μεγάλη κλίμακα. Ο S2 παρουσιάζει μια σειρά από σημαντικά πλεονεκτήματα, τα οποία προσφέρουν τη δυνατότητα για μεγάλης ακρίβειας ταξινόμηση μεταξύ των δασικών τύπων, με σημαντικότερα τα εξής: την υψηλή διακριτική ικανότητα των φασματικών του καναλιών (10 και 20m), τη μεγάλη συχνότητα επανεπίσκεψης και τη δυνατότητα συμπερίληψης τεσσάρων καναλιών «κόκκινης ακμής» (red-edge bands).

[[category:Αναγνώριση δασικών ειδών]]

[[category: Οικολογία]]

Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα

2019-03-03T14:13:52Z

Ntolka Eirini:

'''Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα'''

'''Πρωτότυπος τίτλος:''' ''Use of Sentinel-2 for forest classification in Mediterranean environments''

[[Εικόνα:RSpaper4.2_Ntolka.JPG | thumb| right|'''Πίνακας 1.Διαθέσιμα φασματικά κανάλια για τον Sentinel-2. '''Στη συγκεκριμένη μελέτη χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα (10 και 20m).]]

'''Συγγραφείς: '''Nicola Puletti, Francesco Chianucci, Cristiano Castaldi

'''Δημοσιεύθηκε: ''' ''Annals of Silvicultural Research, November 2017, DOI: 10.12899/ASR-1463''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/321213981_Use_of_Sentinel-2_for_forest_classification_in_Mediterranean_environments]

[[Εικόνα:RSpaper4.3_Ntolka.JPG | thumb| right|'''Πίνακας 2. Οι δείκτες βλάστησης όπως υπολογίσθηκαν από την S2 απεικόνιση. Σταθμός ελέγχου εδάφους και μη επανδρωμένο ιπτάμενο όχημα ''' που χρησιμοποιήθηκαν στη μελέτη (Responder, ING Robotic Aviation).Με ''' p''' συμβολίζεται η τιμή ανάκλασης για κάθε εξεταζόμενο κανάλι του S2. Για την αναγνώριση του χρησιμοποιούμενου αριθμού καναλιού, βλ. Πίνακα 1. Δείκτες βλάστησης: δείκτης κανονικοποιημένης διαφοράς βλάστησης (NDVI), δείκτης αναλογικής βλάστησης (SRI), δείκτης NDVI «κόκκινης ακμής» (RENDVI), δείκτης ανακλαστικότητας ανθοκυανίνης (ARI1).]]

'''Λέξεις-Κλειδιά: ''' Ταξινόμηση δασών, Ευρωπαϊκού τύπου δάση, πολυφασματική δορυφορική απεικόνιση, Jeffries-Matusita (J-M) distance test, Τυχαίο δάσος

'''Εισαγωγή'''

[[Εικόνα:RSpaper4.4.Tables3-4_Ntolka.JPG | thumb| right|'''Πίνακες 3 & 4. Ο αριθμός των εικονοστοιχείων (10x10m pixels) που χρησιμοποιήθηκαν ως ROI για την ταξινόμηση σε δασικές κατηγορίες και σε ευρωπαϊκούς δασικούς τύπους (EFT), ξεχωριστά για τα σύνολα κατάρτισης (περιοχές εκπαίδευσης) και τα σύνολα επικύρωσης.'''EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea), EFT 8.7: Δάση καστανιάς. ]]

Η ταξινόμηση των δασικών κατηγοριών και τύπων, και οι χωρικά σαφείς πληροφορίες για τη δασική δομή και σύνθεση, παρέχουν πολύτιμα στοιχεία για την εκπλήρωση επιστημονικών, οικολογικών στόχων και τη συστηματική παρακολούθηση και διαχείριση των δασικών οικοσυστημάτων. Προκειμένου να μπορέσουμε να απαντήσουμε σε ένα μεγάλο εύρος οικολογικών ερωτημάτων σε σχέση με: τον προσδιορισμό των δασικών τύπων ή/και των διαδοχικών σταδίων ανάπτυξης, το ρυθμό αναδάσωσης ή αποψίλωσης, τη λειτουργική σύνθεση των δασών και τις παγκόσμιες περιβαλλοντικές μεταβολές, είναι πολύ σημαντικό να έχουμε ανοιχτή πρόσβαση σε υψηλής ποιότητας τηλεπισκοπικά δεδομένα, από δορυφορικούς αισθητήρες με μεγάλη συχνότητα επανεπίσκεψης της ίδιας περιοχής. Με αυτόν τον τρόπο, είναι δυνατό να επιτευχθεί μεγαλύτερη ακρίβεια στην ταξινόμηση των δασικών τύπων και επομένως, ορθότερη και λεπτομερέστερη χαρτογράφηση των δασικών οικοσυστημάτων. Γεγονός ιδιαιτέρως σημαντικό όσον αφορά τα Μεσογειακά δασικά οικοσυστήματα, καθώς χαρακτηρίζονται από μεγάλο αριθμό φυτικών ειδών, μεταβλητές πυκνότητες θόλων και την παρουσία ποικίλων διαφορετικών φαινολογικών προτύπων, περιπλέκοντας τη διαδικασία της ταξινόμησης από οπτικές δορυφορικές απεικονίσεις.
Ο ευρωπαϊκός δορυφόρος Sentinel-2 (S2), η αποστολή του οποίου ξεκίνησε τον Ιούνιο του 2015, μπορεί να συνδυάσει την υψηλή χωρική ανάλυση, με την ευρεία κάλυψη και τη μεγάλη συχνότητα επανεπίσκεψης (περίπου 5 ημέρες), προσφέροντας πρωτοφανείς ευκαιρίες για τη λεπτή διάκριση των κλάσεων κάλυψης γης, την ακριβή ταξινόμηση των δασικών τύπων και τη συστηματική παρακολούθησή τους σε μεσαίες-μεγάλες κλίμακες.
Κύριος στόχος της παρούσας μελέτης ήταν να αξιολογηθεί η ικανότητα των λειτουργικών δεδομένων του S2 να ταξινομήσουν τόσο τις δασικές κατηγορίες (αμιγή δάση κωνοφόρων, αμιγή δάση πλατύφυλλων, μεικτά δάση) όσο και τους ευρωπαϊκούς δασικούς τύπους (European Forest Types- EFT), σε ένα Μεσογειακό οικοσύστημα.
Λόγω της παρουσίας διαφορετικών φαινολογικών προτύπων στα Μεσογειακά δάση, έγινε επίσης σύγκριση της χρήσης των πολυ-χρονικών δεδομένων (multitemporal data) έναντι των δεδομένων στιγμιαίας απεικόνισης (single time data), ως προς την αποτελεσματικότητα της συγκεκριμένης ταξινόμησης.

'''Περιοχή μελέτης'''

Η μελέτη διεξήχθη σε μία εκτεταμένη δασική περιοχή (περίπου 470 km2), στο ανατολικό τμήμα της περιφέρειας της Τοσκάνης (Εικόνα 1). Δημιουργήθηκε μια περιοχή ενδιαφέροντος (Region Of Interest- ROI) από 1.061 δασικές συστάδες (stands), κατανεμημένες σε τρία δασικά διαμερίσματα (3.960 εκταρίων). Σύμφωνα με την Ευρωπαϊκή ταξινόμηση, η περιοχή καλύπτεται από τους εξής δασικούς τύπους: α) Ορεινό δάσος οξιάς Απέννινων-Κορσικής (EFT 7.3), (13,4%), β) Δάση καστανιάς (EFT 8.7), (35,3%), γ) Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης (EFT 3.2), (8,9%) και δ) Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea) (EFT 8.2), (38,1%).

[[Εικόνα:RSpaper4.1_Ntolka.JPG | thumb| center|'''Εικόνα 1. Δορυφορική απεικόνιση Sentinel-2 ολόκληρης της περιοχής μελέτης με χρήση φυσικού έγχρωμου σύνθετου. ''' Οι περιοχές ενδιαφέροντος (ROI) έχουν επισημανθεί με λευκό χρώμα.]]

[[Εικόνα:RSpaper4.5_Ntolka.JPG | thumb| right|'''Πίνακας 5. Τα αποτελέσματα του δείκτη J-M ''' για τα ζεύγη των δασικών κατηγοριών (Con- αμιγή δάση κωνοφόρων, Broad- αμιγή δάση πλατύφυλλων, Mix-μεικτά δάση) με χρήση single date (της ίδιας ημερομηνίας) και multitemporal (πολυ-χρονικών) S2 απεικονίσεων]]

[[Εικόνα:RSpaper4.6_Ntolka.JPG | thumb| right|''' Πίνακας 6. Τα αποτελέσματα του δείκτη J-M των επιλεγμένων EFT.''' EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea), EFT 8.7: Δάση καστανιάς.]]

'''Υλικά και Μέθοδοι '''

Από τα 13 διαθέσιμα φασματικά κανάλια του S2, χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα, της τάξεως των 10 και 20m (Πίνακας 1). Πραγματοποιήθηκε λήψη τριών λειτουργικών S2 απεικονίσεων (Level-1C Top-of-Atmosphere reflectance products) από το Scientific Hub, οι οποίες κάλυπταν διαφορετικές φαινολογικές περιόδους (χειμώνας, άνοιξη, καλοκαίρι). Η επαναδειγματοληψία τους έγινε σε χωρική ανάλυση της τάξης των 10m από την πλατφόρμα εφαρμογής του Sentinel (SNAP), η οποία διατίθεται στο δικτυακό τόπο του ESA. Τα δέκα κανάλια εισήχθησαν σε λογισμικό ENVI, και στη συνέχεια συνενώθηκαν και περικόπηκαν στην περιοχή ενδιαφέροντος.
Σε ένα πρώτο βήμα ανάλυσης, προσδιορίστηκε η ικανότητα ταξινόμησης των περιοχών ενδιαφέροντος (ROI) ξεχωριστά για τις τρεις διαφορετικές δορυφορικές απεικονίσεις (χειμώνας, άνοιξη, καλοκαίρι), με επαναδειγματοληψία των S2 καναλιών στα 10m, με και χωρίς την επιπλέον χρήση τεσσάρων δεικτών βλάστησης (Πίνακας 2). Για την αξιολόγηση χρησιμοποιήθηκε ο δείκτης συγγένειας Jeffries-Matusita (J-M). Τιμές του J-M μεγαλύτερες του 1,8 υποδεικνύουν στατιστικά καλό διαχωρισμό μεταξύ των ROI. Σε ένα επόμενο στάδιο, έγινε σύνθεση των τριών S2 απεικονίσεων και η ανάλυση επαναλήφθηκε, ώστε να διερευνηθεί το κατά πόσον η χρήση πολύ-χρονικών δεδομένων θα βελτιώσει τη δασική ταξινόμηση. Η καλύτερη διευθέτηση (configuration) με βάση τον J-M, χρησιμοποιήθηκε στη συνέχεια για την ταξινόμηση των S2 απεικονίσεων με τη μέθοδο του «Τυχαίου Δάσους».
Τα εικονοστοιχεία των ROI χωρίστηκαν τυχαία σε σύνολα κατάρτισης (περιοχών εκπαίδευσης) και σύνολα επικύρωσης (Πίνακας 3 & Πίνακας 4), σε ποσοστό 70% και 30% αντίστοιχα. Η ανάλυση της ταξινόμησης πραγματοποιήθηκε με χρήση του πακέτου 'randomForest' στην γλώσσα προγραμματισμού R (R Core Team, 2017). Το μοντέλο «Τυχαίου Δάσους» χτίστηκε πάνω στα σύνολα κατάρτισης. Για τον υπολογισμό της συνολικής ακρίβειας (OA), της ακρίβειας παραγωγού (PA), της ακρίβειας χρήστη (UA) και του συντελεστή Kappa της ταξινόμησης χρησιμοποιήθηκε ο πίνακας συνάφειας, ο οποίος προέκυψε ύστερα από εφαρμογή του μοντέλου σε ολόκληρο το σετ επικύρωσης.
Τέλος, το επικυρωμένο μοντέλο εφαρμόστηκε στο σύνολο της περιοχή μελέτης (470 km2) και παρήχθησαν χάρτες χωρικής ανάλυσης 10 m τόσο για τις δασικές κατηγορίες όσο και για τους δασικούς τύπους (EFTs).

[[Εικόνα:RSpaper4.7_Ntolka.JPG | thumb|center| '''Εικόνα 2. Διάγραμμα ροής της μεθοδολογίας «Τυχαίου Δάσους» (Random Forest- RF)''', που εφαρμόστηκε στη μελέτη.]]

[[Εικόνα:RSpaper4.8.Tables7-8_Ntolka.JPG | thumb| right|'''Πίνακες 7 & 8. Μήτρα σύγχυσης (confussion matrix) του καλύτερου αποτελέσματος χωρικής διευθέτησης (configuration) (βλ. Πίνακα 5) για την ταξινόμηση σε δασικές κατηγορίες και σε EFTs, εκφρασμένο με τον αριθμό των εικονοστοιχείων του συνόλου επικύρωσης.''']]

[[Εικόνα:RSpaper4.8.Tables9-10_Ntolka.JPG | thumb| right|'''Πίνακες 9 & 10. Ακρίβεια του ταξινομητή RF στο σύνολο επικύρωσης των δασικών κατηγοριών και των δασικών τύπων (EFT).''' CE: Commission Error - Σφάλμα συμπερίληψης, OE: Omission Error - Σφάλμα παράλειψης, PA: Producer Accuracy - Ακρίβεια παραγωγού, UA: User Accuracy - Ακρίβεια χρήστη.]]

'''Αποτελέσματα '''

Τα αποτελέσματα του δείκτη Jeffries-Matusita για τα ζεύγη των δασικών κατηγοριών και τα ζεύγη δασικών τύπων παρουσιάζονται στους πίνακες 5 και 6, αντίστοιχα.
Η χρήση πολυ-χρονικών δεδομένων με τη συμπερίληψη δεικτών βλάστησης έδωσε τα καλύτερα αποτελέσματα σε σχέση με την ταξινόμηση των δασικών κατηγοριών, ενώ η χρήση των μεμονωμένων απεικονίσεων από τα 10 κανάλια (single images) δεν ήταν δυνατό να ξεχωρίσει τα μεικτά από τα αμιγή δάση. Η χρήση μοναδικών απεικονίσεων (άνοιξης και καλοκαιριού) επαρκούσε για τον αποτελεσματικό διαχωρισμό μεταξύ όλων των δασικών τύπων, με εξαίρεση τα δάση δρυών και καστανιάς, και παρουσίαζε σημαντική βελτίωση με την επιπλέον χρήση του δείκτη RENDVI. Η καλύτερη διευθέτηση για τις δασικές κατηγορίες και τους δασικούς τύπους περιελάμβανε αντιστοίχως: 33 επίπεδα (10 κανάλια για τον χειμώνα, 10 για την άνοιξη, 10 για το καλοκαίρι και τους 3 δείκτες RENDVI) και 22 επίπεδα (10 κανάλια για την άνοιξη, 10 για το καλοκαίρι και 2 δείκτες RENDVI), τα οποία χρησιμοποιήθηκαν ξεχωριστά ως μεταβλητές εισόδου στο «Τυχαίο Δάσος» (Εικόνα 2). Η μήτρα σύγχυσης και τα αποτελέσματα ακρίβειας της ταξινόμησης RF παρουσιάζονται στους Πίνακες 7,8,9 και 10. Η συνολική ακρίβεια για τις δασικές κατηγορίες αντιστοιχεί σε ποσοστό 86,2% και για τους δασικούς τύπους σε 92,7%. Οι χάρτες που προέκυψαν ύστερα από την εφαρμογή των επικυρωμένων μοντέλων στο σύνολο της περιοχής μελέτης παρουσιάζονται στην Εικόνα 3.

[[Εικόνα:RSpaper4.9_Ntolka.JPG | thumb| center|'''Εικόνα 3. Χάρτες με τις δασικές κατηγορίες '''(αριστερά) '''και τους ευρωπαϊκούς δασικούς τύπους - EFTs '''(δεξιά), '''ύστερα από εφαρμογή των μοντέλων πρόβλεψης στην περιοχή μελέτης.''']]

'''Συζήτηση & Συμβολή της Τηλεπισκόπησης'''

Η χρήση τηλεπισκοπικών δεδομένων από το δορυφόρο Sentinel-2 μπορεί να αποτελέσει μια αποτελεσματική επιλογή για τη συστηματική παρακολούθηση και τη χαρτογράφηση των Μεσογειακών δασικών οικοσυστημάτων σε μεσαία-μεγάλη κλίμακα. Ο S2 παρουσιάζει μια σειρά από σημαντικά πλεονεκτήματα, τα οποία προσφέρουν τη δυνατότητα για μεγάλης ακρίβειας ταξινόμηση μεταξύ των δασικών τύπων, με σημαντικότερα τα εξής: την υψηλή διακριτική ικανότητα των φασματικών του καναλιών (10 και 20m), τη μεγάλη συχνότητα επανεπίσκεψης και τη δυνατότητα συμπερίληψης τεσσάρων καναλιών «κόκκινης ακμής» (red-edge bands).

[[category:Αναγνώριση δασικών ειδών]]

[[category: Οικολογία]]

Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα

2019-03-03T14:09:21Z

Ntolka Eirini:

'''Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα'''

'''Πρωτότυπος τίτλος:''' ''Use of Sentinel-2 for forest classification in Mediterranean environments''

[[Εικόνα:RSpaper4.2_Ntolka.JPG | thumb| right|'''Πίνακας 1.Διαθέσιμα φασματικά κανάλια για τον Sentinel-2. '''Στη συγκεκριμένη μελέτη χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα (10 και 20m).]]

'''Συγγραφείς: '''Nicola Puletti, Francesco Chianucci, Cristiano Castaldi

'''Δημοσιεύθηκε: ''' ''Annals of Silvicultural Research, November 2017, DOI: 10.12899/ASR-1463''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/321213981_Use_of_Sentinel-2_for_forest_classification_in_Mediterranean_environments]

[[Εικόνα:RSpaper4.3_Ntolka.JPG | thumb| right|'''Πίνακας 2. Οι δείκτες βλάστησης όπως υπολογίσθηκαν από την S2 απεικόνιση. Σταθμός ελέγχου εδάφους και μη επανδρωμένο ιπτάμενο όχημα ''' που χρησιμοποιήθηκαν στη μελέτη (Responder, ING Robotic Aviation).Με ''' p''' συμβολίζεται η τιμή ανάκλασης για κάθε εξεταζόμενο κανάλι του S2. Για την αναγνώριση του χρησιμοποιούμενου αριθμού καναλιού, βλ. Πίνακα 1. Δείκτες βλάστησης: δείκτης κανονικοποιημένης διαφοράς βλάστησης (NDVI), δείκτης αναλογικής βλάστησης (SRI), δείκτης NDVI «κόκκινης ακμής» (RENDVI), δείκτης ανακλαστικότητας ανθοκυανίνης (ARI1).]]

'''Λέξεις-Κλειδιά: ''' Ταξινόμηση δασών, Ευρωπαϊκού τύπου δάση, πολυφασματική δορυφορική απεικόνιση, Jeffries-Matusita (J-M) distance test, Τυχαίο δάσος

'''Εισαγωγή'''

[[Εικόνα:RSpaper4.4.Tables3-4_Ntolka.JPG | thumb| right|'''Πίνακες 3 & 4. Ο αριθμός των εικονοστοιχείων (10x10m pixels) που χρησιμοποιήθηκαν ως ROI για την ταξινόμηση σε δασικές κατηγορίες και σε ευρωπαϊκούς δασικούς τύπους (EFT), ξεχωριστά για τα σύνολα κατάρτισης (περιοχές εκπαίδευσης) και τα σύνολα επικύρωσης.'''EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea), EFT 8.7: Δάση καστανιάς. ]]

Η ταξινόμηση των δασικών κατηγοριών και τύπων, και οι χωρικά σαφείς πληροφορίες για τη δασική δομή και σύνθεση, παρέχουν πολύτιμα στοιχεία για την εκπλήρωση επιστημονικών, οικολογικών στόχων και τη συστηματική παρακολούθηση και διαχείριση των δασικών οικοσυστημάτων. Προκειμένου να μπορέσουμε να απαντήσουμε σε ένα μεγάλο εύρος οικολογικών ερωτημάτων σε σχέση με: τον προσδιορισμό των δασικών τύπων ή/και των διαδοχικών σταδίων ανάπτυξης, το ρυθμό αναδάσωσης ή αποψίλωσης, τη λειτουργική σύνθεση των δασών και τις παγκόσμιες περιβαλλοντικές μεταβολές, είναι πολύ σημαντικό να έχουμε ανοιχτή πρόσβαση σε υψηλής ποιότητας τηλεπισκοπικά δεδομένα, από δορυφορικούς αισθητήρες με μεγάλη συχνότητα επανεπίσκεψης της ίδιας περιοχής. Με αυτόν τον τρόπο, είναι δυνατό να επιτευχθεί μεγαλύτερη ακρίβεια στην ταξινόμηση των δασικών τύπων και επομένως, ορθότερη και λεπτομερέστερη χαρτογράφηση των δασικών οικοσυστημάτων. Γεγονός ιδιαιτέρως σημαντικό όσον αφορά τα Μεσογειακά δασικά οικοσυστήματα, καθώς χαρακτηρίζονται από μεγάλο αριθμό φυτικών ειδών, μεταβλητές πυκνότητες θόλων και την παρουσία ποικίλων διαφορετικών φαινολογικών προτύπων, περιπλέκοντας τη διαδικασία της ταξινόμησης από οπτικές δορυφορικές απεικονίσεις.
Ο ευρωπαϊκός δορυφόρος Sentinel-2 (S2), η αποστολή του οποίου ξεκίνησε τον Ιούνιο του 2015, μπορεί να συνδυάσει την υψηλή χωρική ανάλυση, με την ευρεία κάλυψη και τη μεγάλη συχνότητα επανεπίσκεψης (περίπου 5 ημέρες), προσφέροντας πρωτοφανείς ευκαιρίες για τη λεπτή διάκριση των κλάσεων κάλυψης γης, την ακριβή ταξινόμηση των δασικών τύπων και τη συστηματική παρακολούθησή τους σε μεσαίες-μεγάλες κλίμακες.
Κύριος στόχος της παρούσας μελέτης ήταν να αξιολογηθεί η ικανότητα των λειτουργικών δεδομένων του S2 να ταξινομήσουν τόσο τις δασικές κατηγορίες (αμιγή δάση κωνοφόρων, αμιγή δάση πλατύφυλλων, μεικτά δάση) όσο και τους ευρωπαϊκούς δασικούς τύπους (European Forest Types- EFT), σε ένα Μεσογειακό οικοσύστημα.
Λόγω της παρουσίας διαφορετικών φαινολογικών προτύπων στα Μεσογειακά δάση, έγινε επίσης σύγκριση της χρήσης των πολυ-χρονικών δεδομένων (multitemporal data) έναντι των δεδομένων στιγμιαίας απεικόνισης (single time data) , ως προς την αποτελεσματικότητα της συγκεκριμένης ταξινόμησης.

'''Περιοχή μελέτης'''

Η μελέτη διεξήχθη σε μία εκτεταμένη δασική περιοχή (περίπου 470 km2), στο ανατολικό τμήμα της περιφέρειας της Τοσκάνης (Εικόνα 1). Δημιουργήθηκε μια περιοχή ενδιαφέροντος (Region Of Interest- ROI) από 1.061 δασικές συστάδες (stands), κατανεμημένες σε τρία δασικά διαμερίσματα (3.960 εκταρίων). Σύμφωνα με την Ευρωπαϊκή ταξινόμηση, η περιοχή καλύπτεται από τους εξής δασικούς τύπους: α) Ορεινό δάσος οξιάς Απέννινων-Κορσικής (EFT 7.3), (13,4%), β) Δάση καστανιάς (EFT 8.7), (35,3%), γ) Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης (EFT 3.2), (8,9%) και δ) Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea) (EFT 8.2), (38,1%).

[[Εικόνα:RSpaper4.1_Ntolka.JPG | thumb| center|'''Εικόνα 1. Δορυφορική απεικόνιση Sentinel-2 ολόκληρης της περιοχής μελέτης με χρήση φυσικού έγχρωμου σύνθετου. ''' Οι περιοχές ενδιαφέροντος (ROI) έχουν επισημανθεί με λευκό χρώμα.]]

[[Εικόνα:RSpaper4.5_Ntolka.JPG | thumb| right|'''Πίνακας 5. Τα αποτελέσματα του δείκτη J-M ''' για τα ζεύγη των δασικών κατηγοριών (Con- αμιγή δάση κωνοφόρων, Broad- αμιγή δάση πλατύφυλλων, Mix-μεικτά δάση) με χρήση single date (της ίδιας ημερομηνίας) και multitemporal (πολυ-χρονικών) S2 απεικονίσεων]]

[[Εικόνα:RSpaper4.6_Ntolka.JPG | thumb| right|''' Πίνακας 6. Τα αποτελέσματα του δείκτη J-M των επιλεγμένων EFT.''' EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea), EFT 8.7: Δάση καστανιάς.]]

'''Υλικά και Μέθοδοι '''

Από τα 13 διαθέσιμα φασματικά κανάλια του S2, χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα, της τάξεως των 10 και 20m (Πίνακας 1). Πραγματοποιήθηκε λήψη τριών λειτουργικών S2 απεικονίσεων (Level-1C Top-of-Atmosphere reflectance products) από το Scientific Hub, οι οποίες κάλυπταν διαφορετικές φαινολογικές περιόδους (χειμώνας, άνοιξη, καλοκαίρι). Η επαναδειγματοληψία τους έγινε σε χωρική ανάλυση της τάξης των 10m από την πλατφόρμα εφαρμογής του Sentinel (SNAP), η οποία διατίθεται στο δικτυακό τόπο του ESA. Τα δέκα κανάλια εισήχθησαν σε λογισμικό ENVI, και στη συνέχεια συνενώθηκαν και περικόπηκαν στην περιοχή ενδιαφέροντος.
Σε ένα πρώτο βήμα ανάλυσης, προσδιορίστηκε η ικανότητα ταξινόμησης των περιοχών ενδιαφέροντος (ROI) ξεχωριστά για τις τρεις διαφορετικές δορυφορικές απεικονίσεις (χειμώνας, άνοιξη, καλοκαίρι), με επαναδειγματοληψία των S2 καναλιών στα 10m, με και χωρίς την επιπλέον χρήση τεσσάρων δεικτών βλάστησης (Πίνακας 2). Για την αξιολόγηση χρησιμοποιήθηκε ο δείκτης συγγένειας Jeffries-Matusita (J-M). Τιμές του J-M μεγαλύτερες του 1,8 υποδεικνύουν στατιστικά καλό διαχωρισμό μεταξύ των ROI. Σε ένα επόμενο στάδιο, έγινε σύνθεση των τριών S2 απεικονίσεων και η ανάλυση επαναλήφθηκε, ώστε να διερευνηθεί το κατά πόσον η χρήση πολύ-χρονικών δεδομένων θα βελτιώσει τη δασική ταξινόμηση. Η καλύτερη διευθέτηση (configuration) με βάση τον J-M, χρησιμοποιήθηκε στη συνέχεια για την ταξινόμηση των S2 απεικονίσεων με τη μέθοδο του «Τυχαίου Δάσους».
Τα εικονοστοιχεία των ROI χωρίστηκαν τυχαία σε σύνολα κατάρτισης (περιοχών εκπαίδευσης) και σύνολα επικύρωσης (Πίνακας 3 & Πίνακας 4), σε ποσοστό 70% και 30% αντίστοιχα. Η ανάλυση της ταξινόμησης πραγματοποιήθηκε με χρήση του πακέτου 'randomForest' στην γλώσσα προγραμματισμού R (R Core Team, 2017). Το μοντέλο «Τυχαίου Δάσους» χτίστηκε πάνω στα σύνολα κατάρτισης. Για τον υπολογισμό της συνολικής ακρίβειας (OA), της ακρίβειας παραγωγού (PA), της ακρίβειας χρήστη (UA) και του συντελεστή Kappa της ταξινόμησης χρησιμοποιήθηκε ο πίνακας συνάφειας, ο οποίος προέκυψε ύστερα από εφαρμογή του μοντέλου σε ολόκληρο το σετ επικύρωσης.
Τέλος, το επικυρωμένο μοντέλο εφαρμόστηκε στο σύνολο της περιοχή μελέτης (470 km2) και παρήχθησαν χάρτες χωρικής ανάλυσης 10 m τόσο για τις δασικές κατηγορίες όσο και για τους δασικούς τύπους (EFTs).

[[Εικόνα:RSpaper4.7_Ntolka.JPG | thumb|center| '''Εικόνα 2. Διάγραμμα ροής της μεθοδολογίας «Τυχαίου Δάσους» (Random Forest- RF)''', που εφαρμόστηκε στη μελέτη.]]

[[Εικόνα:RSpaper4.8.Tables7-8_Ntolka.JPG | thumb| right|'''Πίνακες 7 & 8. Μήτρα σύγχυσης (confussion matrix) του καλύτερου αποτελέσματος χωρικής διευθέτησης (configuration) (βλ. Πίνακα 5) για την ταξινόμηση σε δασικές κατηγορίες και σε EFTs, εκφρασμένο με τον αριθμό των εικονοστοιχείων του συνόλου επικύρωσης.''']]

[[Εικόνα:RSpaper4.8.Tables9-10_Ntolka.JPG | thumb| right|'''Πίνακες 9 & 10. Ακρίβεια του ταξινομητή RF στο σύνολο επικύρωσης των δασικών κατηγοριών και των δασικών τύπων (EFT).''' CE: Commission Error - Σφάλμα συμπερίληψης, OE: Omission Error - Σφάλμα παράλειψης, PA: Producer Accuracy - Ακρίβεια παραγωγού, UA: User Accuracy - Ακρίβεια χρήστη.]]

'''Αποτελέσματα '''

Τα αποτελέσματα του δείκτη Jeffries-Matusita για τα ζεύγη των δασικών κατηγοριών και τα ζεύγη δασικών τύπων παρουσιάζονται στους πίνακες 5 και 6, αντίστοιχα.
Η χρήση πολυ-χρονικών δεδομένων με τη συμπερίληψη δεικτών βλάστησης έδωσε τα καλύτερα αποτελέσματα σε σχέση με την ταξινόμηση των δασικών κατηγοριών, ενώ η χρήση των μεμονωμένων απεικονίσεων από τα 10 κανάλια (single images) δεν ήταν δυνατό να ξεχωρίσει τα μεικτά από τα αμιγή δάση. Η χρήση μοναδικών απεικονίσεων (άνοιξης και καλοκαιριού) επαρκούσε για τον αποτελεσματικό διαχωρισμό μεταξύ όλων των δασικών τύπων, με εξαίρεση τα δάση δρυών και καστανιάς, και παρουσίαζε σημαντική βελτίωση με την επιπλέον χρήση του δείκτη RENDVI. Η καλύτερη διευθέτηση για τις δασικές κατηγορίες και τους δασικούς τύπους περιελάμβανε αντιστοίχως: 33 επίπεδα (10 κανάλια για τον χειμώνα, 10 για την άνοιξη, 10 για το καλοκαίρι και τους 3 δείκτες RENDVI) και 22 επίπεδα (10 κανάλια για την άνοιξη, 10 για το καλοκαίρι και 2 δείκτες RENDVI), τα οποία χρησιμοποιήθηκαν ξεχωριστά ως μεταβλητές εισόδου στο «Τυχαίο Δάσος» (Εικόνα 2). Η μήτρα σύγχυσης και τα αποτελέσματα ακρίβειας της ταξινόμησης RF παρουσιάζονται στους Πίνακες 7,8,9 και 10. Η συνολική ακρίβεια για τις δασικές κατηγορίες αντιστοιχεί σε ποσοστό 86,2% και για τους δασικούς τύπους σε 92,7%. Οι χάρτες που προέκυψαν ύστερα από την εφαρμογή των επικυρωμένων μοντέλων στο σύνολο της περιοχής μελέτης παρουσιάζονται στην Εικόνα 3.

[[Εικόνα:RSpaper4.9_Ntolka.JPG | thumb| center|'''Εικόνα 3. Χάρτες με τις δασικές κατηγορίες '''(αριστερά) '''και τους ευρωπαϊκούς δασικούς τύπους - EFTs '''(δεξιά), '''ύστερα από εφαρμογή των μοντέλων πρόβλεψης στην περιοχή μελέτης.''']]

'''Συζήτηση & Συμβολή της Τηλεπισκόπησης'''

Η χρήση τηλεπισκοπικών δεδομένων από το δορυφόρο Sentinel-2 μπορεί να αποτελέσει μια αποτελεσματική επιλογή για τη συστηματική παρακολούθηση και τη χαρτογράφηση των Μεσογειακών δασικών οικοσυστημάτων σε μεσαία-μεγάλη κλίμακα. Ο S2 παρουσιάζει μια σειρά από σημαντικά πλεονεκτήματα, τα οποία προσφέρουν τη δυνατότητα για μεγάλης ακρίβειας ταξινόμηση μεταξύ των δασικών τύπων, με σημαντικότερα τα εξής: την υψηλή διακριτική ικανότητα των φασματικών του καναλιών (10 και 20m), τη μεγάλη συχνότητα επανεπίσκεψης και τη δυνατότητα συμπερίληψης τεσσάρων καναλιών «κόκκινης ακμής» (red-edge bands).

[[category:Αναγνώριση δασικών ειδών]]

[[category: Οικολογία]]

Ανίχνευση ειδών άγριας πανίδας με χρήση ορατών και θερμικών υπέρυθρων απεικονίσεων από UAV

2019-03-03T13:54:38Z

Ntolka Eirini:

'''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)''

[[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

'''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: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]

[[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

'''Εισαγωγή'''

[[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.

'''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.

[[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).]]

''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 σε πολλαπλά επίπεδα χωρικής 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:RSpaper2.6Table2_Ntolka.JPG | thumb| right|'''Πίνακας 2. Αποτελέσματα ταξινόμησης για κάθε διαδρομή πτήσης με χρήση ΜΟΒΙΑ στις ορατές και θερμικές υπέρυθρες απεικονίσεις.''']]

[[Εικόνα:RSpaper2.7_Ntolka.JPG | thumb| right|'''Εικόνα 6. Γεωαναφερμένες απεικονίσεις από τη διαδρομή πτήσης No 3.]]

'''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.

[[category:Εφαρμογές άγριας πανίδας]]

[[category: Οικολογία]]

Ανίχνευση ειδών άγριας πανίδας με χρήση ορατών και θερμικών υπέρυθρων απεικονίσεων από UAV

2019-03-03T13:47:27Z

Ntolka Eirini:

'''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)''

[[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

'''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: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]

[[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

'''Εισαγωγή'''

[[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.

'''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.

[[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).]]

''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 σε πολλαπλά επίπεδα χωρικής 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 «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 σε κάθε πολύγωνο (>50%) με την κατηγορία που αναγνωρίσθηκε στο πεδίο.

[[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:RSpaper2.7_Ntolka.JPG | thumb| right|'''Εικόνα 6. Γεωαναφερμένες απεικονίσεις από τη διαδρομή πτήσης No 3.]]

'''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.

[[category:Εφαρμογές άγριας πανίδας]]

[[category: Οικολογία]]

Ανίχνευση ειδών άγριας πανίδας με χρήση ορατών και θερμικών υπέρυθρων απεικονίσεων από UAV

2019-03-03T13:45:43Z

Ntolka Eirini:

'''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)''

[[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

'''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: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]

[[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

'''Εισαγωγή'''

[[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.

'''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.

[[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).]]

''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 σε πολλαπλά επίπεδα χωρικής 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 «είδη» προήλθαν από τα δεδομένα εδάφους, ενώ τα πολύγωνα για την κατηγορία «μη ζώα» ταυτοποιήθηκαν με αναλογική 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 σε κάθε πολύγωνο (>50%) με την κατηγορία που αναγνωρίσθηκε στο πεδίο.

[[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:RSpaper2.7_Ntolka.JPG | thumb| right|'''Εικόνα 6. Γεωαναφερμένες απεικονίσεις από τη διαδρομή πτήσης No 3.]]

'''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.

[[category:Εφαρμογές άγριας πανίδας]]

[[category: Οικολογία]]

Ένα σύστημα ανίχνευσης νεογνών ζαρκαδιών βασισμένο σε UAV

2019-03-03T13:28:53Z

Ntolka Eirini:

'''Ένα σύστημα ανίχνευσης νεογνών ζαρκαδιών βασισμένο σε UAV'''

'''Πρωτότυπος τίτλος:''' ''A UAV-based roe deer fawn detection system''

[[Εικόνα:RSpaper1.1_Ntolka.JPG | thumb| right|'''Εικόνα 1. Θερμική απεικόνιση νεογνού ζαρκαδιού.'''
Το τρίχωμα των νεογνών του ζαρκαδιού παρέχει ελάχιστη θερμομόνωση, με αποτέλεσμα να γίνονται εύκολα ανιχνεύσιμα με χρήση θερμικής κάμερας όταν το περιβάλλον τους είναι αρκετά ψυχρό.]]

'''Συγγραφέας: '''Martin Israel

'''Δημοσιεύθηκε: ''' ''International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XXXVIII-1/C22, UAV-g 2011, Conference on Unmanned Aerial Vehicle in Geomatics, 2011, Zurich, Switzerland''

[[Εικόνα:RSpaper1.0_equation_Ntolka.JPG | thumb| right|'''Εξίσωση 1''' Η μέγιστη γωνιακή απόκλιση ''α'' κατά την οποία η κάμερα μπορεί να εντοπίσει ένα νεογνό ζαρκαδιού μεγέθους ''f'' = 30cm σε ένα λιβάδι με μέσο ύψος χόρτου ''h'' = 1m λόγω οπτικής απόφραξης, υπολογίζεται από την παραπάνω τριγωνομετρική εξίσωση, (όπου:''α'' η μέγιστη απόκλιση της γωνίας ανάμεσα στην κατεύθυνση θέασης και την κατακόρυφο από τον παρατηρητή (την κάμερα), ''f'' το μέγεθος του νεογνού, ''h'' το μέσο ύψος του χορταριού στο χωράφι, ''¯f'' το μέσο πλάτος της λωρίδας σάρωσης της κάμερας, ''¯h'' η απόσταση ανάμεσα στην κάμερα και το έδαφος.]]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/225022287_A_UAV-based_ROE_deer_fawn_detection_system]

[[Εικόνα:RSpaper1.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Γεωμετρικοί περιορισμοί. ''']]

'''Λέξεις-Κλειδιά: ''' UAV, θερμική απεικόνιση, διάσωση ζώων, τηλεπισκόπηση, σύστημα ανίχνευσης, γεωργία, Octocopter

'''Εισαγωγή'''

[[Εικόνα:RSpaper1.3_Ntolka.JPG | thumb| right|'''Εικόνα 3. Falcon-8 MAV σε δράση.''']]

Εκτός από τα οικονομικά οφέλη, η προοδευτική εκβιομηχάνιση της γεωργίας συνεπάγεται επίσης προβλήματα. Η αύξηση τόσο του πλάτους όσο και της ταχύτητας εργασίας των μηχανών συγκομιδής οδηγεί σε αύξηση του κινδύνου που διατρέχουν τα άγρια ζώα που ζουν στη γεωργική γη. Το 96% των ζαρκαδιών (Capreolus capreolus) γεννιούνται στο χρονικό διάστημα μεταξύ Μαΐου και Ιουνίου, που συμπίπτει με την περίοδο χορτοκοπής των βοσκοτόπων. Τα νεογνά χρησιμοποιούν τα καλλιεργημένα βοσκοτόπια για να κρυφτούν από τους θηρευτές και κατά τη διάρκεια των δύο πρώτων μηνών της ζωής τους μένουν κατά κύριο λόγο κρυμμένα μέσα στα χορτάρια χωρίς να κινούνται. Με αυτόν τον τρόπο, εντοπίζονται δύσκολα από τους αγρότες και συχνά σκοτώνονται από τις μηχανές κοπής. Πέρα από το θάνατο των άγριων ζώων, το φαινόμενο αυτό μπορεί επίσης να οδηγήσει σε μεγάλη οικονομική ζημία για τον αγρότη. Σε περίπτωση που το πτώμα του ζώου δεν βρεθεί εγκαίρως, βακτήρια παράγουν την τοξίνη botulinum (BTX- Botox), με αποτέλεσμα την παρουσία ενός θανατηφόρου δηλητηρίου στις ζωοτροφές για τις αγελάδες.
Στην παρούσα εργασία, περιγράφεται ένα σύστημα ανίχνευσης νεογνών ζαρκαδιών, το οποίο βασίζεται στη χρήση μη επανδρωμένου ιπτάμενου οχήματος (UAV- Unmanned Aerial Vehicle) με σκοπό τον εντοπισμό και την μεταφορά τους μακριά από το χωράφι και την αποφυγή γεωργικών ατυχημάτων. Επειδή τα νεογνά εντοπίζονται δύσκολα στο ορατό φάσμα λόγω καμουφλάζ, ως βασικός αισθητήρας του συστήματος χρησιμοποιείται μία ελαφριά θερμική υπέρυθρη κάμερα (Εικόνα 1).

[[Εικόνα:RSpaper1.4_Ntolka.JPG | thumb| right|'''Εικόνα 4. Κάλυψη της περιοχής μελέτης.'''
Η κόκκινη γραμμή απεικονίζει μία σχηματική διαδρομή πτήσης, τα γκρι τετράγωνα αντιπροσωπεύουν την παρατηρούμενη έκταση στο έδαφος, και ο μπλε κύκλος παριστάνει το μικροαεροσκάφος . Υπάρχει αλληλοεπικάλυψη και στις δύο κατευθύνσεις ώστε να εξασφαλισθεί η πλήρης κάλυψη (σκούρο γκρι).]]

'''Υλικά και Μέθοδοι '''

'' Ζητήματα γεωμετρίας''

Για τη συγκεκριμένη εφαρμογή, η κάμερα λειτουργεί καλύτερα με ένα οπτικό πεδίο γωνίας 34° για κατακόρυφη θέαση, που αντιστοιχεί στο διπλάσιο της γωνιακής απόκλισης α (Εξίσωση 1- Εικόνα 2) ανάμεσα στην κατεύθυνση θέασης της κάμερας και την κατακόρυφο από το έδαφος) . Πέρα από αυτό το σημείο, το χορτάρι μπορεί να κρύψει τελείως ένα νεογνό στις άκρες της εικόνας ανεξαρτήτως της απόστασης της κάμερας από το έδαφος. Η μέση θερμοκρασία σώματος του νεογνού περιέχει όλη την απαραίτητη πληροφορία για την ταξινόμησή του στο λιβάδι, επομένως μια ανάλυση εικονοστοιχείου (pixel) που αντιστοιχεί στο μέγεθος ενός νεογνού είναι αρκετή για την ανίχνευσή του. Παρόλα αυτά, για να αποφύγουμε την απώλεια πληροφορίας και δεδομένου ότι το μέγεθος ενός νεογνού αντιστοιχεί σε περίπου 30cm, το μέγεθος του εικονοστοιχείου στο έδαφος θα πρέπει να είναι μικρότερο από 15cm.
Για τη συγκεκριμένη μελέτη επιλέχθηκε η θερμική κάμερα πυρήνα Tau640 της FLIR με 640x512 εικονοστοιχεία και φακούς με οπτικό πεδίο (FOV) 32°x 26°, η οποία μπορεί θεωρητικά να εντοπίσει ένα νεογνό στο χωράφι από ένα μέγιστο ύψος 166 μέτρων, ενώ η πτήση σε χαμηλότερο υψόμετρο αυξάνει τη βεβαιότητα ανίχνευσης.

[[Εικόνα:RSpaper1.5_Ntolka.JPG | thumb| right|'''Εικόνα 5. Στιγμιότυπο οθόνης του Waypoint Editor'''

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).]]

''Περιγραφή συστήματος''

Η θερμική κάμερα τοποθετήθηκε στο μικρό αεροσκάφος (MAV-micro air vehicle) Falcon-8 της Ascending Technologies GmbH (Eικόνα 3), το οποίο μπορεί να λάβει γεωαναφερόμενες εικόνες υψηλής ποιότητας. Κατά την πραγματοποίηση του πειράματος σαρώθηκε ολόκληρη την περιοχή μελέτης με διαδοχικές πτήσεις σε ευθείες διαδρομές, μεταξύ ενδιάμεσων σταθμών που ισαπέχουν μεταξύ τους (Eικόνα 4). Για τον εντοπισμό των νεογνών, αρχικά πραγματοποιήθηκε η ανίχνευση των θερμών σημείων με πτήσεις σε μεγάλο ύψος (κάλυψη μεγαλύτερης έκτασης σε λιγότερο χρόνο) και η ακόλουθη ταυτοποίησή των νεογνών με πτήσεις σε χαμηλότερο (μεγαλύτερη διακριτικότητα εικόνας). Ο χειριστής του αεροσκάφους μπορεί να παρακολουθεί ζωντανά τη θέαση της κάμερας από το έδαφος, μέσω αναλογικής ροής video. Ταυτόχρονα γίνεται η λήψη των θερμικών εικόνων, ενώ τα δεδομένα για κάθε ενδιάμεσο σταθμό (η θερμική εικόνα, η τρέχουσα θέση της κάμερας, το υψόμετρο πτήσης και η γωνία κλίσης της κάμερας) αποθηκεύονται σε κάρτα microSD. Ο αλγόριθμος αναγνώρισης προτύπου στέλνει τα αποτελέσματα μέσω ραδιοσύζευξης στον σταθμό εδάφους, δίνοντας στον χειριστή τις απαραίτητες πληροφορίες για τη λήψη αποφάσεων.

''Ροή εργασίας''

Για την ανίχνευση και τη διάσωση των νεογνών κατά τη διάρκεια της χορτοκοπής των βοσκοτόπων με χρήση UAV χρειάζεται να δουλέψουν τουλάχιστον 2 άτομα. Ένας ενεργεί ως πιλότος και ένας χρειάζεται να πηγαίνει στο εντοπισμένο νεογνό και να το απομακρύνει από το χωράφι. Η διαδικασία της συγκεκριμένης εργασίας χωρίζεται στα εξής βήματα: α) ''σχεδιασμός σημείων ενδιάμεσων σταθμών (waypoint planning)'', β) ''ανίχνευση θερμών σημείων'' και καταγραφή της θέσης τους κατά την πτήση σε μεγάλο ύψος (30-50m) , γ) ''αναγνώριση/ταυτοποίηση'' νεογνού, μέσω παρατήρησης της θερμικής και οπτικής βιντεοπροβολής που λαμβάνεται με τη διενέργεια πτήσης πάνω από τη θέση του θερμού σημείου και σε χαμηλότερο ύψος, δ) ''ανάκτηση'' του εντοπισμένου νεογνού με τη βοήθεια συσκευής GPS χειρός, ε) ''διάσωση'' και στ) ''απελευθέρωση''. Ο σχεδιασμός των σημείων των ενδιάμεσων σταθμών και η γενική προετοιμασία της εργασίας πρέπει να γίνεται πριν την διενέργεια της πτήσης. Για τον σκοπό αυτό, αναπτύχθηκε από τους ερευνητές η διαδικτυακή εφαρμογή Waypoint Editor, η οποία στηρίζεται στην διεπαφή προγραμματισμού της εφαρμογής του Google Maps (API). Με χρήση δορυφορικής απεικόνισης, οριοθετήθηκε το χωράφι και σημάνθηκε η θέση εκτόξευσης του αεροσκάφους. Στη συνέχεια η εφαρμογή υπολόγισε μια βελτιστοποιημένη διαδρομή πτήσης με προκαθορισμένη απόσταση ανάμεσα στους ενδιάμεσους σταθμούς (Εικόνα 5).

[[Εικόνα:RSpaper1.6_Ntolka.JPG | thumb| right|'''Εικόνα 6. Μείωση της αντίθεσης μιας σκηνής με τυπική διαμόρφωση AGC, όταν μια θερμή περιοχή εισέρχεται στο οπτικό πεδίο''' (δεξιά εικόνα). Ο κόκκινος κύκλος δείχνει και στις δύο εικόνες, το ίδιο νεογνό που περιβάλλεται από έναν φράχτη.]]

''Θερμική κάμερα''

Προκειμένου να επιτευχθεί υψηλή ευαισθησία, κάθε εικονοστοιχείο του θερμικού ανιχνευτή παρέχει ένα σήμα 14-bit (> 15000 επίπεδα του γκρι). Το ανθρώπινο οπτικό σύστημα μπορεί να διακρίνει μόνο περίπου 128 επίπεδα του γκρι (7 bit) και επομένως η αρχική εικόνα των 14 bit πρέπει να συμπιεστεί. Η υψηλή αντίθεση της σκηνής στην εικόνα σταθμίζεται με ένα αυτόματο σύστημα κέρδους ελέγχου (AGC- automatic gain control) (Εικόνες 6,7).

[[Εικόνα:RSpaper1.7_Ntolka.JPG | thumb| right|'''Εικόνα 7. Αποκόμματα (cut-outs) θερμικής απεικόνισης κλασικών θερμών σημείων σε ύψος πτήσης 30 και 50 μέτρων.''' Οι μικρές εικόνες στα αριστερά αποτελούν ενισχυμένα τμήματα 64x64 εικονοστοιχείων από τη λήψη θερμικών απεικονίσεων. Η εικόνα f αποτελεί περικοπή της εικόνας πλήρους μεγέθους g. Σε ύψος πτήσης 50m, ένα νεογνό αντιπροσωπεύεται από μόνο 40 από τα 327.680 εικονοστοιχεία.]]

'''Αποτελέσματα & Συζήτηση'''

Οι εργασίες πεδίου πραγματοποιήθηκαν μέσα σε 15 μέρες, τον Μάιο και τον Ιούνιο του 2011. Το σύστημα ανίχνευσης νεογνών ελέγχθηκε σε διαφορετικές χρονικές στιγμές της ημέρας και διαφορετικές καιρικές συνθήκες και συνθήκες φωτισμού. Συνολικά σαρώθηκαν 70,77 εκτάρια, από τα οποία τα 44,2 ha σαρώθηκαν σε 22 πτήσεις σε ύψος 50 m και τα 26,6 ha σε 28 πτήσεις σε ύψος 30m. Η πτήση σε ύψος άνω των 50 μέτρων συχνά οδηγούσε σε απώλεια εντοπισμού του νεογνού. Συνολικά ανιχνεύθηκαν 14 νεογνά, τα περισσότερα εκ των οποίων βρέθηκαν όταν επικρατούσαν συνθήκες βέλτιστου φωτισμού.

'''Συμβολή της Τηλεπισκόπησης'''

Η χρήση ενός μη επανδρωμένου ιπτάμενου οχήματος UAV με θερμική υπέρυθρη κάμερα για την εξ αποστάσεως ανίχνευση των νεογνών του ζαρκαδιού στα χωράφια κατά τη διάρκεια της χορτοκοπής, αποτελεί μία εύκολη, γρήγορη και αξιόπιστη μέθοδο για την αποφυγή των γεωργικών ατυχημάτων και το θάνατο των άγριων ζώων που ζουν στις γεωργικές εκτάσεις από τις μηχανές κοπής.

[[category:Εφαρμογές άγριας πανίδας]]

[[category:Γεωργία]]

[[category: Οικολογία]]

Ένα σύστημα ανίχνευσης νεογνών ζαρκαδιών βασισμένο σε UAV

2019-03-03T13:28:13Z

Ntolka Eirini:

'''Ένα σύστημα ανίχνευσης νεογνών ζαρκαδιών βασισμένο σε UAV'''

'''Πρωτότυπος τίτλος:''' ''A UAV-based roe deer fawn detection system''

[[Εικόνα:RSpaper1.1_Ntolka.JPG | thumb| right|'''Εικόνα 1. Θερμική απεικόνιση νεογνού ζαρκαδιού.'''
Το τρίχωμα των νεογνών του ζαρκαδιού παρέχει ελάχιστη θερμομόνωση, με αποτέλεσμα να γίνονται εύκολα ανιχνεύσιμα με χρήση θερμικής κάμερας όταν το περιβάλλον τους είναι αρκετά ψυχρό.]]

'''Συγγραφέας: '''Martin Israel

'''Δημοσιεύθηκε: ''' ''International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XXXVIII-1/C22, UAV-g 2011, Conference on Unmanned Aerial Vehicle in Geomatics, 2011, Zurich, Switzerland''

[[Εικόνα:RSpaper1.0_equation_Ntolka.JPG | thumb| right|'''Εξίσωση 1''' Η μέγιστη γωνιακή απόκλιση ''α'' κατά την οποία η κάμερα μπορεί να εντοπίσει ένα νεογνό ζαρκαδιού μεγέθους ''f'' = 30cm σε ένα λιβάδι με μέσο ύψος χόρτου ''h'' = 1m λόγω οπτικής απόφραξης, υπολογίζεται από την παραπάνω τριγωνομετρική εξίσωση, (όπου:''α'' η μέγιστη απόκλιση της γωνίας ανάμεσα στην κατεύθυνση θέασης και την κατακόρυφο από τον παρατηρητή (την κάμερα), ''f'' το μέγεθος του νεογνού, ''h'' το μέσο ύψος του χορταριού στο χωράφι, ''¯f'' το μέσο πλάτος της λωρίδας σάρωσης της κάμερας, ''¯h'' η απόσταση ανάμεσα στην κάμερα και το έδαφος.]]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/225022287_A_UAV-based_ROE_deer_fawn_detection_system]

[[Εικόνα:RSpaper1.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Γεωμετρικοί περιορισμοί. ''']]

'''Λέξεις-Κλειδιά: ''' UAV, θερμική απεικόνιση, διάσωση ζώων, τηλεπισκόπηση, σύστημα ανίχνευσης, γεωργία, Octocopter

'''Εισαγωγή'''

[[Εικόνα:RSpaper1.3_Ntolka.JPG | thumb| right|'''Εικόνα 3. Falcon-8 MAV σε δράση.''']]

Εκτός από τα οικονομικά οφέλη, η προοδευτική εκβιομηχάνιση της γεωργίας συνεπάγεται επίσης προβλήματα. Η αύξηση τόσο του πλάτους όσο και της ταχύτητας εργασίας των μηχανών συγκομιδής οδηγεί σε αύξηση του κινδύνου που διατρέχουν τα άγρια ζώα που ζουν στη γεωργική γη. Το 96% των ζαρκαδιών (Capreolus capreolus) γεννιούνται στο χρονικό διάστημα μεταξύ Μαΐου και Ιουνίου, που συμπίπτει με την περίοδο χορτοκοπής των βοσκοτόπων. Τα νεογνά χρησιμοποιούν τα καλλιεργημένα βοσκοτόπια για να κρυφτούν από τους θηρευτές και κατά τη διάρκεια των δύο πρώτων μηνών της ζωής τους μένουν κατά κύριο λόγο κρυμμένα μέσα στα χορτάρια χωρίς να κινούνται. Με αυτόν τον τρόπο, εντοπίζονται δύσκολα από τους αγρότες και συχνά σκοτώνονται από τις μηχανές κοπής. Πέρα από το θάνατο των άγριων ζώων, το φαινόμενο αυτό μπορεί επίσης να οδηγήσει σε μεγάλη οικονομική ζημία για τον αγρότη. Σε περίπτωση που το πτώμα του ζώου δεν βρεθεί εγκαίρως, βακτήρια παράγουν την τοξίνη botulinum (BTX- Botox), με αποτέλεσμα την παρουσία ενός θανατηφόρου δηλητηρίου στις ζωοτροφές για τις αγελάδες.
Στην παρούσα εργασία, περιγράφεται ένα σύστημα ανίχνευσης νεογνών ζαρκαδιών, το οποίο βασίζεται στη χρήση μη επανδρωμένου ιπτάμενου οχήματος (UAV- Unmanned Aerial Vehicle) με σκοπό τον εντοπισμό και την μεταφορά τους μακριά από το χωράφι και την αποφυγή γεωργικών ατυχημάτων. Επειδή τα νεογνά εντοπίζονται δύσκολα στο ορατό φάσμα λόγω καμουφλάζ, ως βασικός αισθητήρας του συστήματος χρησιμοποιείται μία ελαφριά θερμική υπέρυθρη κάμερα (Εικόνα 1).

[[Εικόνα:RSpaper1.4_Ntolka.JPG | thumb| right|'''Εικόνα 4. Κάλυψη της περιοχής μελέτης.'''
Η κόκκινη γραμμή απεικονίζει μία σχηματική διαδρομή πτήσης, τα γκρι τετράγωνα αντιπροσωπεύουν την παρατηρούμενη έκταση στο έδαφος, και ο μπλε κύκλος παριστάνει το μικροαεροσκάφος . Υπάρχει αλληλοεπικάλυψη και στις δύο κατευθύνσεις ώστε να εξασφαλισθεί η πλήρης κάλυψη (σκούρο γκρι).]]

'''Υλικά και Μέθοδοι '''

'' Ζητήματα γεωμετρίας''

Για τη συγκεκριμένη εφαρμογή, η κάμερα λειτουργεί καλύτερα με ένα οπτικό πεδίο γωνίας 34° για κατακόρυφη θέαση, που αντιστοιχεί στο διπλάσιο της γωνιακής απόκλισης α (Εξίσωση 1- Εικόνα 2) ανάμεσα στην κατεύθυνση θέασης της κάμερας και την κατακόρυφο από το έδαφος) . Πέρα από αυτό το σημείο, το χορτάρι μπορεί να κρύψει τελείως ένα νεογνό στις άκρες της εικόνας ανεξαρτήτως της απόστασης της κάμερας από το έδαφος. Η μέση θερμοκρασία σώματος του νεογνού περιέχει όλη την απαραίτητη πληροφορία για την ταξινόμησή του στο λιβάδι, επομένως μια ανάλυση εικονοστοιχείου (pixel) που αντιστοιχεί στο μέγεθος ενός νεογνού είναι αρκετή για την ανίχνευσή του. Παρόλα αυτά, για να αποφύγουμε την απώλεια πληροφορίας και δεδομένου ότι το μέγεθος ενός νεογνού αντιστοιχεί σε περίπου 30cm, το μέγεθος του εικονοστοιχείου στο έδαφος θα πρέπει να είναι μικρότερο από 15cm.
Για τη συγκεκριμένη μελέτη επιλέχθηκε η θερμική κάμερα πυρήνα Tau640 της FLIR με 640x512 εικονοστοιχεία και φακούς με οπτικό πεδίο (FOV) 32°x 26°, η οποία μπορεί θεωρητικά να εντοπίσει ένα νεογνό στο χωράφι από ένα μέγιστο ύψος 166 μέτρων, ενώ η πτήση σε χαμηλότερο υψόμετρο αυξάνει τη βεβαιότητα ανίχνευσης.

[[Εικόνα:RSpaper1.5_Ntolka.JPG | thumb| right|'''Εικόνα 5. Στιγμιότυπο οθόνης του Waypoint Editor'''

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).]]

''Περιγραφή συστήματος''

Η θερμική κάμερα τοποθετήθηκε στο μικρό αεροσκάφος (MAV-micro air vehicle) Falcon-8 της Ascending Technologies GmbH (Eικόνα 3), το οποίο μπορεί να λάβει γεωαναφερόμενες εικόνες υψηλής ποιότητας. Κατά την πραγματοποίηση του πειράματος σαρώθηκε ολόκληρη την περιοχή μελέτης με διαδοχικές πτήσεις σε ευθείες διαδρομές, μεταξύ ενδιάμεσων σταθμών που ισαπέχουν μεταξύ τους (Eικόνα 4). Για τον εντοπισμό των νεογνών, αρχικά πραγματοποιήθηκε η ανίχνευση των θερμών σημείων με πτήσεις σε μεγάλο ύψος (κάλυψη μεγαλύτερης έκτασης σε λιγότερο χρόνο) και η ακόλουθη ταυτοποίησή των νεογνών με πτήσεις σε χαμηλότερο (μεγαλύτερη διακριτικότητα εικόνας). Ο χειριστής του αεροσκάφους μπορεί να παρακολουθεί ζωντανά τη θέαση της κάμερας από το έδαφος, μέσω αναλογικής ροής video. Ταυτόχρονα γίνεται η λήψη των θερμικών εικόνων, ενώ τα δεδομένα για κάθε ενδιάμεσο σταθμό (η θερμική εικόνα, η τρέχουσα θέση της κάμερας, το υψόμετρο πτήσης και η γωνία κλίσης της κάμερας) αποθηκεύονται σε κάρτα microSD. Ο αλγόριθμος αναγνώρισης προτύπου στέλνει τα αποτελέσματα μέσω ραδιοσύζευξης στον σταθμό εδάφους, δίνοντας στον χειριστή τις απαραίτητες πληροφορίες για τη λήψη αποφάσεων.

''Ροή εργασίας''

Για την ανίχνευση και τη διάσωση των νεογνών κατά τη διάρκεια της χορτοκοπής των βοσκοτόπων με χρήση UAV χρειάζεται να δουλέψουν τουλάχιστον 2 άτομα. Ένας ενεργεί ως πιλότος και ένας χρειάζεται να πηγαίνει στο εντοπισμένο νεογνό και να το απομακρύνει από το χωράφι. Η διαδικασία της συγκεκριμένης εργασίας χωρίζεται στα εξής βήματα: α) ''σχεδιασμός σημείων ενδιάμεσων σταθμών (waypoint planning)'', β) ''ανίχνευση θερμών σημείων'' και καταγραφή της θέσης τους κατά την πτήση σε μεγάλο ύψος (30-50m) , γ) ''αναγνώριση/ταυτοποίηση'' νεογνού, μέσω παρατήρησης της θερμικής και οπτικής βιντεοπροβολής που λαμβάνεται με τη διενέργεια πτήσης πάνω από τη θέση του θερμού σημείου και σε χαμηλότερο ύψος, δ) ''ανάκτηση'' του εντοπισμένου νεογνού με τη βοήθεια συσκευής GPS χειρός, ε) ''διάσωση'' και στ) ''απελευθέρωση''. Ο σχεδιασμός των σημείων των ενδιάμεσων σταθμών και η γενική προετοιμασία της εργασίας πρέπει να γίνεται πριν την διενέργεια της πτήσης. Για τον σκοπό αυτό, αναπτύχθηκε από τους ερευνητές η διαδικτυακή εφαρμογή Waypoint Editor, η οποία στηρίζεται στην διεπαφή προγραμματισμού της εφαρμογής του Google Maps (API). Με χρήση δορυφορικής απεικόνισης, οριοθετήθηκε το χωράφι και σημάνθηκε η θέση εκτόξευσης του αεροσκάφους. Στη συνέχεια η εφαρμογή υπολόγισε μια βελτιστοποιημένη διαδρομή πτήσης με προκαθορισμένη απόσταση ανάμεσα στους ενδιάμεσους σταθμούς (Εικόνα 5).

[[Εικόνα:RSpaper1.6_Ntolka.JPG | thumb| right|'''Εικόνα 6. Μείωση της αντίθεσης μιας σκηνής με τυπική διαμόρφωση AGC, όταν μια θερμή περιοχή εισέρχεται στο οπτικό πεδίο''' (δεξιά εικόνα). Ο κόκκινος κύκλος δείχνει και στις δύο εικόνες, το ίδιο νεογνό που περιβάλλεται από έναν φράχτη.]]

''Θερμική κάμερα''

Προκειμένου να επιτευχθεί υψηλή ευαισθησία, κάθε εικονοστοιχείο του θερμικού ανιχνευτή παρέχει ένα σήμα 14-bit (> 15000 επίπεδα του γκρι). Το ανθρώπινο οπτικό σύστημα μπορεί να διακρίνει μόνο περίπου 128 επίπεδα του γκρι (7 bit) και επομένως η αρχική εικόνα των 14 bit πρέπει να συμπιεστεί. Η υψηλή αντίθεση της σκηνής στην εικόνα σταθμίζεται με ένα αυτόματο σύστημα κέρδους ελέγχου (AGC- automatic gain control) (Εικόνες 6,7).

[[Εικόνα:RSpaper1.7_Ntolka.JPG | thumb| right|'''Εικόνα 7. Αποκόμματα(cut-outs) θερμικής απεικόνισης κλασικών θερμών σημείων σε ύψος πτήσης 30 και 50 μέτρων.''' Οι μικρές εικόνες στα αριστερά αποτελούν ενισχυμένα τμήματα 64x64 εικονοστοιχείων από τη λήψη θερμικών απεικονίσεων. Η εικόνα f αποτελεί περικοπή της εικόνας πλήρους μεγέθους g. Σε ύψος πτήσης 50m, ένα νεογνό αντιπροσωπεύεται από μόνο 40 από τα 327.680 εικονοστοιχεία.]]

'''Αποτελέσματα & Συζήτηση'''

Οι εργασίες πεδίου πραγματοποιήθηκαν μέσα σε 15 μέρες, τον Μάιο και τον Ιούνιο του 2011. Το σύστημα ανίχνευσης νεογνών ελέγχθηκε σε διαφορετικές χρονικές στιγμές της ημέρας και διαφορετικές καιρικές συνθήκες και συνθήκες φωτισμού. Συνολικά σαρώθηκαν 70,77 εκτάρια, από τα οποία τα 44,2 ha σαρώθηκαν σε 22 πτήσεις σε ύψος 50 m και τα 26,6 ha σε 28 πτήσεις σε ύψος 30m. Η πτήση σε ύψος άνω των 50 μέτρων συχνά οδηγούσε σε απώλεια εντοπισμού του νεογνού. Συνολικά ανιχνεύθηκαν 14 νεογνά, τα περισσότερα εκ των οποίων βρέθηκαν όταν επικρατούσαν συνθήκες βέλτιστου φωτισμού.

'''Συμβολή της Τηλεπισκόπησης'''

Η χρήση ενός μη επανδρωμένου ιπτάμενου οχήματος UAV με θερμική υπέρυθρη κάμερα για την εξ αποστάσεως ανίχνευση των νεογνών του ζαρκαδιού στα χωράφια κατά τη διάρκεια της χορτοκοπής, αποτελεί μία εύκολη, γρήγορη και αξιόπιστη μέθοδο για την αποφυγή των γεωργικών ατυχημάτων και το θάνατο των άγριων ζώων που ζουν στις γεωργικές εκτάσεις από τις μηχανές κοπής.

[[category:Εφαρμογές άγριας πανίδας]]

[[category:Γεωργία]]

[[category: Οικολογία]]

Ανίχνευση δασικών δρόμων με χρήση δεδομένων LiDAR

2019-02-21T07:47:27Z

Ntolka Eirini:

'''Ανίχνευση δασικών δρόμων με χρήση δεδομένων LiDAR '''
[[Εικόνα:RSpaper9.1_Ntolka.JPG | thumb| right|'''Εικόνα 1.''' (a) '''DTM''',(b) '''DSM''', (c) '''DNTM''', (d) '''Δεδομένα έντασης ''']]

'''Πρωτότυπος τίτλος:''' ''Forest Road Detection Using LiDAR Data''

[[Εικόνα:RSpaperT9.1_Ntolka.JPG | thumb| right|'''Πίνακας 1. SVM μήτρα ταξινόμησης '''(Support Vector Machine - Μηχανή Διανυσματικής Υποστήριξης ) ]]

'''Συγγραφείς: ''' Zahra Azizi, Akbar Najafi, Saeed Sadeghian

'''Δημοσιεύθηκε: ''' ''Journal of Forestry Research 25(4): 975-980, Δεκέμβριος 2014, doi: 10.1007/s11676-014-0544-0''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/267816462_Forest_Road_Detection_Using_LiDAR_Data]

'''Λέξεις-Κλειδιά: ''' δασικός δρόμος, LiDAR, SVM, μέθοδος IDW

[[Εικόνα:RSpaper9.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Πεδίο ρύθμισης κεντρικών γραμμών '''(πράσινο)''' και ψηφιοποιημένη κεντρική γραμμή''' (ροζ)'''. ''']]

[[Εικόνα:RSpaperT9.2_Ntolka.JPG | thumb| right|'''Πίνακας 2. Εκτιμήσεις της SVM ταξινόμησης.''']]

'''Εισαγωγή'''

Η λεπτομερής και ακριβής καταγραφή των δασικών δρόμων είναι πολύ σημαντική για τη διαχείριση των δασών. Είναι απαραίτητο να υπάρχει ένας λεπτομερής χάρτης για κάθε δασικό δρόμο, ώστε να διευκολύνονται δραστηριότητες, όπως η λήψη μέτρων αντιπυρικής προστασίας, η μεταφορά δασικών προϊόντων, τα ταξίδια, η αναψυχή και η εκπαίδευση. Οι δρόμοι αποτελούν, επίσης, ένα σημαντικό θεματικό επίπεδο δεδομένων (data layer) στα Γεωγραφικά Συστήματα Πληροφοριών (GIS - Geographical Information Systems).

Η χρήση δεδομένων GPS αποτελεί μέχρι σήμερα την καταλληλότερη μέθοδο για την ενημέρωση των πληροφοριών σε σχέση με τους δασικούς δρόμους του Ιράν, κυρίως λόγω του χαμηλού της κόστους. Ωστόσο, είναι συχνά ανακριβής και χρονοβόρα. Κατά την εφαρμογή της σε δασικές περιοχές εμφανίζονται διάφορα προβλήματα, όπως η χαμηλή διαθεσιμότητα των δορυφορικών σημάτων κάτω από το θόλο των δέντρων.

Η αυτοματοποιημένη εξαγωγή (extrapolation) δρόμων με τη χρήση δεδομένων τηλεπισκόπησης μπορεί να συμβάλλει στην εξοικονόμηση του χρόνου και κόστους εργασίας για την ενημέρωση μιας βάσης δεδομένων δασικών δρόμων. Η χαρτογράφηση της επιφάνειας της γης χρησιμοποιώντας ένα σύστημα ''LiDAR (Light Detection and Ranging)'' αποτελεί την πιο ακριβή μέθοδο. Η LiDAR χρησιμοποιείται για τη λήψη πληροφοριών σε σχέση με τη μορφολογία του εδάφους και στηρίζεται στην εκπομπή παλμικής ακτινοβολίας laser στην ατμόσφαιρα και στην ακόλουθη καταγραφή της οπισθοσκεδαζόμενης ακτινοβολίας για την καταγραφή της απόστασης από την επιφάνεια της γης.
Αποτελεί μια αξιόπιστη τεχνική για τη συλλογή υψομετρικών δεδομένων διαφόρων επιπέδων επιφανείας, ανάλογα με τη διείσδυση της δέσμης laser προς το έδαφος. Αυτά τα δεδομένα μπορούν να χρησιμοποιηθούν για τη δημιουργία ενός Ψηφιακού Υψομετρικού Μοντέλου ''(DEM - Digital Elevation Model)'', και η καταγραφή της έντασης της οπισθοσκεδαζόμενης ακτινοβολίας μπορεί να χρησιμοποιηθεί για την ταξινόμηση των επιφανειακών αντικειμένων. Σε περιοχές όπου υπάρχει βλάστηση, οι πρώτες επιστροφές της ακτινοβολίας αντιστοιχούν γενικά στο ανώτερο επίπεδο του θόλου (στις κορυφές της κόμης των δέντρων) και χρησιμοποιούνται για τη δημιουργία των Ψηφιακών Επιφανειακών Μοντέλων ''(DSM - Digital Surface Model)'', ενώ οι τελευταίες επιστροφές αντιστοιχούν στην επιφάνεια του εδάφους και χρησιμοποιούνται για τη δημιουργία των Ψηφιακών Εδαφικών Μοντέλων ''(DTM - Digital Terrain Model)''. Τα δεδομένα DEM είναι συνήθως σε μορφή ψηφιδωτού (raster) και δημιουργούνται χρησιμοποιώντας τεχνικές χωρικής παρεμβολής πάνω σε σημειακά δεδομένα. Οι πιο κοινοί τύποι επιφανειών είναι αυτοί που παράγονται από τα δίκτυα ακανόνιστων τριγώνων ''(TIN - Triangulated Irregular Network) ''ή τη μέθοδο αντίστροφης βαρύνουσας απόστασης ''(IDW - Inverse Distance Weighting)''.

Η ταξινόμηση των δεδομένων LiDAR σε αντικείμενα όπως ένας δρόμος, ένα δέντρο και ένα κτίριο σε μια δασική περιοχή έχει αποτελέσει ένα δύσκολο έργο στις μελέτες τηλεπισκόπησης. Μέχρι πρόσφατα, η Μηχανή Διανυσματικής Υποστήριξης ''(SVM - Support Vector Machine)'' υπήρξε μια δημοφιλής και αξιόπιστη προσέγγιση για την ταξινόμηση των δεδομένων με στόχο την εξαγωγή δρόμων.

Σκοπός αυτής της μελέτης ήταν ο προσδιορισμός της καταλληλότητας της τεχνολογίας LiDAR για την εξαγωγή δασικών δρόμων. Ακολουθήθηκε μια διαδικασία τριών σταδίων: Στο πρώτο στάδιο χρησιμοποιήθηκε η μέθοδος χωρικής παρεμβολής IDW, ώστε να δημιουργηθούν τα στρώματα DSM, DTM και ''DNTM (Digital Non Terrain Model)''. Στο δεύτερο στάδιο, ταξινομήθηκαν τα δεδομένα LiDAR με χρήση του αλγόριθμου SVM, ώστε να εξαχθεί ένας δασικός δρόμος και στο τελευταίο στάδιο πραγματοποιήθηκε αξιολόγηση της ακρίβειας των αποτελεσμάτων. Η θέση του δρόμου αξιολογήθηκε με βάση τα ακόλουθα κριτήρια: α)την ''ταξινόμηση'', καθορισμός του ποσοστού της οδικής περιοχής που θα μπορούσε να προσδιοριστεί ορθά με τα δεδομένα LiDAR, β) την ''ακρίβεια θέσης'', καθορισμός του 95ου εκατοστημορίου της οριζόντιας απόστασης που διαχωρίζει την προερχόμενη από το LiDAR κεντρική γραμμή και την επιβεβαιωμένη από έρευνα πεδίου κεντρική γραμμή του δρόμου.

'''Περιοχή μελέτης'''

Η περιοχή μελέτης αποτελεί τμήμα των δασών Hyrcanian στην επαρχία Golestan του Ιράν. H μορφολογία του εδάφους είναι κρημνώδης, ανομοιόμορφη, με υψόμετρα που κυμαίνονται από 290 έως 720 m και κλίσεις επιφάνειας εδάφους από 3% έως 65%. Ο δασικός δρόμος χτίστηκε το 1990 και χρησιμοποιήθηκε για την πρόσβαση στο δάσος Shastkola για τη συγκομιδή ξυλείας, την πραγματοποίηση ερευνών πεδίου και τη διαχείριση και προστασία των δασών. Το μέσο πλάτος της επιφάνειας του οδοστρώματος ήταν 3,5 m. Ορισμένα τμήματα του δρόμου ήταν κρυμμένα κάτω από το θόλο του δάσους, με μέσο όρο κάλυψής του 80% και εύρος 40-100%.

'''Υλικά και Μέθοδοι '''

''Πηγές δεδομένων''

Τα δεδομένα LiDAR συλλέχθηκαν από τον Εθνικό Γεωγραφικό Οργανισμό του Ιράν (NGO), χρησιμοποιώντας έναν αισθητήρα τοποθετημένο σε αεροσκάφος σταθερής πτέρυγας. Η έρευνα διεξήχθη τον Οκτώβριο του 2011 και τα δεδομένα LiDAR συμπεριλάμβαναν τις πρώτες και τελευταίες επιστροφές των δεδομένων απόστασης και έντασης ακτινοβολίας laser, με μέση πυκνότητα σημείων στην επιφάνεια τα 4 σημεία/m2. Για την αξιολόγηση της εξαγωγής του δρόμου, χρησιμοποιήθηκαν 2 διανυσματικά θεματικά επίπεδα. Ένα από 87 σημεία ελέγχου με οριζόντια ακρίβεια 0,08 m, και ένα ακόμα οδικό δίκτυο (σε μορφή γραμμών) από προηγούμενες μελέτες στην ίδια περιοχή.

''Προεπεξεργασία & προετοιμασία των στρωμάτων''

Για τη δημιουργία ενός ακριβούς DEM, πριν την παρεμβολή του σε μορφή raster, πρέπει να αφαιρεθούν τα μη εδαφικά σημεία. Στην παρούσα έρευνα για το φιλτράρισμα του εδάφους (ground filtering) χρησιμοποιήθηκαν οι τελευταίες επιστροφές παλμού, καθώς διαπερνούν τη βλάστηση και φτάνουν πιο κοντά στην επιφάνεια του εδάφους. Τα μη εδαφικά σημεία αφαιρέθηκαν με την εφαρμογή της Εξίσωσης 1, με βάση την οποία η διαφορά μεταξύ του πρώτου και του τελευταίου παλμού δεν πρέπει να είναι μικρότερη από μια συγκεκριμένη τιμή κατωφλίου ''Τ''. Στην περίπτωση που η διαφορά είναι μικρότερη από Τ, το σημείο αφαιρείται. Το Τ υπολογίζεται μέσω της Εξίσωσης 2, όπου ''σ''είναι το σφάλμα στη μέτρηση του υψομέτρου στα δεδομένα LiDAR.
Για τον επανυπολογισμό των αφαιρεθέντων σημείων, εφαρμόσθηκε στη συνέχεια η μέθοδος παρεμβολής IDW.Από τα δεδομένα για τον τελευταίο παλμό δημιουργήθηκε ένα Ψηφιακό Εδαφικό Μοντέλο (DTM) και από τα δεδομένα για τον πρώτο παλμό ένα Ψηφιακό Επιφανειακό Μοντέλο (DSM). Για να απαλειφθεί η τοπογραφική επίδραση στον προσδιορισμό του δρόμου χρησιμοποιήθηκε ένα Ψηφιακό Μη Εδαφικό Μοντέλο (DNTM), (Εξίσωση 3):

First Pulse – Last Pulse > Τ (1)

T ≥ √(σ^2*First Pulse+σ^2*Last Pulse) (2)

DNTM = DSM – DTM (3)

''Ταξινόμηση SVM & αξιολόγηση αποτελεσμάτων''

Tα δεδομένα LiDAR για την ένταση της ακτινοβολίας ταξινομήθηκαν μέσω της μηχανής εκπαίδευσης SVM σε δύο κατηγορίες. Στη μία κατηγορία αντιστοιχούσαν τα δεδομένα που υποδείκνυαν την εύρεση δρόμου και στην άλλη αυτά που δεν την υποδείκνυαν. Στη συνέχεια, στην ταξινόμηση χρησιμοποιήθηκαν και τα LiDAR δεδομένα απόστασης, ώστε να αφαιρεθούν τα εικονοστοιχεία τα οποία είχαν ραδιομετρικές τιμές παρόμοιες με τα εικονοστοιχεία επιφάνειας δρόμου, αλλά δεν αποτελούσαν εικονοστοιχεία δρόμου.
Η αξιολόγηση των εξαχθέντων δεδομένων δρόμου έγινε σε 2 στάδια.
Κατά το πρώτο στάδιο, συγκρίθηκαν οι αυτόματα εξαχθείσες κεντρικές γραμμές του δρόμου με τους χειροκίνητα σχεδιασμένους οδικούς άξονες, οι οποίοι χρησιμοποιήθηκαν ως δεδομένα αναφοράς. Συγκεκριμένα, με χρήση του αλγόριθμου SVM υπολογίσθηκε ο αριθμός των εξαχθέντων δρόμων που αντιστοιχούσε ορθά - «ταίριαζε» στον αριθμό του οδικού δικτύου αναφοράς. Τα αντιστοιχισμένα εξαχθέντα για τους δρόμους δεδομένα χαρακτηρίζονταν ως ορθώς θετικά ( ΤP - True Positive), υπογραμμίζοντας το γεγονός ότι ο αλγόριθμος εξαγωγής βρήκε πράγματι δρόμο. Τα εξαχθέντα δεδομένα δρόμου που δεν συνέπιπταν με αυτά του δικτύου αναφοράς χαρακτηρίζονταν ως ψευδώς θετικά (FP – False Positive). Στη συνέχεια, η σύγκριση των δεδομένων έγινε με αντίστροφο τρόπο, δηλαδή εξετάζοντας αν τα δεδομένα αναφοράς ταιριάζουν με τα εξαχθέντα για τους δρόμους δεδομένα, τα οποία χρησιμοποιούνταν ως βάση. Τα δεδομένα αναφοράς που δεν συνέπιπταν με τα εξαχθέντα δεδομένα χαρακτηρίζονταν ως λανθασμένα αρνητικά (FN - False Negative) ενώ αυτά που συνέπιπταν ως ορθώς θετικά ( TP - True Positive).
Κατά το δεύτερο στάδιο, για την αξιολόγηση των εξαχθέντων δεδομένων δρόμου χρησιμοποιήθηκαν τρία μέτρα ποιότητας: η πληρότητα (completeness), η ορθότητα (correctness) και η ποιότητα (quality) (Εξισώσεις 4-6).

Completeness = TP/ (TP + FN) (4)

Correctness = TP/ (TP + FP) (5)

Quality = TP/ (TP + FP + FN) (6)

''Σύγκριση εξαχθείσας κεντρικής γραμμής δρόμου με εκείνη που προσδιορίστηκε από επιτόπια έρευνα ''

Η θέση της κεντρικής γραμμής δρόμου που προέκυψε από τα δεδομένα LiDAR με τη θέση της κεντρικής γραμμής από την έρευνα πεδίου, πραγματοποιήθηκε με χρήση 117 σημείων ελέγχου. Κατά αυτόν τον τρόπο, εκτιμήθηκε το ποσοστό του ψηφιοποιημένου δασικού δρόμου που «έπεσε» εντός (x) μέτρων από την εξεταζόμενη κεντρική γραμμή δρόμου. Η συνολική ακρίβεια θέσης εκτιμήθηκε με τον καθορισμό του 95ου εκατοστημορίου της οριζόντιας απόστασης που διαχωρίζει την προερχόμενη από το LiDAR κεντρική γραμμή και την επιβεβαιωμένη από την έρευνα πεδίου κεντρική γραμμή του δρόμου

'''Αποτελέσματα'''

Σύμφωνα με τα αποτελέσματα της μεθόδου παρεμβολής IDW, τα σημεία που έπρεπε να αφαιρεθούν από το νέφος σημείων LiDAR αντιστοιχούσαν σε λιγότερο από το 10% του συνόλου των σημειακών δεδομένων. Το μέσο τετραγωνικό σφάλμα πρόβλεψης ''(RMSE- Root Mean Square Error)'' για την παρεμβολή των δεδομένων LiDAR ήταν 0,19 m και τα στρώματα DSM, DTM και DNTM δημιουργήθηκαν με χωρική ανάλυση 1 m (Εικόνα 1).
Η Μηχανή Διανυσματικής Υποστήριξης (SVM) κατηγοριοποίησε τα δεδομένα έντασης LiDAR και τα συγχωνευμένα δεδομένα (δεδομένα έντασης και DNTM) σε δύο κατηγορίες, «δρόμος» και «μη δρόμος», συμβάλλοντας στον καλύτερο εντοπισμό της θέσης του δασικού δρόμου. Κάθε εικονοστοιχείο των εξαχθέντων δεδομένων δρόμου από το προηγούμενο στάδιο ανάλυσης ταξινομήθηκε ως ορθός θετικό (TP) ή ψευδώς αρνητικό (FN) ή ψευδώς θετικό (FP) (Πίνακας 1).
Η εφαρμογή των μέτρων ποιότητας για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης οδήγησε σε 75% πληρότητα, 63% ορθότητα και 52% ποιότητα (Πίνακας 2).
Οι άκρες του δρόμου ήταν καλά καθορισμένες στα στρώματα που εξήχθησαν με την LiDAR και επέτρεψαν την ακριβή ψηφιοποίηση της θέσης της κεντρικής γραμμής του δασικού δρόμου. Περισσότερο από το 95% των εξαχθέντων τμημάτων του δασικού δρόμου ψηφιοποιήθηκε εντός της απόσταση των 1,3 m από την κανονική κεντρική γραμμή που προσδιορίστηκε με έρευνα πεδίου (Εικόνα 2)

'''Συζήτηση & Συμβολή της Τηλεπισκόπησης'''

Στην παρούσα μελέτη, με χρήση της τεχνολογίας LiDAR ήταν δυνατό να γίνει εντοπισμός της θέσης ενός δασικού δρόμου με ακρίβεια ± 1.3 m, η οποία είναι σημαντικά βελτιωμένη σε σύγκριση με την ακρίβεια των ± 10 m που επιτυγχάνεται με τις παραδοσιακές πηγές δεδομένων για την χαρτογράφηση δρόμων στους 1: 25.000 τοπογραφικούς χάρτες στο Ιράν.
Η θέση των δασικών δρόμων αποτελεί σημαντική παράμετρο απογραφής για την αξιολόγηση της διαχείρισης των δασών. Ο εντοπισμός της μπορεί να επιτευχθεί με ακρίβεια και αποτελεσματικότητα χρησιμοποιώντας δεδομένα LiDAR υψηλής ανάλυσης, τα οποία μειώνουν την ανάγκη για έρευνες πεδίου για αυτή τη βασική παράμετρο. Τα οδικά δεδομένα που προκύπτουν από LiDAR μπορούν να αντιμετωπίσουν τα κενά που υπάρχουν στις τρέχουσες πηγές δεδομένων, ειδικά για δασικές εκτάσεις, και αποτελούν ένα πολύτιμο εργαλείο για την αξιολόγηση των δασικών δρόμων σε κλίμακες που δεν ήταν εφικτές στο παρελθόν.

'''Συντομογραφίες'''

DEM - Digital Elevation Model - Ψηφιακό Υψομετρικό Μοντέλο

DNTM - Digital Non Terrain Model

DSM - Digital Surface Model - Ψηφιακό Μοντέλο Επιφάνειας

DTM - Digital Terrain Model - Ψηφιακό Μοντέλο Εδάφους

GIS - Geographical Information - Γεωγραφικά Συστήματα Πληροφοριών

IDW - Inverse Distance Weighting - Αντίστροφης Βαρύνουσας Απόστασης

LiDAR - Light Detection and Ranging

RMSE - Root Mean Square Error - Μέσο Τετραγωνικό Σφάλμα Πρόβλεψης

SVM - Support Vector Machine - Μηχανή Διανυσματικής Υποστήριξης

TIN - Triangulated Irregular Network - Δίκτυα Ακανόνιστων Τριγώνων

[[category:Δασοπονία, Δασική διαχείριση]]

[[category: Οικολογία]]

Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα

2019-02-20T00:29:07Z

Ntolka Eirini:

'''Χρήση του Sentinel-2 για ταξινόμηση δασών σε Μεσογειακά οικοσυστήματα'''

'''Πρωτότυπος τίτλος:''' ''Use of Sentinel-2 for forest classification in Mediterranean environments''

[[Εικόνα:RSpaper4.2_Ntolka.JPG | thumb| right|'''Πίνακας 1.Διαθέσιμα φασματικά κανάλια για τον Sentinel-2. '''Στη συγκεκριμένη μελέτη χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα (10 και 20m).]]

'''Συγγραφείς: '''Nicola Puletti, Francesco Chianucci, Cristiano Castaldi

'''Δημοσιεύθηκε: ''' ''Annals of Silvicultural Research, November 2017, DOI: 10.12899/ASR-1463''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/321213981_Use_of_Sentinel-2_for_forest_classification_in_Mediterranean_environments]

[[Εικόνα:RSpaper4.3_Ntolka.JPG | thumb| right|'''Πίνακας 2. Οι δείκτες βλάστησης όπως υπολογίσθηκαν από την S2 απεικόνιση. Σταθμός ελέγχου εδάφους και μη επανδρωμένο ιπτάμενο όχημα ''' που χρησιμοποιήθηκαν στη μελέτη (Responder, ING Robotic Aviation).Με ''' p''' συμβολίζεται η τιμή ανάκλασης για κάθε εξεταζόμενο κανάλι του S2. Για την αναγνώριση του χρησιμοποιούμενου αριθμού καναλιού, βλ. Πίνακα 1. Δείκτες βλάστησης: δείκτης κανονικοποιημένης διαφοράς βλάστησης (NDVI), δείκτης αναλογικής βλάστησης (SRI), δείκτης NDVI «κόκκινης ακμής» (RENDVI), δείκτης ανακλαστικότητας ανθοκυανίνης (ARI1).]]

'''Λέξεις-Κλειδιά: ''' Ταξινόμηση δασών, Ευρωπαϊκού τύπου δάση, πολυφασματική δορυφορική απεικόνιση, Jeffries-Matusita (J-M) distance test, Τυχαίο δάσος

'''Εισαγωγή'''

[[Εικόνα:RSpaper4.4.Tables3-4_Ntolka.JPG | thumb| right|'''Πίνακες 3 & 4. Ο αριθμός των εικονοστοιχείων (10x10m pixels) που χρησιμοποιήθηκαν ως ROI για την ταξινόμηση σε δασικές κατηγορίες και σε ευρωπαϊκούς δασικούς τύπους (EFT), ξεχωριστά για τα σύνολα κατάρτισης (περιοχές εκπαίδευσης) και τα σύνολα επικύρωσης.'''EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea), EFT 8.7: Δάση καστανιάς. ]]

Η ταξινόμηση των δασικών κατηγοριών και τύπων, και οι χωρικά σαφείς πληροφορίες για τη δασική δομή και σύνθεση, παρέχουν πολύτιμα στοιχεία για την εκπλήρωση επιστημονικών, οικολογικών στόχων και τη συστηματική παρακολούθηση και διαχείριση των δασικών οικοσυστημάτων. Προκειμένου να μπορέσουμε να απαντήσουμε σε ένα μεγάλο εύρος οικολογικών ερωτημάτων σε σχέση με: τον προσδιορισμό των δασικών τύπων ή/και των διαδοχικών σταδίων ανάπτυξης, το ρυθμό αναδάσωσης ή αποψίλωσης, τη λειτουργική σύνθεση των δασών και τις παγκόσμιες περιβαλλοντικές μεταβολές, είναι πολύ σημαντικό να έχουμε ανοιχτή πρόσβαση σε υψηλής ποιότητας τηλεπισκοπικά δεδομένα, από δορυφορικούς αισθητήρες με μεγάλη συχνότητα επανεπίσκεψης της ίδιας περιοχής. Με αυτόν τον τρόπο, είναι δυνατό να επιτευχθεί μεγαλύτερη ακρίβεια στην ταξινόμηση των δασικών τύπων και επομένως, ορθότερη και λεπτομερέστερη χαρτογράφηση των δασικών οικοσυστημάτων. Γεγονός ιδιαιτέρως σημαντικό όσον αφορά τα Μεσογειακά δασικά οικοσυστήματα, καθώς χαρακτηρίζονται από μεγάλο αριθμό φυτικών ειδών, μεταβλητές πυκνότητες θόλων και την παρουσία ποικίλων διαφορετικών φαινολογικών προτύπων, περιπλέκοντας τη διαδικασία της ταξινόμησης από οπτικές δορυφορικές απεικονίσεις.
Ο ευρωπαϊκός δορυφόρος Sentinel-2 (S2), η αποστολή του οποίου ξεκίνησε τον Ιούνιο του 2015, μπορεί να συνδυάσει την υψηλή χωρική ανάλυση, με την ευρεία κάλυψη και τη μεγάλη συχνότητα επανεπίσκεψης (περίπου 5 ημέρες), προσφέροντας πρωτοφανείς ευκαιρίες για τη λεπτή διάκριση των κλάσεων κάλυψης γης, την ακριβή ταξινόμηση των δασικών τύπων και τη συστηματική παρακολούθησή τους σε μεσαίες-μεγάλες κλίμακες.
Κύριος στόχος της παρούσας μελέτης ήταν να αξιολογηθεί η ικανότητα των λειτουργικών δεδομένων του S2 να ταξινομήσουν τόσο τις δασικές κατηγορίες (αμιγή δάση κωνοφόρων, αμιγή δάση πλατύφυλλων, μεικτά δάση) όσο και τους ευρωπαϊκούς δασικούς τύπους (European Forest Types- EFT), σε ένα Μεσογειακό οικοσύστημα.
Λόγω της παρουσίας διαφορετικών φαινολογικών προτύπων στα Μεσογειακά δάση, έγινε επίσης σύγκριση της χρήσης των multitemporal (πολύ-χρονικών) έναντι των single time δεδομένων, ως προς την αποτελεσματικότητα της συγκεκριμένης ταξινόμησης.

'''Περιοχή μελέτης'''

Η μελέτη διεξήχθη σε μία εκτεταμένη δασική περιοχή (περίπου 470 km2), στο ανατολικό τμήμα της περιφέρειας της Τοσκάνης (Εικόνα 1). Δημιουργήθηκε μια περιοχή ενδιαφέροντος (Region Of Interest- ROI) από 1.061 θέσεις, κατανεμημένες σε τρία δασικά διαμερίσματα (3.960 εκταρίων). Σύμφωνα με την Ευρωπαϊκή ταξινόμηση, η περιοχή καλύπτεται από τους εξής δασικούς τύπους: α) Ορεινό δάσος οξιάς Απέννινων-Κορσικής (EFT 7.3), (13,4%), β) Δάση καστανιάς (EFT 8.7), (35,3%), γ) Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης (EFT 3.2), (8,9%) και δ) Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea) (EFT 8.2), (38,1%).

[[Εικόνα:RSpaper4.1_Ntolka.JPG | thumb| center|'''Εικόνα 1. Δορυφορική απεικόνιση Sentinel-2 ολόκληρης της περιοχής μελέτης με χρήση φυσικού έγχρωμου σύνθετου. ''' Οι περιοχές ενδιαφέροντος (ROI) έχουν επισημανθεί με λευκό χρώμα.]]

[[Εικόνα:RSpaper4.5_Ntolka.JPG | thumb| right|'''Πίνακας 5. Τα αποτελέσματα του δείκτη J-M ''' για τα ζεύγη των δασικών κατηγοριών (Con- αμιγή δάση κωνοφόρων, Broad- αμιγή δάση πλατύφυλλων, Mix-μεικτά δάση) με χρήση single date (της ίδιας ημερομηνίας) και multitemporal (πολυ-χρονικών) S2 απεικονίσεων]]

[[Εικόνα:RSpaper4.6_Ntolka.JPG | thumb| right|''' Πίνακας 6. Τα αποτελέσματα του δείκτη J-M των επιλεγμένων EFT.''' EFT 3.2: Υποαλπικό και ορεινό δάσος ερυθρελάτης, και ορεινό μεικτό δάσος ερυθρελάτης- λευκής ελάτης, EFT 7.3: Ορεινό δάσος οξιάς Απέννινων-Κορσικής, EFT 8.2: Δάση δρυών (Quercus cerris, Q. frainetto, Q. petraea), EFT 8.7: Δάση καστανιάς.]]

'''Υλικά και Μέθοδοι '''

Από τα 13 διαθέσιμα φασματικά κανάλια του S2, χρησιμοποιήθηκαν μόνο τα κανάλια με υψηλή χωρική διακριτική ικανότητα, της τάξεως των 10 και 20m (Πίνακας 1). Πραγματοποιήθηκε λήψη τριών λειτουργικών S2 απεικονίσεων (Level-1C Top-of-Atmosphere reflectance products) από το Scientific Hub, οι οποίες κάλυπταν διαφορετικές φαινολογικές περιόδους (χειμώνας, άνοιξη, καλοκαίρι). Η επαναδειγματοληψία τους έγινε σε χωρική ανάλυση της τάξης των 10m από την πλατφόρμα εφαρμογής του Sentinel (SNAP), η οποία διατίθεται στο δικτυακό τόπο του ESA. Τα δέκα κανάλια εισήχθησαν σε λογισμικό ENVI, και στη συνέχεια συνενώθηκαν και περικόπηκαν στην περιοχή ενδιαφέροντος.
Σε ένα πρώτο βήμα ανάλυσης, προσδιορίστηκε η ικανότητα ταξινόμησης των περιοχών ενδιαφέροντος (ROI) ξεχωριστά για τις τρεις διαφορετικές δορυφορικές απεικονίσεις (χειμώνας, άνοιξη, καλοκαίρι), με επαναδειγματοληψία των S2 καναλιών στα 10m, με και χωρίς την επιπλέον χρήση τεσσάρων δεικτών βλάστησης (Πίνακας 2). Για την αξιολόγηση χρησιμοποιήθηκε ο δείκτης συγγένειας Jeffries-Matusita (J-M). Τιμές του J-M μεγαλύτερες του 1,8 υποδεικνύουν στατιστικά καλό διαχωρισμό μεταξύ των ROI. Σε ένα επόμενο στάδιο, έγινε σύνθεση των τριών S2 απεικονίσεων και η ανάλυση επαναλήφθηκε, ώστε να διερευνηθεί το κατά πόσον η χρήση πολύ-χρονικών δεδομένων θα βελτιώσει τη δασική ταξινόμηση. Η καλύτερη διευθέτηση (configuration) με βάση τον J-M, χρησιμοποιήθηκε στη συνέχεια για την ταξινόμηση των S2 απεικονίσεων με τη μέθοδο του «Τυχαίου Δάσους».
Τα εικονοστοιχεία των ROI χωρίστηκαν τυχαία σε σύνολα κατάρτισης (περιοχών εκπαίδευσης) και σύνολα επικύρωσης (Πίνακας 3 & Πίνακας 4), σε ποσοστό 70% και 30% αντίστοιχα. Η ανάλυση της ταξινόμησης πραγματοποιήθηκε με χρήση του πακέτου 'randomForest' στην γλώσσα προγραμματισμού R (R Core Team, 2017). Το μοντέλο «Τυχαίου Δάσους» χτίστηκε πάνω στα σύνολα κατάρτισης. Για τον υπολογισμό της συνολικής ακρίβειας (OA), της ακρίβειας παραγωγού (PA), της ακρίβειας χρήστη (UA) και του συντελεστή Kappa της ταξινόμησης χρησιμοποιήθηκε ο πίνακας συνάφειας, ο οποίος προέκυψε ύστερα από εφαρμογή του μοντέλου σε ολόκληρο το σετ επικύρωσης.
Τέλος, το επικυρωμένο μοντέλο εφαρμόστηκε στο σύνολο της περιοχή μελέτης (470 km2) και παρήχθησαν χάρτες χωρικής ανάλυσης 10 m τόσο για τις δασικές κατηγορίες όσο και για τους δασικούς τύπους (EFTs).

[[Εικόνα:RSpaper4.7_Ntolka.JPG | thumb|center| '''Εικόνα 2. Διάγραμμα ροής της μεθοδολογίας «Τυχαίου Δάσους» (Random Forest- RF)''', που εφαρμόστηκε στη μελέτη.]]

[[Εικόνα:RSpaper4.8.Tables7-8_Ntolka.JPG | thumb| right|'''Πίνακες 7 & 8. Μήτρα σύγχυσης (confussion matrix) του καλύτερου αποτελέσματος χωρικής διευθέτησης (configuration) (βλ. Πίνακα 5) για την ταξινόμηση σε δασικές κατηγορίες και σε EFTs, εκφρασμένο με τον αριθμό των εικονοστοιχείων του συνόλου επικύρωσης.''']]

[[Εικόνα:RSpaper4.8.Tables9-10_Ntolka.JPG | thumb| right|'''Πίνακες 9 & 10. Ακρίβεια του ταξινομητή RF στο σύνολο επικύρωσης των δασικών κατηγοριών και των δασικών τύπων (EFT).''' CE: Commission Error - Σφάλμα συμπερίληψης, OE: Omission Error - Σφάλμα παράλειψης, PA: Producer Accuracy - Ακρίβεια παραγωγού, UA: User Accuracy - Ακρίβεια χρήστη.]]

'''Αποτελέσματα '''

Τα αποτελέσματα του δείκτη Jeffries-Matusita για τα ζεύγη των δασικών κατηγοριών και τα ζεύγη δασικών τύπων παρουσιάζονται στους πίνακες 5 και 6, αντίστοιχα.
Η χρήση πολυ-χρονικών δεδομένων με τη συμπερίληψη δεικτών βλάστησης έδωσε τα καλύτερα αποτελέσματα σε σχέση με την ταξινόμηση των δασικών κατηγοριών, ενώ η χρήση των μεμονωμένων απεικονίσεων από τα 10 κανάλια (single images) δεν ήταν δυνατό να ξεχωρίσει τα μεικτά από τα αμιγή δάση. Η χρήση μοναδικών απεικονίσεων (άνοιξης και καλοκαιριού) επαρκούσε για τον αποτελεσματικό διαχωρισμό μεταξύ όλων των δασικών τύπων, με εξαίρεση τα δάση δρυών και καστανιάς, και παρουσίαζε σημαντική βελτίωση με την επιπλέον χρήση του δείκτη RENDVI. Η καλύτερη διευθέτηση για τις δασικές κατηγορίες και τους δασικούς τύπους περιελάμβανε αντιστοίχως: 33 επίπεδα (10 κανάλια για τον χειμώνα, 10 για την άνοιξη, 10 για το καλοκαίρι και τους 3 δείκτες RENDVI) και 22 επίπεδα (10 κανάλια για την άνοιξη, 10 για το καλοκαίρι και 2 δείκτες RENDVI), τα οποία χρησιμοποιήθηκαν ξεχωριστά ως μεταβλητές εισόδου στο «Τυχαίο Δάσος» (Εικόνα 2). Η μήτρα σύγχυσης και τα αποτελέσματα ακρίβειας της ταξινόμησης RF παρουσιάζονται στους Πίνακες 7,8,9 και 10. Η συνολική ακρίβεια για τις δασικές κατηγορίες αντιστοιχεί σε ποσοστό 86,2% και για τους δασικούς τύπους σε 92,7%. Οι χάρτες που προέκυψαν ύστερα από την εφαρμογή των επικυρωμένων μοντέλων στο σύνολο της περιοχής μελέτης παρουσιάζονται στην Εικόνα 3.

[[Εικόνα:RSpaper4.9_Ntolka.JPG | thumb| center|'''Εικόνα 3. Χάρτες με τις δασικές κατηγορίες '''(αριστερά) '''και τους ευρωπαϊκούς δασικούς τύπους - EFTs '''(δεξιά), '''ύστερα από εφαρμογή των μοντέλων πρόβλεψης στην περιοχή μελέτης.''']]

'''Συζήτηση & Συμβολή της Τηλεπισκόπησης'''

Η χρήση τηλεπισκοπικών δεδομένων από το δορυφόρο Sentinel-2 μπορεί να αποτελέσει μια αποτελεσματική επιλογή για τη συστηματική παρακολούθηση και τη χαρτογράφηση των Μεσογειακών δασικών οικοσυστημάτων σε μεσαία-μεγάλη κλίμακα. Ο S2 παρουσιάζει μια σειρά από σημαντικά πλεονεκτήματα, τα οποία προσφέρουν τη δυνατότητα για μεγάλης ακρίβειας ταξινόμηση μεταξύ των δασικών τύπων, με σημαντικότερα τα εξής: την υψηλή διακριτική ικανότητα των φασματικών του καναλιών (10 και 20m), τη μεγάλη συχνότητα επανεπίσκεψης και τη δυνατότητα συμπερίληψης τεσσάρων καναλιών «κόκκινης ακμής» (red-edge bands).

[[category:Αναγνώριση δασικών ειδών]]

[[category: Οικολογία]]

Ένα σύστημα ανίχνευσης νεογνών ζαρκαδιών βασισμένο σε UAV

2019-02-20T00:24:55Z

Ntolka Eirini:

'''Ένα σύστημα ανίχνευσης νεογνών ζαρκαδιών βασισμένο σε UAV'''

'''Πρωτότυπος τίτλος:''' ''A UAV-based roe deer fawn detection system''

[[Εικόνα:RSpaper1.1_Ntolka.JPG | thumb| right|'''Εικόνα 1. Θερμική απεικόνιση νεογνού ζαρκαδιού.'''
Το τρίχωμα των νεογνών του ζαρκαδιού παρέχει ελάχιστη θερμομόνωση, με αποτέλεσμα να γίνονται εύκολα ανιχνεύσιμα με χρήση θερμικής κάμερας όταν το περιβάλλον τους είναι αρκετά ψυχρό.]]

'''Συγγραφέας: '''Martin Israel

'''Δημοσιεύθηκε: ''' ''International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XXXVIII-1/C22, UAV-g 2011, Conference on Unmanned Aerial Vehicle in Geomatics, 2011, Zurich, Switzerland''

[[Εικόνα:RSpaper1.0_equation_Ntolka.JPG | thumb| right|'''Εξίσωση 1''' Η μέγιστη γωνιακή απόκλιση ''α'' κατά την οποία η κάμερα μπορεί να εντοπίσει ένα νεογνό ζαρκαδιού μεγέθους ''f'' = 30cm σε ένα λιβάδι με μέσο ύψος χόρτου ''h'' = 1m λόγω οπτικής απόφραξης, υπολογίζεται από την παραπάνω τριγωνομετρική εξίσωση, (όπου:''α'' η μέγιστη απόκλιση της γωνίας ανάμεσα στην κατεύθυνση θέασης και την κατακόρυφο από τον παρατηρητή (την κάμερα), ''f'' το μέγεθος του νεογνού, ''h'' το μέσο ύψος του χορταριού στο χωράφι, ''¯f'' το μέσο πλάτος της λωρίδας σάρωσης της κάμερας, ''¯h'' η απόσταση ανάμεσα στην κάμερα και το έδαφος.]]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/225022287_A_UAV-based_ROE_deer_fawn_detection_system]

[[Εικόνα:RSpaper1.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Γεωμετρικοί περιορισμοί. ''']]

'''Λέξεις-Κλειδιά: ''' UAV, θερμική απεικόνιση, διάσωση ζώων, τηλεπισκόπηση, σύστημα ανίχνευσης, γεωργία, Octocopter

'''Εισαγωγή'''

[[Εικόνα:RSpaper1.3_Ntolka.JPG | thumb| right|'''Εικόνα 3. Falcon-8 MAV σε δράση.''']]

Εκτός από τα οικονομικά οφέλη, η προοδευτική εκβιομηχάνιση της γεωργίας συνεπάγεται επίσης προβλήματα. Η αύξηση τόσο του πλάτους όσο και της ταχύτητας εργασίας των μηχανών συγκομιδής οδηγεί σε αύξηση του κινδύνου που διατρέχουν τα άγρια ζώα που ζουν στη γεωργική γη. Το 96% των ζαρκαδιών (Capreolus capreolus) γεννιούνται στο χρονικό διάστημα μεταξύ Μαΐου και Ιουνίου, που συμπίπτει με την περίοδο χορτοκοπής των βοσκοτόπων. Τα νεογνά χρησιμοποιούν τα καλλιεργημένα βοσκοτόπια για να κρυφτούν από τους θηρευτές και κατά τη διάρκεια των δύο πρώτων μηνών της ζωής τους μένουν κατά κύριο λόγο κρυμμένα μέσα στα χορτάρια χωρίς να κινούνται. Με αυτόν τον τρόπο, εντοπίζονται δύσκολα από τους αγρότες και συχνά σκοτώνονται από τις μηχανές κοπής. Πέρα από το θάνατο των άγριων ζώων, το φαινόμενο αυτό μπορεί επίσης να οδηγήσει σε μεγάλη οικονομική ζημία για τον αγρότη. Σε περίπτωση που το πτώμα του ζώου δεν βρεθεί εγκαίρως, βακτήρια παράγουν την τοξίνη botulinum (BTX- Botox), με αποτέλεσμα την παρουσία ενός θανατηφόρου δηλητηρίου στις ζωοτροφές για τις αγελάδες.
Στην παρούσα εργασία, περιγράφεται ένα σύστημα ανίχνευσης νεογνών ζαρκαδιών, το οποίο βασίζεται στη χρήση μη επανδρωμένου ιπτάμενου οχήματος (UAV- Unmanned Aerial Vehicle) με σκοπό τον εντοπισμό και την μεταφορά τους μακριά από το χωράφι και την αποφυγή γεωργικών ατυχημάτων. Επειδή τα νεογνά εντοπίζονται δύσκολα στο ορατό φάσμα λόγω καμουφλάζ, ως βασικός αισθητήρας του συστήματος χρησιμοποιείται μία ελαφριά θερμική υπέρυθρη κάμερα (Εικόνα 1).

[[Εικόνα:RSpaper1.4_Ntolka.JPG | thumb| right|'''Εικόνα 4. Κάλυψη της περιοχής μελέτης.'''
Η κόκκινη γραμμή απεικονίζει μία σχηματική διαδρομή πτήσης, τα γκρι τετράγωνα αντιπροσωπεύουν την παρατηρούμενη έκταση στο έδαφος, και ο μπλε κύκλος παριστάνει το μικροαεροσκάφος . Υπάρχει αλληλοεπικάλυψη και στις δύο κατευθύνσεις ώστε να εξασφαλισθεί η πλήρης κάλυψη (σκούρο γκρι).]]

'''Υλικά και Μέθοδοι '''

'' Ζητήματα γεωμετρίας''

Για τη συγκεκριμένη εφαρμογή, η κάμερα λειτουργεί καλύτερα με ένα οπτικό πεδίο γωνίας 34° για κατακόρυφη θέαση, που αντιστοιχεί στο διπλάσιο της γωνιακής απόκλισης α (Εξίσωση 1- Εικόνα 2) ανάμεσα στην κατεύθυνση θέασης της κάμερας και την κατακόρυφο από το έδαφος) . Πέρα από αυτό το σημείο, το χορτάρι μπορεί να κρύψει τελείως ένα νεογνό στις άκρες της εικόνας ανεξαρτήτως της απόστασης της κάμερας από το έδαφος. Η μέση θερμοκρασία σώματος του νεογνού περιέχει όλη την απαραίτητη πληροφορία για την ταξινόμησή του στο λιβάδι, επομένως μια ανάλυση εικονοστοιχείου (pixel) που αντιστοιχεί στο μέγεθος ενός νεογνού είναι αρκετή για την ανίχνευσή του. Παρόλα αυτά, για να αποφύγουμε την απώλεια πληροφορίας και δεδομένου ότι το μέγεθος ενός νεογνού αντιστοιχεί σε περίπου 30cm, το μέγεθος του εικονοστοιχείου στο έδαφος θα πρέπει να είναι μικρότερο από 15cm.
Για τη συγκεκριμένη μελέτη επιλέχθηκε η θερμική κάμερα πυρήνα Tau640 της FLIR με 640x512 εικονοστοιχεία και φακούς με οπτικό πεδίο (FOV) 32°x 26°, η οποία μπορεί θεωρητικά να εντοπίσει ένα νεογνό στο χωράφι από ένα μέγιστο ύψος 166 μέτρων, ενώ η πτήση σε χαμηλότερο υψόμετρο αυξάνει τη βεβαιότητα ανίχνευσης.

[[Εικόνα:RSpaper1.5_Ntolka.JPG | thumb| right|'''Εικόνα 5. Στιγμιότυπο οθόνης του Waypoint Editor'''

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).]]

''Περιγραφή συστήματος''

Η θερμική κάμερα τοποθετήθηκε στο μικρό αεροσκάφος (MAV-micro air vehicle) Falcon-8 της Ascending Technologies GmbH (Eικόνα 3), το οποίο μπορεί να λάβει γεωαναφερόμενες εικόνες υψηλής ποιότητας. Κατά την πραγματοποίηση του πειράματος σαρώθηκε ολόκληρη την περιοχή μελέτης με διαδοχικές πτήσεις σε ευθείες διαδρομές, μεταξύ ενδιάμεσων σταθμών που ισαπέχουν μεταξύ τους (Eικόνα 4). Για τον εντοπισμό των νεογνών, αρχικά πραγματοποιήθηκε η ανίχνευση των θερμών σημείων με πτήσεις σε μεγάλο ύψος (κάλυψη μεγαλύτερης έκτασης σε λιγότερο χρόνο) και η ακόλουθη ταυτοποίησή των νεογνών με πτήσεις σε χαμηλότερο (μεγαλύτερη διακριτικότητα εικόνας). Ο χειριστής του αεροσκάφους μπορεί να παρακολουθεί ζωντανά τη θέαση της κάμερας (the view of the onboard camera) από το έδαφος, μέσω αναλογικής ροής video. Ταυτόχρονα γίνεται η λήψη των θερμικών εικόνων, ενώ τα δεδομένα για κάθε ενδιάμεσο σταθμό (η θερμική εικόνα, η τρέχουσα θέση της κάμερας, το υψόμετρο πτήσης και η γωνία κλίσης της κάμερας) αποθηκεύονται σε κάρτα microSD. Ο αλγόριθμος αναγνώρισης προτύπου στέλνει τα αποτελέσματα μέσω ραδιοσύζευξης στον σταθμό εδάφους, δίνοντας στον χειριστή τις απαραίτητες πληροφορίες για τη λήψη αποφάσεων.

''Ροή εργασίας''

Για την ανίχνευση και τη διάσωση των νεογνών κατά τη διάρκεια της χορτοκοπής των βοσκοτόπων με χρήση UAV χρειάζεται να δουλέψουν τουλάχιστον 2 άτομα. Ένας ενεργεί ως πιλότος και ένας χρειάζεται να πηγαίνει στο εντοπισμένο νεογνό και να το απομακρύνει από το χωράφι. Η διαδικασία της συγκεκριμένης εργασίας χωρίζεται στα εξής βήματα: α) ''σχεδιασμός σημείων ενδιάμεσων σταθμών (waypoint planning)'', β) ''ανίχνευση θερμών σημείων'' και καταγραφή της θέσης τους κατά την πτήση σε μεγάλο ύψος (30-50m) , γ) ''αναγνώριση/ταυτοποίηση'' νεογνού, μέσω παρατήρησης της θερμικής και οπτικής βιντεοπροβολής που λαμβάνεται με τη διενέργεια πτήσης πάνω από τη θέση του θερμού σημείου και σε χαμηλότερο ύψος, δ) ''ανάκτηση'' του εντοπισμένου νεογνού με τη βοήθεια συσκευής GPS χειρός, ε) ''διάσωση'' και στ) ''απελευθέρωση''. Ο σχεδιασμός των σημείων των ενδιάμεσων σταθμών και η γενική προετοιμασία της εργασίας πρέπει να γίνεται πριν την διενέργεια της πτήσης. Για τον σκοπό αυτό, αναπτύχθηκε από τους ερευνητές η διαδικτυακή εφαρμογή Waypoint Editor, η οποία στηρίζεται στην διεπαφή προγραμματισμού της εφαρμογής του Google Maps (API). Με χρήση δορυφορικής απεικόνισης, οριοθετήθηκε το χωράφι και σημάνθηκε η θέση εκτόξευσης του αεροσκάφους. Στη συνέχεια η εφαρμογή υπολόγισε μια βελτιστοποιημένη διαδρομή πτήσης με προκαθορισμένη απόσταση ανάμεσα στους ενδιάμεσους σταθμούς (Εικόνα 5).

[[Εικόνα:RSpaper1.6_Ntolka.JPG | thumb| right|'''Εικόνα 6. Μείωση της αντίθεσης μιας σκηνής με τυπική διαμόρφωση AGC, όταν μια θερμή περιοχή εισέρχεται στο οπτικό πεδίο''' (δεξιά εικόνα). Ο κόκκινος κύκλος δείχνει και στις δύο εικόνες, το ίδιο νεογνό που περιβάλλεται από έναν φράχτη.]]

''Θερμική κάμερα''

Προκειμένου να επιτευχθεί υψηλή ευαισθησία, κάθε εικονοστοιχείο του θερμικού ανιχνευτή παρέχει ένα σήμα 14-bit (> 15000 επίπεδα του γκρι). Το ανθρώπινο οπτικό σύστημα μπορεί να διακρίνει μόνο περίπου 128 επίπεδα του γκρι (7 bit) και επομένως η αρχική εικόνα των 14 bit πρέπει να συμπιεστεί. Η υψηλή αντίθεση της σκηνής στην εικόνα σταθμίζεται με ένα αυτόματο σύστημα κέρδους ελέγχου (AGC- automatic gain control) (Εικόνες 6,7).

[[Εικόνα:RSpaper1.7_Ntolka.JPG | thumb| right|'''Εικόνα 7. Αποκόμματα(cut-outs) θερμικής απεικόνισης κλασικών θερμών σημείων σε ύψος πτήσης 30 και 50 μέτρων.''' Οι μικρές εικόνες στα αριστερά αποτελούν ενισχυμένα τμήματα 64x64 εικονοστοιχείων από τη λήψη θερμικών απεικονίσεων. Η εικόνα f αποτελεί περικοπή της εικόνας πλήρους μεγέθους g. Σε ύψος πτήσης 50m, ένα νεογνό αντιπροσωπεύεται από μόνο 40 από τα 327.680 εικονοστοιχεία.]]

'''Αποτελέσματα & Συζήτηση'''

Οι εργασίες πεδίου πραγματοποιήθηκαν μέσα σε 15 μέρες, τον Μάιο και τον Ιούνιο του 2011. Το σύστημα ανίχνευσης νεογνών ελέγχθηκε σε διαφορετικές χρονικές στιγμές της ημέρας και διαφορετικές καιρικές συνθήκες και συνθήκες φωτισμού. Συνολικά σαρώθηκαν 70,77 εκτάρια, από τα οποία τα 44,2 ha σαρώθηκαν σε 22 πτήσεις σε ύψος 50 m και τα 26,6 ha σε 28 πτήσεις σε ύψος 30m. Η πτήση σε ύψος άνω των 50 μέτρων συχνά οδηγούσε σε απώλεια εντοπισμού του νεογνού. Συνολικά ανιχνεύθηκαν 14 νεογνά, τα περισσότερα εκ των οποίων βρέθηκαν όταν επικρατούσαν συνθήκες βέλτιστου φωτισμού.

'''Συμβολή της Τηλεπισκόπησης'''

Η χρήση ενός μη επανδρωμένου ιπτάμενου οχήματος UAV με θερμική υπέρυθρη κάμερα για την εξ αποστάσεως ανίχνευση των νεογνών του ζαρκαδιού στα χωράφια κατά τη διάρκεια της χορτοκοπής, αποτελεί μία εύκολη, γρήγορη και αξιόπιστη μέθοδο για την αποφυγή των γεωργικών ατυχημάτων και το θάνατο των άγριων ζώων που ζουν στις γεωργικές εκτάσεις από τις μηχανές κοπής.

[[category:Εφαρμογές άγριας πανίδας]]

[[category:Γεωργία]]

[[category: Οικολογία]]

LiDAR τηλεπισκόπηση και GPS τηλεμετρία παρέχουν στοιχεία για την επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι

2019-02-20T00:18:16Z

Ntolka Eirini:

'''LiDAR τηλεπισκόπηση και GPS τηλεμετρία παρέχουν στοιχεία για την επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι'''

'''Πρωτότυπος τίτλος:''' ''LiDAR Remote Sensing of Forest Structure and GPS Telemetry Data Provide Insights on Winter Habitat Selection of European Roe Deer ''

[[Εικόνα:RSpaper8.1_Ntolka.JPG | thumb| right|'''Περιοχή μελέτης.''' Ο Εθνικός Δρυμός της Βαυαρίας περικλείεται από μαύρο περίγραμμα, οι καταγραφόμενες θέσεις (GPS-fixes) των ζαρκαδιών σημαίνονται με μαύρους κύκλους, και οι τοποθεσίες των μετεωρολογικών σταθμών με τετράγωνα ( T: Taferlrück, WH: Waldhäuser, WSH: Waldschmidthaus).]]

'''Συγγραφείς: '''Michael Ewald, Claudia Dupke, Marco Heurich, Jörg Müller and Björn Reineking

'''Δημοσιεύθηκε: ''' ''Forests 2014 (5): 1374-1390, Ιούνιος 2014, doi:10.3390/f5061374 ''

[[Εικόνα:RSpaper8.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Κάθετη διατομή του νέφους σημείων των δεδομένων LiDAR και οι προκύπτουσες τιμές κλασματικής φυτοκάλυψης για τον κατώτερο υποόροφο, ανώτερο υποόροφο και ανώτερο όροφο των δέντρων, όπως απεικονίζονται σε μια διατομή μήκους 50m και πλάτους 5m.''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/263125324_LiDAR_Remote_Sensing_of_Forest_Structure_and_GPS_Telemetry_Data_Provide_Insights_on_Winter_Habitat_Selection_of_European_Roe_Deer]

[[Εικόνα:RSpaperT8.1_Ntolka.JPG | thumb| right|'''Πίνακας 1. Περίληψη των υπολογισθέντων μικτών μοντέλων λογιστικής παλινδρόμησης υπό συνθήκη (mixed conditional logistic regression models) που εξηγούν την επιλογή ενδιαιτήματος, οι μεταβλητές που περιέχουν και οι αντίστοιχες τιμές του δείκτη AIC (Akaike’s Information Criterion).'''
''dist_to_f'': distance to nearest artificial feeding place (απόσταση από την πλησιέστερη ταΐστρα), ''OC'': overstory cover (κάλυψη ανώτερου ορόφου), ''MC'': midstory cover (κάλυψη ανώτερου υποορόφου),'' UC'': understory cover (κάλυψη κατώτερου υποορόφου), ''temp'': απόκλιση από τη μέση θερμοκρασία την αντίστοιχη ώρα της ημέρας, ''act'': activity status των ζαρκαδιών, ''snow'': ύψος χιονιού, ''wind'': ταχύτητα ανέμου.]]

[[Εικόνα:RSpaperT8.2_Ntolka.JPG | thumb| right|'''Πίνακας 2. Αποτελέσματα μικτής λογιστικής παλινδρόμησης υπό συνθήκη (Μοντέλο 1). ''' Οι τιμές με p<0,05 υποδεικνύουν στατιστικά σημαντική επίδραση των όρων του μοντέλου.
''dist_to_f'': distance to nearest artificial feeding place (απόσταση από την πλησιέστερη ταΐστρα), ''OC'': overstory cover (κάλυψη ανώτερου ορόφου), ''MC'': midstory cover (κάλυψη ανώτερου υποορόφου),'' UC'': understory cover (κάλυψη κατώτερου υποορόφου), ''temp'': απόκλιση από τη μέση θερμοκρασία την αντίστοιχη ώρα της ημέρας, ''act'': activity status των ζαρκαδιών, ''snow'': ύψος χιονιού, ''wind'': ταχύτητα ανέμου. ]]

'''Λέξεις-Κλειδιά: ''' τηλεπισκόπηση, δασική διαμόρφωση, συμπεριφορά ζώων, επιλογή θέσης, συναρτήσεις βηματικής επιλογής

'''Εισαγωγή'''

[[Εικόνα:RSpaper8.3_Ntolka.JPG | thumb| right|'''Εικόνα 3. Προβλεπόμενες τιμές σχετικής προτίμησης για την κάλυψη του ανώτερου υποορόφου (2 m-10 m) και του ανώτερου ορόφου (10 m-60 m) ως συνάρτηση της απόκλισης της θερμοκρασίας από τις μέσες τιμές θερμοκρασίας σε ορισμένη ώρα της ημέρας, για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια.''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον μέσο όρο του συνόλου δεδομένων τους. Οι τιμές προτίμησης κλιμακώθηκαν μεταξύ 0 και 1, ώστε να είναι δυνατή η σύγκριση των αποτελεσμάτων μεταξύ των διαφορετικών θερμοκρασιών.]]

Η κατανόηση της επιλογής ενδιαιτήματος ενός είδους αποτελεί βασική προϋπόθεση για τη διαχείριση της άγριας πανίδας. Η επιλογή του ενδιαιτήματος μπορεί να διερευνηθεί σε μια πολύ λεπτομερή χωροχρονική ανάλυση χρησιμοποιώντας τηλεμετρία GPS, η οποία παρέχει δεδομένα θέσης κρυπτικών οργανισμών σε σχεδόν συνεχή κλίμακα. Ενώ η αερομεταφερόμενη σάρωση με laser (LiDAR -Light Detection and Ranging – ανίχνευση και σκόπευση φωτός) αποτελεί μια καθιερωμένη τεχνική τηλεπισκόπησης, η οποία προσφέρει τη μοναδική δυνατότητα περιγραφής της τρισδιάστατης δομής των δασών, με μεγάλη λεπτομέρεια και ακρίβεια, και για μεγάλες εκτάσεις. Στην παρούσα εργασία, αναλύθηκε η επιλογή του χειμερινού ενδιαιτήματος του ζαρκαδιού (''Capreolus capreolus'') σε ένα ορεινό δασικό οικοσύστημα, συνδυάζοντας εκτιμήσεις κάλυψης βλάστησης σε τρία διαφορετικά στρώματα ύψους μέσω LiDAR, και δεδομένα δραστηριότητας από GPS τηλεμετρία. Το ευρωπαϊκό ζαρκάδι είναι ένα μεσαίου μεγέθους οπληφόρο, που κατανέμεται σε ολόκληρη την Ευρώπη και είναι προσαρμοσμένο σε μια ποικιλία ενδιαιτημάτων, με προτίμηση στα δασικά. Μπορεί να τραφεί με ένα πλήθος φυτικών ειδών, αλλά ακολουθεί μια «επικεντρωμένα επιλεκτική» στρατηγική τροφοληψίας και μπορεί να επηρεάσει σημαντικά τη σύνθεση της αναγέννησης των δέντρων. Στα βόρεια γεωγραφικά πλάτη, οι ακραίες καιρικές συνθήκες του χειμώνα επηρεάζουν έντονα τη δυνατότητα επιβίωσης του ζαρκαδιού. Ο χειμώνας αποτελεί μια περίοδο όπου η διαθεσιμότητα της τροφής είναι μικρή, οι χαμηλές θερμοκρασίες και ο ψυχρός άνεμος απαιτούν την κατανάλωση σημαντικών ποσών ενέργειας για θερμορύθμιση από τα ζώα, και το βαθύ χιόνι περιορίζει τις ικανότητες μετακίνησής τους.

'''Περιοχή μελέτης'''

Η μελέτη πραγματοποιήθηκε στον Εθνικό Δρυμό της Βαυαρίας (Εικόνα 1), που βρίσκεται στα νοτιοανατολικά σύνορα της Γερμανίας με την Τσεχία και καλύπτει μια έκταση 24.369 εκταρίων. Η δασική βλάστηση αποτελείται κυρίως από έλατα (ερυθρελάτη, λευκή ελάτη), οξιές και σημύδες και το υψόμετρο κυμαίνεται από 600 έως 1.453 μέτρα. Η μέση ετήσια θερμοκρασία αντιστοιχεί σε 2-7,3 °C, η χιονοκάλυψη διαρκεί κατά μέσο όρο 139 ημέρες ανά έτος στα μεσαία υψόμετρα, και το χιόνι έχει βάθος μεγαλύτερο από 50cm για κατά μέσο όρο 50 ημέρες το χρόνο. Τα ζαρκάδια χρησιμοποιούν όλη την έκταση του εθνικού δρυμού κατά τη διάρκεια του καλοκαιριού ενώ το χειμώνα κατεβαίνουν στα χαμηλότερα υψόμετρα, όπου το χιόνι είναι λιγότερο βαθύ. Σε κάποια σημεία υπάρχουν ταΐστρες μέσα και γύρω από παγίδες, οι οποίες χρησιμοποιούνται για τη σύλληψη ζώων για ερευνητικούς σκοπούς. Μέσα στην περιοχή μελέτης απαγορεύεται το κυνήγι. Στην περιοχή συναντάται, επίσης, ο ευρασιατικός λύγκας (''Lynx lynx''), ο οποίος αποτελεί πιθανό θηρευτή για το ζαρκάδι.

'''Πειραματικός σχεδιασμός '''

'' Δεδομένα τηλεμετρίας''

Για τη λήψη των δεδομένων τηλεμετρίας GPS χρησιμοποιήθηκαν περιλαίμια GPS-GSM με ενσωματωμένους αισθητήρες καταγραφής δραστηριότητας (σειρά 3.000 από την VECTRONIC Aerospace, Βερολίνο, Γερμανία), με τα οποία ραδιοσημάνθηκαν 15 ζαρκάδια. Η παρακολούθησή τους πραγματοποιήθηκε για διαφορετικές χρονικές περιόδους κατά τη διάρκεια του χειμώνα, οι οποίες διήρκησαν από 14 ημέρες έως έξι μήνες. Τα χρονικά διαστήματα μεταξύ δύο διαδοχικών καταγραφών κυμαίνονταν από 15 λεπτά έως 2 ώρες. Στην ανάλυση συμπεριλήφθησαν δεδομένα από 1.418 θέσεις για 9 ενήλικα θηλυκά και 6 ενήλικα αρσενικά ζαρκάδια, μεταξύ Απριλίου 2007 και Δεκεμβρίου 2010. Οι ενσωματωμένοι στα GPS περιλαίμια αισθητήρες δραστηριότητας είναι σε θέση να καταγράψουν την κινητικότητα των ζώων μετρώντας την επιτάχυνση κατά την κίνησή τους προς τα εμπρός/πίσω και προς τα πλάγια.

Για τον προσδιορισμό της κατάστασης δραστηριότητας (activity status) χρησιμοποιήθηκαν επίπεδα κατωφλίου, τα οποία καθορίστηκαν σε προηγούμενη ανεξάρτητη μελέτη, που πραγματοποιήθηκε στην ίδια περιοχή. Τα άτομα θεωρήθηκαν ενεργά (active) όταν το άθροισμα των δύο τιμών επιτάχυνσης (προς τα εμπρός/ προς τα πίσω και προς τα πλάγια) ήταν μεγαλύτερο από 4 και ως μη ενεργά-αναπαυόμενα (resting) σε όλες τις άλλες περιπτώσεις.

[[Εικόνα:RSpaper8.4_Ntolka.JPG | thumb| right|'''Εικόνα 4. Προβλεπόμενες τιμές σχετικής προτίμησης για την κάλυψη του ανώτερου υποορόφου (2 m-10 m) και του ανώτερου ορόφου (10 m-60 m) ως συνάρτηση του ύψους χιονιού, για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια. ''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον μέσο όρο του συνόλου δεδομένων τους. Οι τιμές προτίμησης κλιμακώθηκαν μεταξύ 0 και 1, ώστε να είναι δυνατή η σύγκριση των αποτελεσμάτων μεταξύ των διαφορετικών τιμών ύψους χιονιού.]]

''Μετεωρολογικά δεδομένα''

Χρησιμοποιήθηκαν δεδομένα θερμοκρασίας και ταχύτητας ανέμου από τρεις μετεωρολογικούς σταθμούς σε διαφορετικά υψόμετρα, Taferlruck (769 m), Waldhäuser (940 m ) και Waldschmidthaus (1356 m), τα οποία καταγράφονταν ανά χρονικό διάστημα 10 λεπτών, και δεδομένα ημερήσιου ύψους χιονιού από τον σταθμό Waldhäuser (Εικόνα 1). Οι τιμές θερμοκρασίας και ταχύτητας ανέμου για κάθε θέση καταγραφή ζαρκαδιού ελήφθησαν από τον πλησιέστερο μετεωρολογικό σταθμό.

[[Εικόνα:RSpaper8.5_Ntolka.JPG | thumb| right|'''Εικόνα 5. Προβλεπόμενες τιμές προτίμησης για την κάλυψη του κατώτερου υποορόφου για τα ενεργά (active) και τα μη ενεργά (resting) ζαρκάδια. ''' Οι τιμές αντιπροσωπεύουν τις αναμενόμενες τιμές που υπολογίστηκαν με τη μικτή λογιστική παλινδρόμηση υπό συνθήκη, οι μη εμφανιζόμενες μεταβλητές ορίστηκαν με τον αντίστοιχο μέσο όρο του συνόλου δεδομένων τους.]]

''Δεδομένα LiDAR''

Τα δεδομένα LiDAR για την περιοχή μελέτης αποκτήθηκαν κατά την περίοδο έλλειψης φυλλώματος μεταξύ Απριλίου 2008 και Νοεμβρίου 2009, χρησιμοποιώντας το αερομεταφερόμενο σύστημα Riegl LMS-Q 560 (RIEGL Inc., Horn, Αυστρία). Το σύστημα εξέπεμπε ακτινοβολία laser σε μήκος κύματος 1550 nm και κατέγραφε το πρώτο και το τελευταίο σημείο επιστροφής με κατακόρυφο σφάλμα +/- 0,16 m. Το μέσο πλάτος της λωρίδας σάρωσης αντιστοιχούσε σε 832 m, η μέση διάμετρος του αποτυπώματος της δέσμης laser σε 38,8 cm και η μέση σημειακή πυκνότητα σε 9,8 σημεία/m². Για την ταξινόμηση των σημείων επιστροφής από το έδαφος και από τη βλάστηση χρησιμοποιήθηκε το λογισμικό TerraScan (TerraSolid Ltd., Helsinki, Finland). Ένα ψηφιακό μοντέλο εδάφους (DTM) με χωρική ανάλυση 1 m υπολογίστηκε με το SCOP ++ (inpho GmbH, Βιέννη, Αυστρία). Το ύψος των LiDAR επιστροφών πάνω από το έδαφος υπολογίσθηκε αφαιρώντας την τιμή ύψους του υποκείμενου DTM από το ύψος κάθε σημείου. Το τρισδιάστατο νέφος σημείων που προέκυψε, αντιπροσωπεύει διακριτές επιστροφές παλμού από την επιφάνεια του εδάφους και από τη βλάστηση. Ο υπολογισμός της κλασματικής φυτοκάλυψης (fractional vegetation cover) έγινε σε 3 διαφορετικά επίπεδα, στον κατώτερο υποόροφο (0.5 m–2 m πάνω από το έδαφος), στον ανώτερο υποόροφο (2 m–10 m πάνω από το έδαφος) και στον ανώτερο όροφο των δέντρων (10 m–60 m πάνω από το έδαφος) (Εικόνα 2).

''Στατιστική ανάλυση''

Για την ανάλυση της επιλογής ενδιαιτήματος από τα ζαρκάδια εφαρμόστηκε μια συνάρτηση βηματικής επιλογής (Step Selection Function- SSF), μια ειδική μορφή συνάρτησης επιλογής πόρων (Resource Selection Function - RSF). Στην περίπτωση ενός SSF, γίνεται δειγματοληψία σημείων ελέγχου με βάση τα εμπειρικά δεδομένα της κινησιολογικής συμπεριφοράς των υπό παρακολούθηση ζώων. Η άμεση χωρική συσχέτιση μεταξύ δύο διαδοχικών καταγραφόμενων με GPS θέσεων αντιπροσωπεύει ένα βήμα. Για κάθε παρατηρούμενο βήμα, παράγεται ένας ορισμένος αριθμός βημάτων ελέγχου (εν προκειμένω 25 τυχαίων βημάτων), με βάση την εμπειρική κατανομή των μηκών βήματος (step-lengths) και των γωνιών στροφής (turning angles) μεταξύ των διαδοχικών βημάτων των υπό παρακολούθηση ζώων. Για να αναλυθούν οι προτιμήσεις ενδιαιτήματος, τα χαρακτηριστικά των παρατηρούμενων βημάτων ενός ατόμου συγκρίνονται με εκείνα των βημάτων ελέγχου που μοιράζονται το ίδιο σημείο εκκίνησης.

Σε αυτή τη μελέτη, πραγματοποιήθηκε σύγκριση μεταξύ διαφορετικών τιμών κάλυψης βλάστησης στο τελικό σημείο κάθε βήματος. Χρησιμοποιώντας ένα μοντέλο λογιστικής παλινδρόμησης υπό συνθήκη με τυχαίες επιδράσεις, υπολογίστηκε η ετερογένεια μεταξύ των ατόμων. Διερευνήθηκε, επίσης, εάν η επιλογή των θέσεων από τα άτομα επηρεάζεται από την εγγύτητα προς την πλησιέστερη ταΐστρα. Η επεξεργασία των δεδομένων και η στατιστική ανάλυση πραγματοποιήθηκαν χρησιμοποιώντας το στατιστικό πακέτο R (έκδοση 2.14.0). Οι τιμές κάλυψης βλάστησης που προήλθαν από την LiDAR, εξήχθησαν από κελιά ψηφιδωτού (raster cells) μέσα σε μία ζώνη ακτίνας (buffer) 5 μέτρων γύρω από τις παρατηρούμενες και τυχαίες θέσεις. Προκειμένου να συγκριθούν τα χαρακτηριστικά των επιλεγμένων και τυχαίων τοποθεσιών εφαρμόστηκε ένα λογιστικό μοντέλο μικτών επιδράσεων υπό συνθήκη, με τις τιμές κάλυψης βλάστησης ως επεξηγηματικές μεταβλητές και τα άτομα ως τυχαίες επιδράσεις, χρησιμοποιώντας τη συνάρτηση coxme στο R. Χρησιμοποιήθηκαν τέσσερα ξεχωριστά μοντέλα, τα οποία διέφεραν μεταξύ τους ως προς το εάν συμπεριλάμβαναν: (1) τις καιρικές μεταβλητές (απόκλιση θερμοκρασίας, ύψος χιονιού και ταχύτητα ανέμου) και τις πληροφορίες δραστηριότητας, (2) μόνο τις καιρικές μεταβλητές, (3) μόνο τη δραστηριότητα, ή (4) τίποτα από τα δύο (Πίνακας 1). Η απόσταση από την πλησιέστερη ταΐστρα συμπεριλήφθηκε ως επεξηγηματική μεταβλητή σε όλα τα μοντέλα. Ως καταλληλότερο μοντέλο επιλέχθηκε αυτό με τη χαμηλότερη τιμή AIC (Akaike’s Information Criterion).

Για τον προσδιορισμό της σημαντικότητας των επεξηγηματικών μεταβλητών στα επιλεγμένα μοντέλα, χρησιμοποιήθηκε μια διαδικασία επαναδειγματοληψίας. Πραγματοποιήθηκε σύγκριση της πρόβλεψης της SSF που υπολογίστηκε από τα αρχικά δεδομένα, με αυτήν που υπολογίστηκε από τυχαίες τιμές των επεξηγηματικών μεταβλητών και υπολογίστηκε ο συντελεστής αυτοσυσχέτισης Pearson μεταξύ των προβλέψεων. Χαμηλότερες τιμές του συντελεστή υποδηλώνουν μεγαλύτερη επίδραση της παραλλασσόμενης μεταβλητής.

'''Αποτελέσματα'''

Η ενσωμάτωση των καιρικών συνθηκών καθώς και της κατάστασης δραστηριότητας των ζώων βελτίωσε τα δοκιμασμένα μοντέλα επιλογής ενδιαιτήματος του ζαρκαδιού (Πίνακας 1). Ως καταλληλότερο μοντέλο με βάση τον δείκτη AIC επιλέχθηκε το μοντέλο 1, δηλαδή είχε την καλύτερη αναμενόμενη απόδοση πρόβλεψης πάνω σε νέες παρατηρήσεις υπό τις ίδιες περιβαλλοντικές συνθήκες (AIC: 9346). Όλα τα ακόλουθα αποτελέσματα αναφέρονται σε αυτό, συμπεριλαμβανομένων των μεταβλητών καιρού και της κατάστασης δραστηριότητας των ζώων.

Η κατάσταση δραστηριότητας των ζαρκαδιών επηρέασε τα πρότυπα επιλογής ενδιαιτήματος (Πίνακας 2). Γενικά, τα ενεργά άτομα επέλεγαν θέσεις με μικρότερη κάλυψη θόλων (ανώτερος όροφος, ανώτερος υποόροφος) και υψηλότερη κάλυψη κατώτερου υποορόφου (Εικόνες 3-5). Η θερμοκρασία και το ύψος χιονιού επηρέασαν, επίσης, την προτίμηση για κάλυψη στον ανώτερο όροφο και ανώτερο υποόοροφο (Πίνακας 2), ενώ η ταχύτητα το ανέμου δεν είχε καμία επίδραση στην επιλογή ενδιαιτήματος από το ζαρκάδι. Τα ζαρκάδια έτειναν να χρησιμοποιούν πιο συχνά τα δάση με υψηλή κάλυψη θόλων καθώς η θερμοκρασία μειωνόταν, καθώς και όταν το χιόνι ξεπερνούσε τα 0,6 m (Εικόνες 3, 5).

Η απόσταση από την πλησιέστερη ταΐστρα αποτέλεσε τη μεταβλητή με τη μεγαλύτερη επίδραση όσον αφορά την επιλογή ενδιαιτήματος από το ζαρκάδι. Στη σύγκριση ανάμεσα στις χρησιμοποιούμενες καιρικές μεταβλητές και την κατάσταση δραστηριότητας, τη μεγαλύτερη επίδραση είχε η κατάσταση δραστηριότητας, ακολουθούμενη από τη θερμοκρασία και το ύψος του χιονιού. Η πιο επιδραστική τιμή κάλυψης ήταν του ανώτερου ορόφου, ενώ ακολουθούσε ο ανώτερος υποόροφος και ο κατώτερος υποόροφος.

'''Συζήτηση '''

Η επιλογή χειμερινού ενδιαιτήματος από το ζαρκάδι εξαρτάται σε μεγάλο βαθμό από την κατάσταση της δραστηριότητας του ζώου και από τις καιρικές συνθήκες.
Τα ζαρκάδια έτειναν να χρησιμοποιούν τοποθεσίες που χαρακτηρίζονταν από τουλάχιστον ένα βαθμό κάλυψης θόλου ή τοποθεσίες που χαρακτηρίζονταν από υψηλή κάλυψη υποορόφου (Εικόνα 6). Με αυτόν τον τρόπο, το ζαρκάδι αποφεύγει τις ανοιχτές εκτάσεις, όπου κατά τη διάρκεια του χειμώνα επικρατούν σκληρές καιρικές συνθήκες και όπου δεν αναμένεται να υπάρχει διαθέσιμη τροφή. Στις περιπτώσεις όπου οι θερμοκρασίες ήταν πολύ χαμηλές ή όταν το ύψος χιονιού ξεπερνούσε τα 0,60 cm, τα ζαρκάδια προτιμούσαν περιοχές με υψηλότερη κάλυψη θόλου. Το γεγονός αυτό, επιβεβαιώνει την υπόθεση ότι τα ζαρκάδια χρησιμοποιούν δάση με υψηλή κάλυψη θόλου ως θερμικό καταφύγιο όταν κάνει κρύο. Τα αποτελέσματα σε σχέση με την ασθενή επίδραση του ανέμου στην επιλογή του χειμερινού ενδιαιτήματος από το ζαρκάδι, οφείλονται πιθανώς στην έλλειψη πληροφοριών στα χρησιμοποιούμενα μετεωρολογικά δεδομένα.

Συνολικά, τα ζαρκάδια έτειναν να χρησιμοποιούν περιοχές με μικρότερη κάλυψη θόλου όταν ήταν ενεργά και μεγαλύτερη όταν αναπαύονται, καθώς τους προσφέρει καταφύγιο σε σχέση με τις καιρικές συνθήκες. Όσον αφορά όμως τον υποόροφο, συμβαίνει το αντίστροφο. Τα ζαρκάδια προτιμούν περιοχές με πυκνό υποόροφο όταν είναι ενεργά, όπου αναζητούν την τροφή τους και περιοχές με αραιή βλάστηση υποορόφου όταν αναπαύονται, πιθανότατα για να αποφύγουν τις συναντήσεις με πιθανούς θηρευτές. Ειδικά ο λύγκας, που συναντάται στην περιοχή, εξαρτάται από την ύπαρξη βλάστησης στον υποόροφο ώστε να στήσει ενέδρα στο θήραμά του.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Η επιλογή χειμερινού ενδιαιτήματος από το ζαρκάδι δεν μπορεί να γενικευτεί, αλλά εξαρτάται σε μεγάλο βαθμό από εξωτερικές επιδράσεις, όπως ο καιρός, και από την κατάσταση δραστηριότητας του ζώου. Τα ζαρκάδια το χειμώνα εξαρτώνται από τις ετερογενείς δομές των δασών, για να καλύψουν τις ανάγκες τους σε σχέση με την εύρεση τροφής και την προφύλαξη από τις δύσκολες καιρικές συνθήκες.

Η ενσωμάτωση δεδομένων τηλεπισκόπησης υψηλής ανάλυσης και δεδομένων συμπεριφοράς, συνδυάζοντας την GPS τηλεμετρία με την προσέγγιση της λειτουργίας επιλογής πόρων (resource selection function), μπορεί να βοηθήσει σημαντικά στη μελέτη της επιλογής ενδιαιτήματος για οπληφόρα που ζουν σε δασικές περιοχές. Η τεχνολογία LiDAR προσφέρει δεδομένα υψηλής χωρικής ανάλυσης, παρέχοντας τη δυνατότητα για τη λεπτομερή απεικόνιση περίπλοκων τρισδιάστατων ενδιαιτημάτων, όπως τα δάση, και εφαρμόζεται όλο και πιο συχνά στη μελέτη της χρήσης ενδιαιτήματος από οπληφόρα. Οι χάρτες πρόβλεψης σε σχέση με τη χρήση ενδιαιτήματος, μπορούν να παρεκταθούν πέρα από τα όρια της περιοχής μελέτης και να προσφέρουν σημαντικές πληροφορίες για τη διατήρηση των δασών ή τη διαχείριση των άγριων ζώων.

[[Εικόνα:RSpaper8.6_Ntolka.JPG | thumb| center|'''Εικόνα 6. Χάρτες απεικόνισης των προβλεπόμενων τιμών προτίμησης ενδιαιτήματος από τα ζαρκάδια για διαφορετικά σενάρια καιρικών συνθηκών και κατάστασης δραστηριότητας (activity status).''' Οι χάρτες πρόβλεψης δημιουργήθηκαν με βάση το μοντέλο 1 (Πίνακας 2), διατηρώντας την απόσταση από την πλησιέστερη ταΐστρα σταθερή στο μέσο όρο του συνόλου δεδομένων.)]]

[[category:Χαρτογράφηση των οικοτόπων της πανίδας]]

[[category: Οικολογία]]

Δυνατότητες εφαρμογής προηγμένης τηλεπισκόπησης σε οικολογικές μελέτες σε σχέση με τις μετακινήσεις των χερσαίων ζώων

2019-02-20T00:16:52Z

Ntolka Eirini:

'''Δυνατότητες εφαρμογής προηγμένης τηλεπισκόπησης σε οικολογικές μελέτες σε σχέση με τις μετακινήσεις των χερσαίων ζώων'''

'''Πρωτότυπος τίτλος:''' ''Opportunities for the application of advanced remotely-sensed data in ecological studies of terrestrial animal movement''

[[Εικόνα:RSpaper5.1_Ntolka.JPG | thumb| right|'''Εικόνα 1. Κλίμακες της τρέχουσας ανάλυσης των δεδομένων μετακίνησης των ζώων και των τηλεπισκοπικών δεδομένων, στο χώρο και στο χρόνο.''']]

'''Συγγραφείς: '''Wiebke Neumann, Sebastian Martinuzzi, Anna B Estes, Anna M Pidgeon, Holger Dettki, Göran Ericsson and Volker C Radeloff

'''Δημοσιεύθηκε: ''' ''Movement Ecology (2015) 3:8, DOI: 10.1186/s40462-015-0036-7 ''

[[Εικόνα:RSpaper5.2_Ntolka.JPG | thumb| right|'''Πίνακας 1. Πηγή και ανάλυση διαφορετικών προϊόντων τηλεπισκόπησης.''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://movementecologyjournal.biomedcentral.com/articles/10.1186/s40462-015-0036-7]

[[Εικόνα:RSpaper5.3a_Ntolka.JPG | thumb| right|'''Πίνακας 2. Δείγμα οικολογικών μελετών για τη μετακίνηση των ζώων, στις οποίες χρησιμοποιούνται προϊόντα τηλεπισκόπισης.'''(α) ]]

'''Λέξεις-Κλειδιά: ''' τροχιές ζώων, πρότυπα μετακίνησης, τηλεπισκόπηση, trade-off ανάλυση, δορυφορικά προϊόντα, Landsat, LiDAR, MODIS, βάσεις δεδομένων μετακίνησης ζώων

'''Εισαγωγή'''

[[Εικόνα:RSpaper5.3b_Ntolka.JPG | thumb| right|'''Πίνακας 2. Δείγμα οικολογικών μελετών για τη μετακίνηση των ζώων, στις οποίες χρησιμοποιούνται προϊόντα τηλεπισκόπισης.(β)]]

Τα χρονικά και χωρικά πρότυπα της μετακίνησης των ζώων αποτελούν κεντρική πτυχή στη μελέτη της οικολογίας τους. Οι τηλεπισκοπικοί-περιβαλλοντικοί δείκτες μπορούν να διαδραματίσουν σημαντικό ρόλο στην κατανόηση αυτών των προτύπων, παρέχοντας συνεχή και σχετικά λεπτομερή δεδομένα, τα οποία συνδέουν τις μετακινήσεις των ζώων με το περιβάλλον τους. Παρόλα αυτά, παρατηρείται μια καθυστέρηση στην εφαρμογή των ποικίλων διαθέσιμων τηλεπισκοπικών προϊόντων σε τέτοιου είδους μελέτες, λόγω της μικρής εξοικείωσης των οικολόγων επιστημόνων με αυτά. Στην παρούσα επισκόπηση, εστιάζουμε σε αυτές που συνδέουν τις θέσεις των ζώων με τηλεπισκοπικά δεδομένα σε χερσαία οικοσυστήματα, και που δημοσιεύτηκαν από το 2002 ως το 2013 (Πίνακας 2). Οι συγκεκριμένες μελέτες διερευνούν τον τρόπο με τον οποίο τα ζώα αλληλεπιδρούν με το επίγειο περιβάλλον τους με την πάροδο του χρόνου, και βασίζονται στις τροχιές και τις μετατοπίσεις ατόμων και πληθυσμών, συμβάλλοντας έτσι στη διατήρηση και διαχείριση της άγριας πανίδας. Πρώτα εξετάζονται οι τρέχουσες εφαρμογές των τηλεπισκοπικών- οικολογικών δεικτών που σχετίζονται με τα πρότυπα μετακίνησης σπονδυλωτών ζώων σε χερσαία οικοσυστήματα. Στη συνέχεια, παρουσιάζονται τα πρόσφατα διαθέσιμα τηλεπισκοπικά προϊόντα και οι δυνατότητες που προσφέρουν.

Οι διαφορετικές χωροχρονικές κλίμακες στις οποίες συμβαίνει η μετακίνηση των ζώων απαιτούν και τη χρήση διαφορετικού τύπου τηλεπισκοπικών δεδομένων, ώστε να κατανοηθούν τα αίτια που οδήγησαν σε αυτές τις μετακινήσεις (Εικόνα 1). Ωστόσο, υπάρχει ένας έμφυτος διαμοιρασμός (trade-off) ανάμεσα στα δεδομένα υψηλής χωρικής και χαμηλής χρονικής ανάλυσης (''fine-but-infrequent data'') έναντι των δεδομένων με χαμηλή χωρική και υψηλή χρονική ανάλυση (''coarse-but-frequent data''), τα οποία καταγράφονται από τους διαφορετικούς δορυφορικούς αισθητήρες (Εικόνα 1, Πίνακας 1).

[[Εικόνα:RSpaper5.3c_Ntolka.JPG | thumb| right|'''Πίνακας 2. Δείγμα οικολογικών μελετών για τη μετακίνηση των ζώων, στις οποίες χρησιμοποιούνται προϊόντα τηλεπισκόπισης.(γ)]]
[[Εικόνα:RSpaper5.4_Ntolka.JPG | thumb| right|'''Πίνακας 3. Ακρίβεια και ευστοχία των κύριων τηλεπισκοπικών προϊόντων.''']]

'''Επισκόπηση '''

'''Α) Τηλεπισκοπικά προϊόντα που χρησιμοποιούνται συχνά σε οικολογικές μελέτες πάνω στη μετακίνηση των ζώων'''

Οι μελέτες μικρής κλίμακας μετακινήσεων που εξετάστηκαν, περιλάμβαναν δεδομένα σχετικά με την κάλυψη γης, τις ανθρώπινες υποδομές και το έδαφος, και λιγότερο συχνά δεδομένα σχετικά με τη φαινολογία της βλάστησης, το κλίμα και τις καιρικές συνθήκες (Πίνακας 2). Αντιθέτως, οι μελέτες που ανέλυαν τις μετακινήσεις σε ευρύτερη κλίμακα (π.χ. μετανάστευση) χρησιμοποιούσαν συχνά δεδομένα για τη φαινολογία της βλάστησης (π.χ. το δείκτη βλάστησης κανονικοποιμένης διαφοράς NDVI) και μερικές φορές συνδύαζαν κλιματολογικά, καιρικά και εδαφικά δεδομένα. Οι κύριοι περιβαλλοντικοί δείκτες που χρησιμοποιούνται στις μελέτες μετακίνησης των ζώων διατίθενται από ένα ευρύ φάσμα τηλεπισκοπικών προϊόντων, τα οποία μπορεί να διαφέρουν μεταξύ τους ως προς την ακρίβεια (precision) και την ευστοχία-αξιοπιστία (accuracy) (Πίνακας 3).

'' Δεδομένα κάλυψης γης''

Τα δεδομένα σχετικά με την κάλυψη της γης προέρχονται κατά κανόνα από ''fine-but-infrequent'' προϊόντα τηλεπισκόπησης και οι ερευνητές μπορούν να τα χρησιμοποιήσουν για να συμπεράνουν τα μοτίβα κίνησης των ζώων σε πιο λεπτομερείς χωρικές κλίμακες (Εικόνα 1). Βοηθητικά δεδομένα που καταγράφουν την αλλαγή χρήσης γης και την ανάπτυξη των ανθρώπινων υποδομών, μπορούν να βοηθήσουν στην ενημέρωση των τηλεπισκοπικών χαρτών, δημιουργώντας δυναμικά δεδομένα τοπίου. Ο Landsat και οι αεροφωτογραφίες είναι οι πιο κοινές πηγές τέτοιων δεδομένων.

''Ψηφιακά υψομετρικά μοντέλα ''

Τα ψηφιακά υψομετρικά μοντέλα (DEM) παρέχουν ''fine-but-infrequent'' πληροφορίες σχετικά με το υψόμετρο, τον προσανατολισμό των πρανών, την κλίση, καθώς και την υγρασία του εδάφους και την ηλιακή ακτινοβολία. Μερικές φορές συνδυάζονται με ''coarse-but-frequent'' τηλεπισκοπικές ατμοσφαιρικές μεταβλητές, όπως η ταχύτητα του ανέμου, η τυρβώδης κινητική ενέργεια, η θερμοκρασία και το ύψος των νεφών (δεδομένα MODIS 8 ημερών, ΝΟΑΑ 10 ημερών, μηνιαία δεδομένα WorldClim, Πίνακας 2). Τα DEMs μπορούν να αποτελέσουν ένα ισχυρό εργαλείο και η ερμηνεία των παρατηρούμενων προτύπων μπορεί να συμβάλει σε συμπεράσματα για τις μεταναστατευτικές στρατηγικές των ζώων.

''Ανθρώπινες υποδομές''

Οι ανθρώπινες υποδομές επηρεάζουν τα ενδιαιτήματα πολλών ειδών άγριας πανίδας, καθώς μπορεί να δημιουργήσουν εμπόδια και να τροποποιήσουν τα ημερήσια και εποχιακά πρότυπα μετακίνησης των ζώων. Οι ψηφιακοί χάρτες των ανθρώπινων υποδομών αποτελούν ''fine-but-infrequent'' δεδομένα, και συνήθως προέρχονται από δεδομένα κάλυψης γης και αεροφωτογραφίες. Η χρήση απεικονίσεων υψηλής χωρικής ανάλυσης και LiDAR προσφέρει επίσης τη δυνατότητα διάκρισης μεταξύ των διαφορετικών τύπων ανθρώπινης υποδομής και βλάστησης, όπως οι εθνικές οδοί, οι δρόμοι, οι σιδηροδρομικές γραμμές, οι αγωγοί, οι γραμμές μεταφοράς ηλεκτρικής ενέργειας, τα σπίτια και τα δέντρα.

''Δεδομένα φαινολογίας φυτών''

Η φαινολογία των φυτών που βασίζεται σε δορυφορικά δεδομένα, ποσοτικοποιεί τις ημερομηνίες των χρωματικών μοτίβων (πρασίνισμα των φύλλων) πολλών διαφορετικών φυτικών ειδών σε κλίμακα τοπίου, και μπορεί να μελετηθεί με βάση τους δείκτες βλάστησης NDVI και EVI. Οι φαινολογικοί δείκτες προέρχονται συνήθως από ''course-but-frequent'' δορυφορικές απεικονίσεις, όπως απεικονίσεις SPOT 10 ημερών ή δεδομένα ανάκλασης MODIS 16 ημερών και μπορούν να εφαρμοστούν για την πρόβλεψη των μετακινήσεων και της κατανομής ατόμων και πληθυσμών (π.χ. για τη μεγάλων αποστάσεων μετανάστευση πολλών ειδών οπληφόρων).

''Η παραγωγικότητα''

Η παραγωγικότητα, δηλαδή η εποχιακή ανάπτυξη των φυτών, μπορεί να υπολογιστεί με τη συγχώνευση πληροφοριών από εδαφικές μετρήσεις βιομάζας και τον δείκτη βλάστησης NDVI από δορυφορικά δεδομένα MODIS. Μπορεί να προβλέψει τα μοτίβα μετακίνησης των ζώων, επιδεικνύοντας τη σχέση μεταξύ της μετανάστευσης και της πρόσβασης σε υψηλότερης ποιότητας τροφή.

''Δείκτες κλίματος και καιρικών συνθηκών''

Οι δείκτες κλίματος και καιρού παρέχουν πληροφορίες σχετικά με τις κατακρημνίσεις (π.χ. τις βροχοπτώσεις και χιονοπτώσεις από δεδομένα NOAA 10 ημερών, δεδομένα MODIS 8 ημερών και μηνιαία δεδομένα WorldClim) και τη θερμοκρασία (π.χ. NOAA 10 ημερών) και αποτελούν γενικά ''coarse-but-frequent'' δείκτες. Το κλίμα επηρεάζει τα ζώα σε μια ευρύτερη κλίμακα και μπορεί, για παράδειγμα, να προκαλέσει εποχιακή μετανάστευση. Οι κατακρημνίσεις και η θερμοκρασία αποτελούν καθοριστικούς παράγοντες στη διαμόρφωση των μοτίβων μετακίνησης των ζώων στα εποχιακά οικοσυστήματα. Ο καιρός, δηλαδή οι βραχυπρόθεσμες μεταβολές των μετεωρολογικών παραμέτρων (κατακρημνίσεις, άνεμος, θερμοκρασία κ.α.) επηρεάζει τις μικρής κλίμακας μετακινήσεις των ζώων, όπως είναι οι καθημερινές μετακινήσεις.

'''Β) Δυνατότητες χρήσης τηλεπισκοπικών προϊόντων σε οικολογικές μελέτες πάνω στη μετακίνηση των ζώων'''

''Αυξανόμενη πρόσβαση σε τηλεπισκοπικά δεδομένα''

Οι απεικονίσεις υψηλής χωρικής ανάλυσης καταγράφονται από αισθητήρες όπως οι IKONOS, QuickBird, OrbView-3 και Spot-5, με χωρική διακριτική ικανότητα από 0,5 έως 10 μέτρα (Πίνακας 1), και επιτρέπουν την αναγνώριση μικρότερων σε μέγεθος χαρακτηριστικών των ενδιαιτημάτων, όπως οι παράκτιοι διάδρομοι και τα μεμονωμένα δέντρα. Το υψηλό τους κόστος και η περιορισμένη διαθεσιμότητα αποτελούν σημαντικούς περιοριστικούς παράγοντες στη χρήση τους σε περιβαλλοντικές μελέτες. Ωστόσο, το κόστος αυτό μειώνεται με την πάροδο του χρόνου, καθώς εκτοξεύονται περισσότεροι δορυφόροι και αυξάνεται ο ανταγωνισμός. Επίσης, σε πολλές περιοχές διατίθενται δωρεάν μέσω διαδικτυακών-χαρτογραφικών τόπων, όπως το Google Earth, ενώ η δρομολόγηση του Landsat 8 και των δορυφόρων Sentinel θα εξασφαλίσει πρόσβαση σε δεδομένα τύπου Landsat με χωρική διακριτική ικανότητα 30m και χρονική ανάλυση 2-3 ημέρες. Η ενσωμάτωση των τηλεπισκοπικών δεδομένων σε σύνολα δεδομένων μετακίνησης των ζώων, αποτελεί μια επιπλέον πρόκληση για πολλούς οικολόγους ερευνητές. Παρόλα αυτά, δημιουργούνται συνέχεια καινούρια εργαλεία, τα οποία αυτοματοποιούν και απλοποιούν σε μεγάλο βαθμό την ενσωμάτωση και τις αναλύσεις.

''Καταγραφή της χρονικής δυναμικής των τοπίων''

Από το 2008, που τα δεδομένα του Landsat έγιναν ελεύθερα διαθέσιμα, έχουν αναπτυχθεί νέοι αλγόριθμοι επεξεργασίας της εικόνας, οι οποίοι μπορούν να αναλύσουν πολλές δεκαετίες ετήσιων Landsat απεικονίσεων ταυτόχρονα, και να συμβάλλουν σημαντικά στη μελέτη των μικρής κλίμακας μετακινήσεων των ζώων. Το μεγάλο πλεονέκτημα μια τόσο πυκνής χρονικής σειράς είναι ότι εντοπίζει αλλαγές, όπως οι αποψιλώσεις δασών, οι οποίες μπορούν να ανιχνευθούν αμέσως μετά τη διαταραχή, αλλά μπορεί να μην εντοπιστούν αν οι απεικονίσεις απέχουν χρόνια μεταξύ τους.
Για την ανάλυση των ευρείας κλίμακας μετακινήσεων των ζώων , οι δείκτες φαινολογίας της βλάστησης (π.χ. ο NDVI) μπορούν να είναι πολύ ενημερωτικοί. Οι δορυφορικοί αισθητήρες όπως οι MODIS, AVHRR, VEGETATION και VIIRS παρέχουν καθημερινές απεικονίσεις, οι οποίες συνήθως συνοψίζονται σε σύνθετα 8 ή 16 ημερών που είναι σχετικά απαλλαγμένα από νέφη (Πίνακας 1). Για την αποτελεσματική και γρήγορη ανάλυση τόσο μεγάλου όγκου φαινολογικών δεδομένων έχουν αναπτυχθεί λογισμικά πακέτα, όπως το TIMESAT.

''Χαρακτηρίζοντας την τρισδιάστατη δομής των ενδιαιτημάτων''

Τα τρισδιάστατα δομικά χαρακτηριστικά της βλάστησης αποτελούν καθοριστικούς παράγοντες που επηρεάζουν τη χρήση του χώρου από τα ζώα. Η LiDAR είναι μια σχετικά νέα τεχνολογία, που χρησιμοποιεί την εκπομπή παλμικής ακτινοβολίας laser για τη μέτρηση της κάθετης και οριζόντιας δομής των οικοσυστημάτων. Η ικανότητα της συγκεκριμένης τεχνολογίας να «βλέπει» μέσα από το θόλο των δέντρων επιτρέπει τον προσδιορισμό της τοπογραφίας και της βλάστησης του υποορόφου, που είναι μεγάλης σημασίας για πολλά είδη ζώων. Τα δεδομένα LiDAR προσφέρουν άμεση πληροφορία για το ύψος των δέντρων και την πυκνότητα του θόλου, και έμμεση πληροφορία για την ηλικία ενός δάσους, τα διάκενα των θόλων και τα μεγάλα δέντρα.
Για τους παραπάνω λόγους, αποδεικνύονται εξαιρετικά χρήσιμα στην πρόβλεψη της χρήσης των ενδιαιτημάτων από τα διάφορα είδη ζώων. Δυστυχώς, η λήψη τους γίνεται συνήθως από αερομεταφερόμενες πλατφόρμες και επομένως η απόκτησή τους είναι δαπανηρή.

''Περιβαλλοντική αξιολόγηση σε πραγματικό χρόνο''

Οι επιστήμονες και οι διαχειριστές της άγριας πανίδας έχουν αρχίσει να διερευνούν τη δυνατότητα χρήσης χαμηλού κόστους προ-προγραμματισμένων ή τηλεκατευθυνόμενων μη επανδρωμένων ιπτάμενων οχημάτων (drones), εξοπλισμένων με βιντεοκάμερες και φωτογραφικές μηχανές, ως εναλλακτικό τρόπο για να ερευνήσουν τοπία, να εκτιμήσουν τους πληθυσμούς ζώων και να παρακολουθήσουν τις ανθρώπινες δραστηριότητες. Η χρήση UAV επιτρέπει την σε πραγματικό χρόνο παρακολούθηση περιβαλλοντικών παραμέτρων και επομένως, προσφέρει σημαντικές δυνατότητες στη μελέτη των μετακινήσεων των ζώων. Επίσης, τα ραντάρ παρακολούθησης του καιρού παρακολουθούν την άφιξη των αποδημητικών πτηνών και, συνεπώς, μπορούν να εκτιμήσουν ποσοτικά δεδομένα για την κατανομή τους, συμβάλλοντας στον εντοπισμό των ενδιάμεσων μεταναστευτικών στάσεων μέσα σε μία ευρεία γεωγραφική κλίμακα και σε πραγματικό χρόνο.

''Μοντέλα επανανάλυσης τηλεπισκοπικών προϊόντων''

Υπάρχει μια αυξανόμενη προσπάθεια για την επανανάλυση των τηλεπισκοπικών και μετεωρολογικών δεδομένων, ώστε να ληφθούν συνεκτικά και μακροπρόθεσμα, παγκόσμια ή τοπικά περιβαλλοντικά προϊόντα με μικρή ή μεσαία χωρική ανάλυση (12-1000 km), αλλά πολύ υψηλή χρονική (1-24 ωρών). Τέτοιου είδους παραδείγματα αποτελούν η NARR (North American Regional Reanalysis), η NCEP Reanalysis της NOAA και η ECMWF (European weather reanalysis). Το πρόγραμμα MERRA της NASA, για παράδειγμα, παρέχει συνεπείς πληροφορίες σχετικά με τη μεταβλητότητα του καιρού από το 1979 μέχρι σήμερα.

''Πιθανοί περιορισμοί των προϊόντων τηλεπισκόπησης στις μελέτες της οικολογίας της μετακίνησης''

Ένα σημαντικό ζήτημα είναι αυτό των σφαλμάτων, των αβεβαιοτήτων και της ακρίβειας στα προϊόντα τηλεπισκόπησης. Η ταξινόμηση σε σχέση με την κάλυψη γης δεν είναι τέλεια και αυτό μπορεί να εισάγει σφάλματα στα μοντέλα της μετακίνησης των ζώων. Όσο αυξάνονται οι θεματικές ενότητες κάλυψης γης που καλούνται να χαρτογραφηθούν τόσο μειώνεται η ακρίβεια της ταξινόμησης. Οι ερευνητές που εφαρμόζουν τηλεπισκοπικά δεδομένα σε δεδομένα μετακίνησης ζώων θα πρέπει, επίσης, να λάβουν υπόψη την εγγενή χωρική αυτοσυσχέτιση των συγκεκριμένων δεδομένων. Ωστόσο, έχει σημειωθεί σημαντική πρόοδος σε στατιστικά εργαλεία, τα οποία συμβάλλουν στην ανακάλυψη χωρικών μοτίβων και τη διόρθωση των αυτοσυσχετιζόμενων δεδομένων. Η χωρική διακριτική ικανότητα των δορυφορικών δεδομένων είναι ένα επιπλέον κρίσιμο ζήτημα, το οποίο σχετίζεται με την ανάλυση των δεδομένων μετακίνησης μικρής κλίμακας. Για παράδειγμα, το μέγεθος των εικονοστοιχείων, το οποίο τείνει να αντιστοιχεί σε 250-1000 μέτρα για τους δορυφόρους που παρέχουν καθημερινές παρατηρήσεις, αντιστοιχεί σε πολύ πιο αδρή (coarse) ανάλυση από αυτήν των δεδομένων κίνησης από κολάρα GPS.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Τα δεδομένα τηλεπισκόπησης νέας γενιάς με πιο λεπτομερή χωροχρονική ανάλυση παρέχουν σημαντικές δυνατότητες στη μελέτη των μετακινήσεων των ζώων, καθώς προσφέρουν πληροφορίες σε σχέση με περιβαλλοντικά μοτίβα, όπως η χρονική δυναμική των τοπίων και οι τρισδιάστατη δομή των ενδιαιτημάτων. Η ανάπτυξη νέων εργαλείων για την αυτοματοποίηση της ενσωμάτωσης των τηλεπισκοπικών δεδομένων σε δεδομένα μετακίνησης των ζώων, συμβάλλει στο να ξεπεραστούν οι δυσκολίες στην ανάλυση τους, καθιστώντας πιο εύκολη την πρόσβαση σε περιβαλλοντικά δεδομένα για τους ερευνητές της οικολογίας των μετακινήσεων. Ωστόσο, οι περιβαλλοντικοί δείκτες που προκύπτουν από τηλεπισκοπικά δεδομένα δεν είναι πάντα άμεσα ανάλογοι των δεδομένων που συλλέγονται στο πεδίο, και οι ερευνητές θα πρέπει να δίνουν μεγάλη προσοχή στην επιλογή του κατάλληλου τηλεπισκοπικού προϊόντος, το οποίο θα πρέπει να ταιριάζει καλύτερα σε μια δεδομένη κλίμακα ανάλυσης (''fine-but-infrequent'' έναντι ''coarse-but-frequent'' ανάλυση ή την ελάχιστη χαρτογραφική μονάδα) και στον τρόπο με τον οποίο οι περιορισμοί του μπορεί να επηρεάζουν τα συμπεράσματα. Η στενότερη συνεργασία μεταξύ των οικολόγων ερευνητών και των εμπειρογνωμόνων τηλεπισκόπησης θα μπορούσε να μετριάσει σημαντικά το χάσμα εφαρμογής των πρόσφατα διαθέσιμων τηλεπισκοπικών δεδομένων σε μελέτες σε σχέση με τις μετακινήσεις των ζώων.

'''Συντομογραφίες'''

AVHRR - Advanced Very High Resolution Radiometer

DEM - Digital elevation models - Ψηφιακά υψομετρικά μοντέλα

EVI - Enhanced Vegetation Index - Ενισχυμένος Δείκτης Βλάστησης

GPS - Global Positioning System

LiDAR - Light Detection and Ranging ή 3-D Laser scanning: τεχνολογία εκπομπής παλμικής ακτινοβολίας laser στην ατμόσφαιρα και ακόλουθη καταγραφή της οπισθοσκεδαζόμενης ακτινοβολίας laser, καταγραφή απόστασης από την επιφάνεια της γης και λήψη πληροφοριών για την μορφολογία του εδάφους

MODIS - Moderate resolution Imaging Spectroradiometer (MODIS) – Aισθητήρας Μέτριας Ανάλυσης Απεικονιστικού Φασματο-ραδιομέτρου

NDVI - Normalized Difference Vegetation Index - Δείκτης βλάστησης κανονικοποιημένης διαφοράς

NOAA - National Oceanic and Atmospheric Administration data

SPOT - Satellite Pour l’Oservation de la Terre

UAV - Unmanned Aerial Vehicle - μη επανδρωμένο ιπτάμενο όχημα

[[category:Εφαρμογές άγριας πανίδας]]

[[category: Οικολογία]]

Ανίχνευση ειδών άγριας πανίδας με χρήση ορατών και θερμικών υπέρυθρων απεικονίσεων από UAV

2019-02-20T00:07:21Z

Ntolka Eirini:

'''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)''

[[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

'''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: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]

[[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

'''Εισαγωγή'''

[[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.

'''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.

[[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).]]

''Επεξεργασία δεδομένων & επαλήθευση ταξινόμησης''

Η προεπεξεργασία των δεδομένων (ορατές απεικονίσεις και θερμικό υπέρυθρο βίντεο) είχε ως αποτέλεσμα τη δημιουργία ενός γεωαναφερμένου ψηφιδωτού (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 σε πολλαπλά επίπεδα χωρικής 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 «είδη» προήλθαν από τα δεδομένα εδάφους, ενώ τα πολύγωνα για την κατηγορία «μη ζώα» ταυτοποιήθηκαν με αναλογική 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 σε κάθε πολύγωνο (>50%) με την κατηγορία που αναγνωρίσθηκε στο πεδίο.

[[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:RSpaper2.7_Ntolka.JPG | thumb| right|'''Εικόνα 6. Γεωαναφερμένες απεικονίσεις από τη διαδρομή πτήσης No 3.]]

'''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.

[[category:Εφαρμογές άγριας πανίδας]]

[[category: Οικολογία]]

Ένα σύστημα ανίχνευσης νεογνών ζαρκαδιών βασισμένο σε UAV

2019-02-20T00:06:44Z

Ntolka Eirini:

'''Ένα σύστημα ανίχνευσης νεογνών ζαρκαδιών βασισμένο σε UAV'''

'''Πρωτότυπος τίτλος:''' ''A UAV-based roe deer fawn detection system''

[[Εικόνα:RSpaper1.1_Ntolka.JPG | thumb| right|'''Εικόνα 1. Θερμική απεικόνιση νεογνού ζαρκαδιού.'''
Το τρίχωμα των νεογνών του ζαρκαδιού παρέχει ελάχιστη θερμομόνωση, με αποτέλεσμα να γίνονται εύκολα ανιχνεύσιμα με χρήση θερμικής κάμερας όταν το περιβάλλον τους είναι αρκετά ψυχρό.]]

'''Συγγραφέας: '''Martin Israel

'''Δημοσιεύθηκε: ''' ''International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XXXVIII-1/C22, UAV-g 2011, Conference on Unmanned Aerial Vehicle in Geomatics, 2011, Zurich, Switzerland''

[[Εικόνα:RSpaper1.0_equation_Ntolka.JPG | thumb| right|'''Εξίσωση 1''' Η μέγιστη γωνιακή απόκλιση ''α'' κατά την οποία η κάμερα μπορεί να εντοπίσει ένα νεογνό ζαρκαδιού μεγέθους ''f'' = 30cm σε ένα λιβάδι με μέσο ύψος χόρτου ''h'' = 1m λόγω οπτικής απόφραξης, υπολογίζεται από την παραπάνω τριγωνομετρική εξίσωση, (όπου:''α'' η μέγιστη απόκλιση της γωνίας ανάμεσα στην κατεύθυνση θέασης και την κατακόρυφο από τον παρατηρητή (την κάμερα), ''f'' το μέγεθος του νεογνού, ''h'' το μέσο ύψος του χορταριού στο χωράφι, ''¯f'' το μέσο πλάτος της λωρίδας σάρωσης της κάμερας, ''¯h'' η απόσταση ανάμεσα στην κάμερα και το έδαφος.]]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/225022287_A_UAV-based_ROE_deer_fawn_detection_system]

[[Εικόνα:RSpaper1.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Γεωμετρικοί περιορισμοί. ''']]

'''Λέξεις-Κλειδιά: ''' UAV, θερμική απεικόνιση, διάσωση ζώων, τηλεπισκόπηση, σύστημα ανίχνευσης, γεωργία, Octocopter

'''Εισαγωγή'''

[[Εικόνα:RSpaper1.3_Ntolka.JPG | thumb| right|'''Εικόνα 3. Falcon-8 MAV σε δράση.''']]

Εκτός από τα οικονομικά οφέλη, η προοδευτική εκβιομηχάνιση της γεωργίας συνεπάγεται επίσης προβλήματα. Η αύξηση τόσο του πλάτους όσο και της ταχύτητας εργασίας των μηχανών συγκομιδής οδηγεί σε αύξηση του κινδύνου που διατρέχουν τα άγρια ζώα που ζουν στη γεωργική γη. Το 96% των ζαρκαδιών (Capreolus capreolus) γεννιούνται στο χρονικό διάστημα μεταξύ Μαΐου και Ιουνίου, που συμπίπτει με την περίοδο χορτοκοπής των βοσκοτόπων. Τα νεογνά χρησιμοποιούν τα καλλιεργημένα βοσκοτόπια για να κρυφτούν από τους θηρευτές και κατά τη διάρκεια των δύο πρώτων μηνών της ζωής τους μένουν κατά κύριο λόγο κρυμμένα μέσα στα χορτάρια χωρίς να κινούνται. Με αυτόν τον τρόπο, εντοπίζονται δύσκολα από τους αγρότες και συχνά σκοτώνονται από τις μηχανές κοπής. Πέρα από το θάνατο των άγριων ζώων, το φαινόμενο αυτό μπορεί επίσης να οδηγήσει σε μεγάλη οικονομική ζημία για τον αγρότη. Σε περίπτωση που το πτώμα του ζώου δεν βρεθεί εγκαίρως, βακτήρια παράγουν την τοξίνη botulinum (BTX- Botox), με αποτέλεσμα την παρουσία ενός θανατηφόρου δηλητηρίου στις ζωοτροφές για τις αγελάδες.
Στην παρούσα εργασία, περιγράφεται ένα σύστημα ανίχνευσης νεογνών ζαρκαδιών, το οποίο βασίζεται στη χρήση μη επανδρωμένου ιπτάμενου οχήματος (UAV- Unmanned Aerial Vehicle) με σκοπό τον εντοπισμό και την μεταφορά τους μακριά από το χωράφι και την αποφυγή γεωργικών ατυχημάτων. Επειδή τα νεογνά εντοπίζονται δύσκολα στο ορατό φάσμα λόγω καμουφλάζ, ως βασικός αισθητήρας του συστήματος χρησιμοποιείται μία ελαφριά θερμική υπέρυθρη κάμερα (Εικόνα 1).

[[Εικόνα:RSpaper1.4_Ntolka.JPG | thumb| right|'''Εικόνα 4. Κάλυψη της περιοχής μελέτης.'''
Η κόκκινη γραμμή απεικονίζει μία σχηματική διαδρομή πτήσης, τα γκρι τετράγωνα αντιπροσωπεύουν την παρατηρούμενη έκταση στο έδαφος, και ο μπλε κύκλος παριστάνει το μικροαεροσκάφος . Υπάρχει αλληλοεπικάλυψη και στις δύο κατευθύνσεις ώστε να εξασφαλισθεί η πλήρης κάλυψη (σκούρο γκρι).]]

'''Υλικά και Μέθοδοι '''

'' Ζητήματα γεωμετρίας''

Για τη συγκεκριμένη εφαρμογή, η κάμερα λειτουργεί καλύτερα με ένα οπτικό πεδίο γωνίας 34° για κατακόρυφη θέαση, που αντιστοιχεί στο διπλάσιο της γωνιακής απόκλισης α (Εξίσωση 1- Εικόνα 2) ανάμεσα στην κατεύθυνση θέασης της κάμερας και την κατακόρυφο από το έδαφος) . Πέρα από αυτό το σημείο, το χορτάρι μπορεί να κρύψει τελείως ένα νεογνό στις άκρες της εικόνας ανεξαρτήτως της απόστασης της κάμερας από το έδαφος. Η μέση θερμοκρασία σώματος του νεογνού περιέχει όλη την απαραίτητη πληροφορία για την ταξινόμησή του στο λιβάδι, επομένως μια ανάλυση εικονοστοιχείου (pixel) που αντιστοιχεί στο μέγεθος ενός νεογνού είναι αρκετή για την ανίχνευσή του. Παρόλα αυτά, για να αποφύγουμε την απώλεια πληροφορίας και δεδομένου ότι το μέγεθος ενός νεογνού αντιστοιχεί σε περίπου 30cm, το μέγεθος του εικονοστοιχείου στο έδαφος θα πρέπει να είναι μικρότερο από 15cm.
Για τη συγκεκριμένη μελέτη επιλέχθηκε η θερμική κάμερα πυρήνα Tau640 της FLIR με 640x512 εικονοστοιχεία και φακούς με οπτικό πεδίο (FOV) 32°x 26°, η οποία μπορεί θεωρητικά να εντοπίσει ένα νεογνό στο χωράφι από ένα μέγιστο ύψος 166 μέτρων, ενώ η πτήση σε χαμηλότερο υψόμετρο αυξάνει τη βεβαιότητα ανίχνευσης.

[[Εικόνα:RSpaper1.5_Ntolka.JPG | thumb| right|'''Εικόνα 5. Στιγμιότυπο οθόνης του Waypoint Editor'''

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).]]

''Περιγραφή συστήματος''

Η θερμική κάμερα τοποθετήθηκε στο μικρό αεροσκάφος (MAV-micro air vehicle) Falcon-8 της Ascending Technologies GmbH (Eικόνα 3), το οποίο μπορεί να λάβει γεωαναφερόμενες εικόνες υψηλής ποιότητας. Κατά την πραγματοποίηση του πειράματος σαρώθηκε ολόκληρη την περιοχή μελέτης με διαδοχικές πτήσεις σε ευθείες διαδρομές, μεταξύ ενδιάμεσων σταθμών που ισαπέχουν μεταξύ τους (Eικόνα 4). Για τον εντοπισμό των νεογνών, αρχικά πραγματοποιήθηκε η ανίχνευση των θερμών σημείων με πτήσεις σε μεγάλο ύψος (κάλυψη μεγαλύτερης έκτασης σε λιγότερο χρόνο) και η ακόλουθη ταυτοποίησή των νεογνών με πτήσεις σε χαμηλότερο (μεγαλύτερη διακριτικότητα εικόνας). Ο χειριστής του αεροσκάφους μπορεί να παρακολουθεί ζωντανά τη θέαση της κάμερας (the view of the onboard camera) από το έδαφος, μέσω αναλογικής ροής video. Ταυτόχρονα γίνεται η λήψη των θερμικών εικόνων, ενώ τα δεδομένα για κάθε ενδιάμεσο σταθμό (η θερμική εικόνα, η τρέχουσα θέση της κάμερας, το υψόμετρο πτήσης και η γωνία κλίσης της κάμερας) αποθηκεύονται σε κάρτα microSD. Ο αλγόριθμος αναγνώρισης προτύπου στέλνει τα αποτελέσματα μέσω ραδιοσύζευξης στον σταθμό εδάφους, δίνοντας στον χειριστή τις απαραίτητες πληροφορίες για τη λήψη αποφάσεων.

''Ροή εργασίας''

Για την ανίχνευση και τη διάσωση των νεογνών κατά τη διάρκεια της χορτοκοπής των βοσκοτόπων με χρήση UAV χρειάζεται να δουλέψουν τουλάχιστον 2 άτομα. Ένας ενεργεί ως πιλότος και ένας χρειάζεται να πηγαίνει στο εντοπισμένο νεογνό και να το απομακρύνει από το χωράφι. Η διαδικασία της συγκεκριμένης εργασίας χωρίζεται στα εξής βήματα: α) ''σχεδιασμός σημείων ενδιάμεσων σταθμών (waypoint planning)'', β) ''ανίχνευση θερμών σημείων'' και καταγραφή της θέσης τους κατά την πτήση σε μεγάλο ύψος (30-50m) , γ) ''αναγνώριση/ταυτοποίηση'' νεογνού, μέσω παρατήρησης της θερμικής και οπτικής βιντεοπροβολής που λαμβάνεται με τη διενέργεια πτήσης πάνω από τη θέση του θερμού σημείου και σε χαμηλότερο ύψος, δ) ''ανάκτηση'' του εντοπισμένου νεογνού με τη βοήθεια συσκευής GPS χειρός, ε) ''διάσωση'' και στ) ''απελευθέρωση''. Ο σχεδιασμός των σημείων των ενδιάμεσων σταθμών και η γενική προετοιμασία της εργασίας πρέπει να γίνεται πριν την διενέργεια της πτήσης. Για τον σκοπό αυτό, αναπτύχθηκε από τους ερευνητές η διαδικτυακή εφαρμογή Waypoint Editor, η οποία στηρίζεται στην διεπαφή προγραμματισμού της εφαρμογής του Google Maps (API). Με χρήση δορυφορικής απεικόνισης, οριοθετήθηκε το χωράφι και σημάνθηκε η θέση εκτόξευσης του αεροσκάφους. Στη συνέχεια η εφαρμογή υπολόγισε μια βελτιστοποιημένη διαδρομή πτήσης με προκαθορισμένη απόσταση ανάμεσα στους ενδιάμεσους σταθμούς (Εικόνα 5).

[[Εικόνα:RSpaper1.6_Ntolka.JPG | thumb| right|'''Εικόνα 6. Μείωση της αντίθεσης μιας σκηνής με τυπική διαμόρφωση AGC, όταν μια θερμή περιοχή εισέρχεται στο οπτικό πεδίο''' (δεξιά εικόνα). Ο κόκκινος κύκλος δείχνει και στις δύο εικόνες, το ίδιο νεογνό που περιβάλλεται από έναν φράχτη.]]

''Θερμική κάμερα''

Προκειμένου να επιτευχθεί υψηλή ευαισθησία, κάθε εικονοστοιχείο του θερμικού ανιχνευτή παρέχει ένα σήμα 14-bit (> 15000 επίπεδα του γκρι). Το ανθρώπινο οπτικό σύστημα μπορεί να διακρίνει μόνο περίπου 128 επίπεδα του γκρι (7 bit) και επομένως η αρχική εικόνα των 14 bit πρέπει να συμπιεστεί. Η υψηλή αντίθεση της σκηνής στην εικόνα σταθμίζεται με ένα αυτόματο σύστημα κέρδους ελέγχου (AGC- automatic gain control) (Εικόνες 6,7).

[[Εικόνα:RSpaper1.7_Ntolka.JPG | thumb| right|'''Εικόνα 7. Αποκόμματα(cut-outs) θερμικής απεικόνισης κλασικών θερμών σημείων σε ύψος πτήσης 30 και 50 μέτρων.''' Οι μικρές εικόνες στα αριστερά αποτελούν ενισχυμένα τμήματα 64x64 εικονοστοιχείων από τη λήψη θερμικών απεικονίσεων. Η εικόνα f αποτελεί περικοπή της εικόνας πλήρους μεγέθους g. Σε ύψος πτήσης 50m, ένα νεογνό αντιπροσωπεύεται από μόνο 40 από τα 327.680 εικονοστοιχεία.]]

'''Αποτελέσματα & Συζήτηση'''

Οι εργασίες πεδίου πραγματοποιήθηκαν μέσα σε 15 μέρες, τον Μάιο και τον Ιούνιο του 2011. Το σύστημα ανίχνευσης νεογνών ελέγχθηκε σε διαφορετικές χρονικές στιγμές της ημέρας και διαφορετικές καιρικές συνθήκες και συνθήκες φωτισμού. Συνολικά σαρώθηκαν 70,77 εκτάρια, από τα οποία τα 44,2 ha σαρώθηκαν σε 22 πτήσεις σε ύψος 50 m και τα 26,6 ha σε 28 πτήσεις σε ύψος 30m. Η πτήση σε ύψος άνω των 50 μέτρων συχνά οδηγούσε σε απώλεια εντοπισμού του νεογνού. Συνολικά ανιχνεύθηκαν 14 νεογνά, τα περισσότερα εκ των οποίων βρέθηκαν όταν επικρατούσαν συνθήκες βέλτιστου φωτισμού.

'''Συμβολή της Τηλεπισκόπησης'''

Η χρήση ενός μη επανδρωμένου ιπτάμενου οχήματος UAV με θερμική υπέρυθρη κάμερα για την εξ αποστάσεως ανίχνευση των νεογνών του ζαρκαδιού στα χωράφια κατά τη διάρκεια της χορτοκοπής, αποτελεί μία εύκολη, γρήγορη και αξιόπιστη μέθοδο για την αποφυγή των γεωργικών ατυχημάτων και το θάνατο των άγριων ζώων που ζουν στις γεωργικές εκτάσεις από τις μηχανές κοπής.

[[category:Εφαρμογές άγριας πανίδας]]

[[category: Οικολογία]]

Ανίχνευση δασικών δρόμων με χρήση δεδομένων LiDAR

2019-02-20T00:03:43Z

Ntolka Eirini:

'''Ανίχνευση δασικών δρόμων με χρήση δεδομένων LiDAR '''
[[Εικόνα:RSpaper9.1_Ntolka.JPG | thumb| right|'''Εικόνα 1.''' (a) '''DTM''',(b) '''DSM''', (c) '''DNTM''', (d) '''Δεδομένα έντασης ''']]

'''Πρωτότυπος τίτλος:''' ''Forest Road Detection Using LiDAR Data''

[[Εικόνα:RSpaperT9.1_Ntolka.JPG | thumb| right|'''Πίνακας 1. SVM μήτρα ταξινόμησης '''(Support Vector Machine - Μηχανή Διανυσματικής Υποστήριξης ) ]]

'''Συγγραφείς: ''' Zahra Azizi, Akbar Najafi, Saeed Sadeghian

'''Δημοσιεύθηκε: ''' ''Journal of Forestry Research 25(4): 975-980, Δεκέμβριος 2014, doi: 10.1007/s11676-014-0544-0''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/267816462_Forest_Road_Detection_Using_LiDAR_Data]

'''Λέξεις-Κλειδιά: ''' δασικός δρόμος, LiDAR, SVM, μέθοδος IDW

[[Εικόνα:RSpaper9.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Πεδίο ρύθμισης κεντρικών γραμμών '''(πράσινο)''' και ψηφιοποιημένη κεντρική γραμμή''' (ροζ)'''. ''']]

[[Εικόνα:RSpaperT9.2_Ntolka.JPG | thumb| right|'''Πίνακας 2. Εκτιμήσεις της SVM ταξινόμησης.''']]

'''Εισαγωγή'''

Η λεπτομερής και ακριβής καταγραφή των δασικών δρόμων είναι πολύ σημαντική για τη διαχείριση των δασών. Είναι απαραίτητο να υπάρχει ένας λεπτομερής χάρτης για κάθε δασικό δρόμο, ώστε να διευκολύνονται δραστηριότητες, όπως η λήψη μέτρων αντιπυρικής προστασίας, η μεταφορά δασικών προϊόντων, τα ταξίδια, η αναψυχή και η εκπαίδευση. Οι δρόμοι αποτελούν, επίσης, ένα σημαντικό θεματικό επίπεδο δεδομένων (data layer) στα Γεωγραφικά Συστήματα Πληροφοριών (GIS - Geographical Information Systems).
Η χρήση δεδομένων GPS αποτελεί μέχρι σήμερα την καταλληλότερη μέθοδο για την ενημέρωση των πληροφοριών σε σχέση με τους δασικούς δρόμους του Ιράν, κυρίως λόγω του χαμηλού της κόστους. Ωστόσο, είναι συχνά ανακριβής και χρονοβόρα. Κατά την εφαρμογή της σε δασικές περιοχές εμφανίζονται διάφορα προβλήματα, όπως η χαμηλή διαθεσιμότητα των δορυφορικών σημάτων κάτω από το θόλο των δέντρων.

Η αυτοματοποιημένη εξαγωγή (extrapolation) δρόμων με τη χρήση δεδομένων τηλεπισκόπησης μπορεί να συμβάλλει στην εξοικονόμηση του χρόνου και κόστους εργασίας για την ενημέρωση μιας βάσης δεδομένων δασικών δρόμων. Η χαρτογράφηση της επιφάνειας της γης χρησιμοποιώντας ένα σύστημα ''LiDAR (Light Detection and Ranging)'' αποτελεί την πιο ακριβή μέθοδο. Η LiDAR χρησιμοποιείται για τη λήψη πληροφοριών σε σχέση με τη μορφολογία του εδάφους και στηρίζεται στην εκπομπή παλμικής ακτινοβολίας laser στην ατμόσφαιρα και στην ακόλουθη καταγραφή της οπισθοσκεδαζόμενης ακτινοβολίας για την καταγραφή της απόστασης από την επιφάνεια της γης.
Αποτελεί μια αξιόπιστη τεχνική για τη συλλογή υψομετρικών δεδομένων διαφόρων επιπέδων επιφανείας, ανάλογα με τη διείσδυση της δέσμης laser προς το έδαφος. Αυτά τα δεδομένα μπορούν να χρησιμοποιηθούν για τη δημιουργία ενός Ψηφιακού Υψομετρικού Μοντέλου ''(DEM - Digital Elevation Model)'', και η καταγραφή της έντασης της οπισθοσκεδαζόμενης ακτινοβολίας μπορεί να χρησιμοποιηθεί για την ταξινόμηση των επιφανειακών αντικειμένων. Σε περιοχές όπου υπάρχει βλάστηση, οι πρώτες επιστροφές της ακτινοβολίας αντιστοιχούν γενικά στο ανώτερο επίπεδο του θόλου (στις κορυφές της κόμης των δέντρων) και χρησιμοποιούνται για τη δημιουργία των Ψηφιακών Επιφανειακών Μοντέλων ''(DSM - Digital Surface Model)'', ενώ οι τελευταίες επιστροφές αντιστοιχούν στην επιφάνεια του εδάφους και χρησιμοποιούνται για τη δημιουργία των Ψηφιακών Εδαφικών Μοντέλων ''(DTM - Digital Terrain Model)''. Τα δεδομένα DEM είναι συνήθως σε μορφή ψηφιδωτού (raster) και δημιουργούνται χρησιμοποιώντας τεχνικές χωρικής παρεμβολής πάνω σε σημειακά δεδομένα. Οι πιο κοινοί τύποι επιφανειών είναι αυτοί που παράγονται από τα δίκτυα ακανόνιστων τριγώνων ''(TIN - Triangulated Irregular Network) ''ή τη μέθοδο αντίστροφης βαρύνουσας απόστασης ''(IDW - Inverse Distance Weighting)''.

Η ταξινόμηση των δεδομένων LiDAR σε αντικείμενα όπως ένας δρόμος, ένα δέντρο και ένα κτίριο σε μια δασική περιοχή έχει αποτελέσει ένα δύσκολο έργο στις μελέτες τηλεπισκόπησης. Μέχρι πρόσφατα, η Μηχανή Διανυσματικής Υποστήριξης ''(SVM - Support Vector Machine)'' υπήρξε μια δημοφιλής και αξιόπιστη προσέγγιση για την ταξινόμηση των δεδομένων με στόχο την εξαγωγή δρόμων.

Σκοπός αυτής της μελέτης ήταν ο προσδιορισμός της καταλληλότητας της τεχνολογίας LiDAR για την εξαγωγή δασικών δρόμων. Ακολουθήθηκε μια διαδικασία τριών σταδίων: Στο πρώτο στάδιο χρησιμοποιήθηκε η μέθοδος χωρικής παρεμβολής IDW, ώστε να δημιουργηθούν τα στρώματα DSM, DTM και ''DNTM (Digital Non Terrain Model)''. Στο δεύτερο στάδιο, ταξινομήθηκαν τα δεδομένα LiDAR με χρήση του αλγόριθμου SVM, ώστε να εξαχθεί ένας δασικός δρόμος και στο τελευταίο στάδιο πραγματοποιήθηκε αξιολόγηση της ακρίβειας των αποτελεσμάτων. Η θέση του δρόμου αξιολογήθηκε με βάση τα ακόλουθα κριτήρια: α)την ''ταξινόμηση'', καθορισμός του ποσοστού της οδικής περιοχής που θα μπορούσε να προσδιοριστεί ορθά με τα δεδομένα LiDAR, β) την ''ακρίβεια θέσης'', καθορισμός του 95ου εκατοστημορίου της οριζόντιας απόστασης που διαχωρίζει την προερχόμενη από το LiDAR κεντρική γραμμή και την επιβεβαιωμένη από έρευνα πεδίου κεντρική γραμμή του δρόμου.

'''Περιοχή μελέτης'''

Η περιοχή μελέτης αποτελεί τμήμα των δασών Hyrcanian στην επαρχία Golestan του Ιράν. H μορφολογία του εδάφους είναι κρημνώδης, ανομοιόμορφη, με υψόμετρα που κυμαίνονται από 290 έως 720 m και κλίσεις επιφάνειας εδάφους από 3% έως 65%. Ο δασικός δρόμος χτίστηκε το 1990 και χρησιμοποιήθηκε για την πρόσβαση στο δάσος Shastkola για τη συγκομιδή ξυλείας, την πραγματοποίηση ερευνών πεδίου και τη διαχείριση και προστασία των δασών. Το μέσο πλάτος της επιφάνειας του οδοστρώματος ήταν 3,5 m. Ορισμένα τμήματα του δρόμου ήταν κρυμμένα κάτω από το θόλο του δάσους, με μέσο όρο κάλυψής του 80% και εύρος 40-100%.

'''Υλικά και Μέθοδοι '''

''Πηγές δεδομένων''

Τα δεδομένα LiDAR συλλέχθηκαν από τον Εθνικό Γεωγραφικό Οργανισμό του Ιράν (NGO), χρησιμοποιώντας έναν αισθητήρα τοποθετημένο σε αεροσκάφος σταθερής πτέρυγας. Η έρευνα διεξήχθη τον Οκτώβριο του 2011 και τα δεδομένα LiDAR συμπεριλάμβαναν τις πρώτες και τελευταίες επιστροφές των δεδομένων απόστασης και έντασης ακτινοβολίας laser, με μέση πυκνότητα σημείων στην επιφάνεια τα 4 σημεία/m2. Για την αξιολόγηση της εξαγωγής του δρόμου, χρησιμοποιήθηκαν 2 διανυσματικά θεματικά επίπεδα. Ένα από 87 σημεία ελέγχου με οριζόντια ακρίβεια 0,08 m, και ένα ακόμα οδικό δίκτυο (σε μορφή γραμμών) από προηγούμενες μελέτες στην ίδια περιοχή.

''Προεπεξεργασία & προετοιμασία των στρωμάτων''

Για τη δημιουργία ενός ακριβούς DEM, πριν την παρεμβολή του σε μορφή raster, πρέπει να αφαιρεθούν τα μη εδαφικά σημεία. Στην παρούσα έρευνα για το φιλτράρισμα του εδάφους (ground filtering) χρησιμοποιήθηκαν οι τελευταίες επιστροφές παλμού, καθώς διαπερνούν τη βλάστηση και φτάνουν πιο κοντά στην επιφάνεια του εδάφους. Τα μη εδαφικά σημεία αφαιρέθηκαν με την εφαρμογή της Εξίσωσης 1, με βάση την οποία η διαφορά μεταξύ του πρώτου και του τελευταίου παλμού δεν πρέπει να είναι μικρότερη από μια συγκεκριμένη τιμή κατωφλίου ''Τ''. Στην περίπτωση που η διαφορά είναι μικρότερη από Τ, το σημείο αφαιρείται. Το Τ υπολογίζεται μέσω της Εξίσωσης 2, όπου ''σ''είναι το σφάλμα στη μέτρηση του υψομέτρου στα δεδομένα LiDAR.
Για τον επανυπολογισμό των αφαιρεθέντων σημείων, εφαρμόσθηκε στη συνέχεια η μέθοδος παρεμβολής IDW.Από τα δεδομένα για τον τελευταίο παλμό δημιουργήθηκε ένα Ψηφιακό Εδαφικό Μοντέλο (DTM) και από τα δεδομένα για τον πρώτο παλμό ένα Ψηφιακό Επιφανειακό Μοντέλο (DSM). Για να απαλειφθεί η τοπογραφική επίδραση στον προσδιορισμό του δρόμου χρησιμοποιήθηκε ένα Ψηφιακό Μη Εδαφικό Μοντέλο (DNTM), (Εξίσωση 3):

First Pulse – Last Pulse > Τ (1)

T ≥ √(σ^2*First Pulse+σ^2*Last Pulse) (2)

DNTM = DSM – DTM (3)

''Ταξινόμηση SVM & αξιολόγηση αποτελεσμάτων''

Tα δεδομένα LiDAR για την ένταση της ακτινοβολίας ταξινομήθηκαν μέσω της μηχανής εκπαίδευσης SVM σε δύο κατηγορίες. Στη μία κατηγορία αντιστοιχούσαν τα δεδομένα που υποδείκνυαν την εύρεση δρόμου και στην άλλη αυτά που δεν την υποδείκνυαν. Στη συνέχεια, στην ταξινόμηση χρησιμοποιήθηκαν και τα LiDAR δεδομένα απόστασης, ώστε να αφαιρεθούν τα εικονοστοιχεία τα οποία είχαν ραδιομετρικές τιμές παρόμοιες με τα εικονοστοιχεία επιφάνειας δρόμου, αλλά δεν αποτελούσαν εικονοστοιχεία δρόμου.
Η αξιολόγηση των εξαχθέντων δεδομένων δρόμου έγινε σε 2 στάδια.
Κατά το πρώτο στάδιο, συγκρίθηκαν οι αυτόματα εξαχθείσες κεντρικές γραμμές του δρόμου με τους χειροκίνητα σχεδιασμένους οδικούς άξονες, οι οποίοι χρησιμοποιήθηκαν ως δεδομένα αναφοράς. Συγκεκριμένα, με χρήση του αλγόριθμου SVM υπολογίσθηκε ο αριθμός των εξαχθέντων δρόμων που αντιστοιχούσε ορθά - «ταίριαζε» στον αριθμό του οδικού δικτύου αναφοράς. Τα αντιστοιχισμένα εξαχθέντα για τους δρόμους δεδομένα χαρακτηρίζονταν ως ορθώς θετικά ( ΤP - True Positive), υπογραμμίζοντας το γεγονός ότι ο αλγόριθμος εξαγωγής βρήκε πράγματι δρόμο. Τα εξαχθέντα δεδομένα δρόμου που δεν συνέπιπταν με αυτά του δικτύου αναφοράς χαρακτηρίζονταν ως ψευδώς θετικά (FP – False Positive). Στη συνέχεια, η σύγκριση των δεδομένων έγινε με αντίστροφο τρόπο, δηλαδή εξετάζοντας αν τα δεδομένα αναφοράς ταιριάζουν με τα εξαχθέντα για τους δρόμους δεδομένα, τα οποία χρησιμοποιούνταν ως βάση. Τα δεδομένα αναφοράς που δεν συνέπιπταν με τα εξαχθέντα δεδομένα χαρακτηρίζονταν ως λανθασμένα αρνητικά (FN - False Negative) ενώ αυτά που συνέπιπταν ως ορθώς θετικά ( TP - True Positive).
Κατά το δεύτερο στάδιο, για την αξιολόγηση των εξαχθέντων δεδομένων δρόμου χρησιμοποιήθηκαν τρία μέτρα ποιότητας: η πληρότητα (completeness), η ορθότητα (correctness) και η ποιότητα (quality) (Εξισώσεις 4-6).

Completeness = TP/ (TP + FN) (4)

Correctness = TP/ (TP + FP) (5)

Quality = TP/ (TP + FP + FN) (6)

''Σύγκριση εξαχθείσας κεντρικής γραμμής δρόμου με εκείνη που προσδιορίστηκε από επιτόπια έρευνα ''

Η θέση της κεντρικής γραμμής δρόμου που προέκυψε από τα δεδομένα LiDAR με τη θέση της κεντρικής γραμμής από την έρευνα πεδίου, πραγματοποιήθηκε με χρήση 117 σημείων ελέγχου. Κατά αυτόν τον τρόπο, εκτιμήθηκε το ποσοστό του ψηφιοποιημένου δασικού δρόμου που «έπεσε» εντός (x) μέτρων από την εξεταζόμενη κεντρική γραμμή δρόμου. Η συνολική ακρίβεια θέσης εκτιμήθηκε με τον καθορισμό του 95ου εκατοστημορίου της οριζόντιας απόστασης που διαχωρίζει την προερχόμενη από το LiDAR κεντρική γραμμή και την επιβεβαιωμένη από την έρευνα πεδίου κεντρική γραμμή του δρόμου

'''Αποτελέσματα'''

Σύμφωνα με τα αποτελέσματα της μεθόδου παρεμβολής IDW, τα σημεία που έπρεπε να αφαιρεθούν από το νέφος σημείων LiDAR αντιστοιχούσαν σε λιγότερο από το 10% του συνόλου των σημειακών δεδομένων. Το μέσο τετραγωνικό σφάλμα πρόβλεψης ''(RMSE- Root Mean Square Error)'' για την παρεμβολή των δεδομένων LiDAR ήταν 0,19 m και τα στρώματα DSM, DTM και DNTM δημιουργήθηκαν με χωρική ανάλυση 1 m (Εικόνα 1).
Η Μηχανή Διανυσματικής Υποστήριξης (SVM) κατηγοριοποίησε τα δεδομένα έντασης LiDAR και τα συγχωνευμένα δεδομένα (δεδομένα έντασης και DNTM) σε δύο κατηγορίες, «δρόμος» και «μη δρόμος», συμβάλλοντας στον καλύτερο εντοπισμό της θέσης του δασικού δρόμου. Κάθε εικονοστοιχείο των εξαχθέντων δεδομένων δρόμου από το προηγούμενο στάδιο ανάλυσης ταξινομήθηκε ως ορθός θετικό (TP) ή ψευδώς αρνητικό (FN) ή ψευδώς θετικό (FP) (Πίνακας 1).
Η εφαρμογή των μέτρων ποιότητας για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης οδήγησε σε 75% πληρότητα, 63% ορθότητα και 52% ποιότητα (Πίνακας 2).
Οι άκρες του δρόμου ήταν καλά καθορισμένες στα στρώματα που εξήχθησαν με την LiDAR και επέτρεψαν την ακριβή ψηφιοποίηση της θέσης της κεντρικής γραμμής του δασικού δρόμου. Περισσότερο από το 95% των εξαχθέντων τμημάτων του δασικού δρόμου ψηφιοποιήθηκε εντός της απόσταση των 1,3 m από την κανονική κεντρική γραμμή που προσδιορίστηκε με έρευνα πεδίου (Εικόνα 2)

'''Συζήτηση & Συμβολή της Τηλεπισκόπησης'''

Στην παρούσα μελέτη, με χρήση της τεχνολογίας LiDAR ήταν δυνατό να γίνει εντοπισμός της θέσης ενός δασικού δρόμου με ακρίβεια ± 1.3 m, η οποία είναι σημαντικά βελτιωμένη σε σύγκριση με την ακρίβεια των ± 10 m που επιτυγχάνεται με τις παραδοσιακές πηγές δεδομένων για την χαρτογράφηση δρόμων στους 1: 25.000 τοπογραφικούς χάρτες στο Ιράν.
Η θέση των δασικών δρόμων αποτελεί σημαντική παράμετρο απογραφής για την αξιολόγηση της διαχείρισης των δασών. Ο εντοπισμός της μπορεί να επιτευχθεί με ακρίβεια και αποτελεσματικότητα χρησιμοποιώντας δεδομένα LiDAR υψηλής ανάλυσης, τα οποία μειώνουν την ανάγκη για έρευνες πεδίου για αυτή τη βασική παράμετρο. Τα οδικά δεδομένα που προκύπτουν από LiDAR μπορούν να αντιμετωπίσουν τα κενά που υπάρχουν στις τρέχουσες πηγές δεδομένων, ειδικά για δασικές εκτάσεις, και αποτελούν ένα πολύτιμο εργαλείο για την αξιολόγηση των δασικών δρόμων σε κλίμακες που δεν ήταν εφικτές στο παρελθόν.

'''Συντομογραφίες'''

DEM - Digital Elevation Model - Ψηφιακό Υψομετρικό Μοντέλο

DNTM - Digital Non Terrain Model

DSM - Digital Surface Model - Ψηφιακό Μοντέλο Επιφάνειας

DTM - Digital Terrain Model - Ψηφιακό Μοντέλο Εδάφους

GIS - Geographical Information - Γεωγραφικά Συστήματα Πληροφοριών

IDW - Inverse Distance Weighting - Αντίστροφης Βαρύνουσας Απόστασης

LiDAR - Light Detection and Ranging

RMSE - Root Mean Square Error - Μέσο Τετραγωνικό Σφάλμα Πρόβλεψης

SVM - Support Vector Machine - Μηχανή Διανυσματικής Υποστήριξης

TIN - Triangulated Irregular Network - Δίκτυα Ακανόνιστων Τριγώνων

[[category:Δασοπονία, Δασική διαχείριση]]

[[category: Οικολογία]]

Χαρτογράφηση δασικού οδικού δικτύου

2019-02-19T23:59:56Z

Ntolka Eirini: Νέα σελίδα με 'Add Your Content Here category:Δασοπονία, Δασική διαχείριση'

Add Your Content Here

[[category:Δασοπονία, Δασική διαχείριση]]

3D-LiDAR χαρτογράφηση οικοσυστήματος και εξελίξεις στη μελέτη της οικολογίας της άγριας πανίδας

2019-02-19T23:54:39Z

Ntolka Eirini:

'''3D-LiDAR χαρτογράφηση οικοσυστήματος και εξελίξεις στη μελέτη της οικολογίας της άγριας πανίδας'''

'''Πρωτότυπος τίτλος:''' ''Advances in animal ecology from 3D-LiDAR ecosystem mapping''

[[Εικόνα:RSpaper10.T1a_Ntolka.JPG | thumb| right|'''Πίνακας 1α. Δημοσιευμένες εργασίες που βασίζονται σε δεδομένα LiDAR για την τρισδιάστατη δομή της βλάστησης και της τοπογραφίας ώστε να μελετήσουν την οικολογία των ζώων. ''']]

'''Συγγραφείς: ''' Andrew B. Davies & Gregory P. Asner

'''Δημοσιεύθηκε: ''' ''Trends in Ecology & Evolution 29(12), Οκτώβριος 2014, doi: 10.1016/j.tree.2014.10.005''

[[Εικόνα:RSpaper10.Τ1_Ntolka.JPG | thumb| right|'''Πίνακας 1β. Δημοσιευμένες εργασίες που βασίζονται σε δεδομένα LiDAR για την τρισδιάστατη δομή της βλάστησης και της τοπογραφίας ώστε να μελετήσουν την οικολογία των ζώων. ''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/267634893_Advances_in_animal_ecology_from_3D-LiDAR_ecosystem_mapping]

[[Εικόνα:RSpaper10.1_Ntolka.JPG | thumb| right|'''Εικόνα 1. Παράδειγμα καταγραφής δεδομένων LiDAR (Light Detection and Ranging) από αεροπλάνο, τα οποία συλλέχθηκαν στην πεδιάδα της Αμαζονίας από το Carnegie Airborne Observatory. '''Οι παλμοί laser εκπέμπονται και επιστρέφουν σε αισθητήρα LiDAR επί του αεροσκάφους, σαρώνοντας από πλευρά σε πλευρά την περιοχή καθώς το αεροπλάνο κινείται προς τα εμπρός στον αέρα, και δημιουργείται έτσι μια δυσδιάστατη χωρική κάλυψη. Κάθε ακτίνα laser στο εγγύς υπέρυθρο μήκος κύματος, διαπερνά την κόμη των δέντρων και επιστρέφει την φωτεινή ακτινοβολία κατά μήκος της διαδρομής της προς το έδαφος. Αυτή η αλληλεπίδραση είναι ψηφιοποιημένη από τον δέκτη LiDAR και χρησιμοποιείται για τη χαρτογράφηση του ύψους της βλάστησης (Α), του υποκείμενου εδάφους (Β) και της στρωματοποίησης της βλάστησης μεταξύ τους (δεν φαίνεται). ]]

'''Λέξεις-Κλειδιά: ''' 3D-LiDAR χαρτογράφηση, ενδιαίτημα, οικολογία, τοπογραφία, δομή βλάστησης, πανίδα, αφθονία ειδών, αφθονία ζώων, τηλεπισκόπηση

[[Εικόνα:RSpaper10.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Διατομή της τρισδιάστατης δομής της βλάστησης της Αφρικανικής σαβάνας, που συλλέχθηκε από το Carnegie Airborne Observatory. '''(a) κάλυψη θόλου των δέντρων, (b) ύψος θόλου, (c) κατακόρυφη στρωματοποίηση ή προφίλ, (d) βλάστηση υποορόφου, και (e) τοπογραφία. Ο συνδυασμός τους (a-e) ορίζει τη δομική ετερογένεια ή/και την πολυπλοκότητα ενός οικοσυστήματος.]]

[[Εικόνα:RSpaper10.3_Ntolka.JPG | thumb| right|'''Εικόνα 3. Η ποσοστιαία αναλογία των μελετών που διερευνούν τις αποκρίσεις των ζώων στην τρισδιάστατη δομή, όπως αυτές μετρήθηκαν και χαρτογραφήθηκαν με χρήση της τεχνολογίας LiDAR.''' Οι μελέτες αναφέρονται ανά ταξινομική ομάδα με βάση: (Α) τη γεωγραφική περιοχή και (Β) τον τύπο βιοσυστήματος (biome). Δεν υπάρχουν δημοσιευμένες μελέτες σε περιοχές ή ενδιαιτήματα που δεν παρουσιάζονται εδώ.]]

[[Εικόνα:RSpaper10.4_Ntolka.JPG | thumb| right|'''Εικόνα 4. Αλληλεπιδράσεις μεταξύ ταξινομικών ομάδων ζώων και των τριών βασικών στοιχείων της τρισδιάστατης δομής της βλάστησης και της τοπογραφικής δομής '''(Εικόνα 2)''', που μετρήθηκαν με LiDAR.'''
(A) Ποσοστιαία αναλογία δημοσιευμένων μελετών, οι οποίες κατέγραψαν μια αύξηση του πλούτου των ειδών ή/και της ποικιλότητάς τους σε κάθε μετρούμενη δομική παράμετρο.(Β) Ο αριθμός των δημοσιευμένων μελετών, οι οποίες κατέγραψαν μια σημαντική (θετική ή αρνητική, μαύρες στήλες) ή ουδέτερη απόκριση (κενές στήλες) στην αφθονία των ζώων. Δεν βρέθηκαν δημοσιευμένες μελέτες σε σχέση με την αφθονία των μη ιπτάμενων θηλαστικών.]]

'''Εισαγωγή'''

Οι πρόσφατες εξελίξεις της τεχνολογίας LiDAR επέτρεψαν την ακριβή μέτρηση της τρισδιάστατης δομής (3D) των οικοσυστημάτων (Εικόνα 1). Στην παρούσα εργασία, εξετάζονται οι πληροφορίες που αποκτήθηκαν μέσω της τεχνολογίας LiDAR στη μελέτη της οικολογίας της πανίδας, αποκαλύπτοντας τη θεμελιώδη σημασία της τρισδιάστατης δομής του οικοσυστήματος για τα ζώα. Η δομική ετερογένεια συμβάλλει περισσότερο στην αύξηση του πλούτου και της αφθονίας των ειδών και επηρεάζεται πολύ περισσότερο από την αύξηση της πολυπλοκότητας της κάθετης δομής της βλάστησης, παρά από την ανομοιογένεια στην κάλυψη του θόλου. Ωστόσο, οι διαφορετικές ταξινομικές ομάδες αλληλεπιδρούν με μια ποικιλία τρισδιάστατων χαρακτηριστικών του θόλου των δέντρων και ορισμένες από αυτές με την τρισδιάστατη τοπογραφία. Για την καλύτερη κατανόηση της δυναμικής των ειδών, οι μελλοντικές μελέτες θα πρέπει να εξετάσουν τα αποτελέσματα των τρισδιάστατων απεικονίσεων των ενδιαιτημάτων σε μια ευρύτερη ποικιλία οικοσυστημάτων και περιλαμβάνοντας περισσότερες ταξινομικές βαθμίδες.

'''Τρισδιάστατη οικολογία: η σημαντικότητα της δομής'''

Η 3D δομή των οικοσυστημάτων έχει μεγάλη σημασία για τις ζωικές κοινότητες. Ήδη από το 1935, η κατακόρυφη δομή της βλάστησης αναγνωρίστηκε ως ένας σημαντικός παράγοντας για τις κατανομές των πτηνών. Στις πρώτες αυτές μελέτες αποδείχθηκε ότι, ο προσδιορισμός της ποικιλότητας των πτηνών στα φυλλοβόλα δάση μπορούσε να γίνει λαμβάνοντας υπόψη τη δομή της βλάστησης, ενώ η ποικιλότητα των φυτών ήταν σημαντική μόνο όταν επηρέαζε αυτή τη δομή. Είναι σαφές ότι η τρισδιάστατη δομή των οικοσυστημάτων επηρεάζει πολλές πτυχές της οικολογίας των ζωικών ειδών, που κυμαίνονται από τις κατανομές των ειδών και την αφθονία τους, ως τη συμπεριφορά και τα πρότυπα κινδύνου θήρευσης τους. Πράγματι, πολλές μελέτες έχουν δείξει ότι αποτελεί την κινητήρια δύναμη για την ποικιλομορφία πολλών ταξινομικών ομάδων πτηνών και πρωτευόντων.
Η κατανόηση της τρισδιάστατης δομής ενός οικοσυστήματος και των βιοτικών της επιδράσεων είναι θεμελιώδης για τη μελέτη της οικολογίας των ζώων. Μέχρι πρόσφατα, τα δεδομένα σχετικά με την τρισδιάστατη δομή ήταν λίγα, και ήταν δύσκολο να αποκτηθούν, ειδικά σε μεγάλες χωρικές κλίμακες. Τα μοντέλα των ενδιαιτημάτων βασίζονταν σε δεδομένα πεδίου περιορισμένης χωρικής ανάλυσης ή σε αεροφωτογραφίες και δορυφορικές εικόνες, που δεν μπορούν να διεισδύσουν πέρα από το ανώτατο τμήμα του ορόφου των φυτών ώστε να χαρακτηρίσουν την κάθετη δομή της βλάστησης. Η πρόοδος στην τεχνολογία της τηλεπισκόπησης, ιδιαίτερα όσον αφορά την τεχνολογία LiDAR, αντιμετώπισε επιτυχώς αυτές τις δυσκολίες, επιτρέποντας την ακριβή μέτρηση της τρισδιάστατης δομής των οικοσυστημάτων σε μεγάλες χωρικές κλίμακες και με μεγάλη λεπτομέρεια.
Ύστερα από διερεύνηση των δυνατοτήτων της εφαρμογής της τεχνολογίας LiDAR στην οικολογία, οι ερευνητές καταλήγουν ότι η τεχνολογία LiDAR είναι ακριβής και πολύ χρήσιμη για την αποσαφήνιση των σχέσεων μεταξύ πανίδας και της τρισδιάστατης δομής των οικοσυστημάτων. Η LiDAR δεν είναι το μόνο διαθέσιμο εργαλείο για την μέτρηση αυτής της δομής, αλλά αποτελεί αναμφίβολα την πιο ελπιδοφόρα τεχνική, όσον αφορά τόσο την ακρίβεια των αποτελεσμάτων της όσο και τη σχέση κόστους-απόδοσης ειδικά όταν εφαρμόζεται σε μεγάλες χωρικές κλίμακες, οι οποίες είναι έχουν μεγάλη σημασία σε οικοσυστημικό επίπεδο.

'''Εφαρμογές της τρισδιάστατης οικολογίας της πανίδας'''

''Ιπτάμενα σπονδυλωτά '' Τα ζώα που πετάνε (πουλιά, νυχτερίδες) ζουν και μετακινούνται σε έναν τρισδιάστατο χώρο. Ως εκ τούτου, η δομή της βλάστησης επηρεάζει όλες τις πτυχές της οικολογίας τους, από τα χαρακτηριστικά των ενδιαιτημάτων τους έως την κίνησή τους κατά την πτήση. Δεν είναι τυχαίο, ότι ο μεγαλύτερος όγκος της βιβλιογραφίας, η οποία αφορά τη δομή της βλάστησης για μελέτες οικολογίας πανίδας, έχει επικεντρωθεί στα πτηνά. Στις περισσότερες από τις μελέτες πάνω σε πουλιά που εξετάστηκαν, βρέθηκε ότι υπάρχει μια θετική συσχέτιση ανάμεσα στον πλούτο και την αφθονία των ειδών των πτηνών και στην ποικιλομορφία και πολυπλοκότητα της δομής της κόμης των δέντρων, την κάθετη κατανομή των ιστών (κλαδιά, φύλλα) και το συνολικό ύψος του θόλου (Πίνακας 1, Εικόνα 2). Επίσης, μελέτες πάνω σε νυχτερίδες κατέδειξαν ότι τόσο η δραστηριότητά τους όσο και η συχνότητα εμφάνισης της παρουσίας τους, αυξάνονταν όσο αυξανόταν και η ποικιλομορφία της δομής του θόλου των δέντρων ή/και του ύψους του.

''Χερσαία Θηλαστικά'' Σε σύγκριση με την έρευνα για τα πουλιά και τις νυχτερίδες, λιγότερες μελέτες έχουν διερευνήσει τις αλληλεπιδράσεις μεταξύ της τρισδιάστατης δομής της βλάστησης (από δεδομένα LiDAR) και των θηλαστικών. Όλες όσες εξετάστηκαν, όμως, έχουν καταγράψει σημαντική συσχέτιση μεταξύ ενός τουλάχιστον χαρακτηριστικού της δομής της βλάστησης και της προτίμησης ενδιαιτήματος από τα θηλαστικά. Αυτές οι μελέτες υποδεικνύουν ότι, όπως με τα ιπτάμενα σπονδυλωτά, η ετερογένεια της δομής της βλάστησης είναι σημαντική και για τα θηλαστικά. Τουλάχιστον δύο είδη (''Martes pennanti ''και ''Odocoileus hemionus'') φάνηκαν να ανταποκρίνονται θετικά στην αύξηση της κάθετης ετερογένειας της δομής της βλάστησης. Το πιο σημαντικό, ωστόσο, είναι ότι παρατηρήθηκαν διαφορές στις προτιμήσεις ως προς τη δομή της βλάστησης ακόμα και ανάμεσα στα δύο φύλα του ίδιου είδους, υπογραμμίζοντας την αναγκαιότητα της ύπαρξης ετερογένειας στα ενδιαιτήματα για τη βιοποικιλότητα. Η τρισδιάστατη τοπογραφική δομή παίζει επίσης πολύ σημαντικό ρόλο στην επιλογή ενδιαιτήματος από τα μη ιπτάμενα θηλαστικά. Όντας περιορισμένα στη χερσαία επιφάνεια, τα ζώα αυτά παρουσιάζουν μειωμένη κινητικότητα και επηρεάζονται έντονα από την τοπογραφία μιας περιοχής, γεγονός που αποδεικνύεται από τη σημασία της μορφολογίας του εδάφους για διάφορα είδη.

''Ασπόνδυλα'' Από τις μελέτες που εξετάστηκαν, η ετερογένεια της δομής της βλάστησης (τόσο της κατακόρυφης όσο και της οριζόντιας) ή αλλιώς « η δομική μεταβλητότητα », θεωρείται πολύ σημαντική για τις συναθροίσεις των ασπόνδυλων. Η αφθονία και ο πλούτος των ειδών των Κολεοπτέρων και των Αραχνών αυξάνεται με την αύξηση της ετερογένειας της δομικής μεταβλητότητας του θόλου. Οι διαφορές στο ύψος της βλάστησης αποτελούν, επίσης, ένα σημαντικό παράγοντα πρόβλεψης για την εκτίμηση των πληθυσμών των ασπόνδυλων. Για παράδειγμα, τρία είδη πεταλούδων προτιμούν ενδιαιτήματα με μεγάλο ύψος βλάστησης, ενώ η αφθονία των σκαθαριών μειώνεται με την αύξηση του ύψους της βλάστησης.
Τα περισσότερα ασπόνδυλα, λόγω του μικρού τους μεγέθους, κινούνται σε μικρές χωρικές κλίμακες (δεκάδες μέτρα), και τα πρότυπα απόκρισής τους στις δομικές μεταβλητές του χώρου αλλάζουν επίσης πάνω σε μικρές κλίμακες. Οι Müller et al. παρατήρησαν ότι η ποικιλότητα των αρθροπόδων αυξανόταν με την αύξηση της δομικής μεταβλητότητας και της πυκνότητας της βλάστησης σε κλίμακα επιπέδου δέντρου, αλλά ήταν σημαντικά χαμηλότερη σε κλίμακα συστάδας. Με βάση τα παραπάνω θα περιμέναμε να παρατηρήσουμε υψηλότερα επίπεδα ποικιλότητας αρθροπόδων σε δάση με σχετικά ανοιχτές συστάδες δέντρων, οι οποίες εμπεριέχουν μεμονωμένα δέντρα με πυκνή κόμη. Μια τέτοια μελέτη ήταν δυνατή μόνο λόγω της μοναδικής δυνατότητας της LiDAR, για ακριβή χαρτογράφηση της δασική δομής, σε λεπτομερή χωρική ανάλυση και για μεγάλες εκτάσεις.

'''Σύγχρονες τάσεις τρισδιάστατης χαρτογράφησης ενδιαιτημάτων'''

Οι περισσότερες μελέτες σχετικά με την οικολογία της άγριας πανίδας με χρήση LiDAR έχουν διεξαχθεί κυρίως για πουλιά, σε δασικά οικοσυστήματα της Βόρειας Αμερικής και της Ευρώπης (Εικόνα 3). Αυτό είναι αναμενόμενο δεδομένης: α) της εγγενούς τρισδιάστατης φύσης της οικολογίας των πτηνών, β) της ελκυστικότητας και της καταλληλότητας της τεχνολογίας LiDAR για τη χαρτογράφηση δασικών περιοχών και γ) της σχετικά μεγαλύτερης διαθεσιμότητας πόρων και εξειδικευμένης γνώσης σε σχέση με την LiDAR στη Βόρεια Αμερική και την Ευρώπη. Ωστόσο, το γεγονός αυτό έχει αποτελέσει έναν περιοριστικό παράγοντα ως προς τη δυνατότητα χρήσης της LiDAR για την καλύτερη κατανόηση του τρόπου με τον οποίο η τρισδιάστατη δομή ενός οικοσυστήματος επηρεάζει τη δυναμική της πανίδας.
Αποτελεσματικές μελέτες που βασίζονται σε LiDAR, τόσο για ιπτάμενα θηλαστικά, ασπόνδυλα όσο και σε σχέση με την ακουστική ποικιλομορφία (Πίνακας 1), έχουν υλοποιηθεί στην Αφρική και τη Νότια Αμερική, και σε άλλα οικοσυστήματα εκτός από δασικά. Ωστόσο, λόγω της έλλειψης επαρκούς αριθμού μελετών, είναι δύσκολο να γίνουν σαφείς δηλώσεις ως προς την κατανόηση αυτών των ταξινομικών ομάδων (taxa) ή των περιοχών. Επιπλέον, παρόλο που οι περισσότερες μελέτες επικεντρώθηκαν σε πτηνά, όλες αφορούσαν τη Βόρεια Αμερική, την Ευρώπη ή τη Χαβάη, ενώ καμία οικολογική μελέτη βασισμένη σε LiDAR δεν έχει δεν έχει δημοσιευτεί από την Ασία ή την Αυστραλία.

'''Σύνθεση'''

Η τεχνολογία LiDAR αποκάλυψε τις ισχυρές επιδράσεις της τρισδιάστατης δομής των ενδιαιτημάτων στην ποικιλομορφία και την κατανομή της πανίδας, πολλές από τις οποίες ήταν δυσδιάκριτες προηγουμένως. Η αυξημένη ετερογένεια της δομής των ενδιαιτημάτων συχνά οδηγεί σε αύξηση του πλούτου και της αφθονίας των ειδών, ενώ η κάλυψη του θόλου έχει μικτά αποτελέσματα. Υπάρχει μεγάλη έμφαση στη μέτρηση της φυτικής κάλυψης ως εναλλακτική μεθοδολογία για τη μελέτη της δομής της βλάστησης και των μοτίβων των ενδιαιτημάτων, αλλά η αύξηση της κάλυψης δεν οδηγεί πάντα σε αυξημένη ποικιλότητα ειδών. Στην πραγματικότητα, στην παρούσα επισκόπηση παρατηρήθηκε ότι συχνά οδηγεί σε μείωση της ποικιλότητας των ειδών, με τον πλούτο και την αφθονία τους να ανταποκρίνονται θετικά περισσότερο στην κάθετη τρισδιάστατη δομική ετερογένεια παρά στην κάλυψη του θόλου.
Με βάση τη μέχρι στιγμής βιβλιογραφία, συμπεραίνουμε ότι η δομική ετερογένεια των ενδιαιτημάτων αποτελεί την πλέον ευνοϊκή παράμετρο ως προς την αύξηση της βιοποικιλότητας των ειδών. Επομένως, οικοσυστήματα με μεγαλύτερη δομική ετερογένεια (π.χ. φυσικά δάση σε σύγκριση με καλλιέργειες) αναμένεται να είναι πιο ευνοϊκά για την αύξηση της βιοποικιλότητας. Επιπλέον, οι ήδη υπάρχουσες μελέτες, οι οποίες έχουν πραγματοποιηθεί σε μια μεγάλη ποικιλία ταξινομικών ομάδων (taxa) και ενδιαιτημάτων, καταδεικνύουν ότι η τεχνολογία LiDAR έχει τη δυνατότητα να προσφέρει μια μεγάλη ποικιλία στοιχείων για τα διάφορα taxa, και ότι εάν εφαρμοσθεί ευρύτερα, θα συμβάλλει σημαντικά στην περαιτέρω κατανόηση των σχέσεων και αλληλεπιδράσεων της οικολογίας των ζώων (ποικιλομορφία, διασπορά και συμπεριφορά ειδών) και της δομής της βλάστησης.

Αν και η δομική ετερογένεια οδηγεί σε γενική αύξηση της ποικιλομορφίας με την προώθηση της συνύπαρξης των ειδών, οι διαφορές απόκρισης ανάμεσα στις διαφορετικές ταξινομικές ομάδες υποδηλώνουν, ότι διαφορετικά χαρακτηριστικά της τρισδιάστατης δομής έχουν διαφορετικού βαθμού σημασία για τις διαφορετικές ομάδες. Τα ιπτάμενα σπονδυλωτά ανταποκρίνονται στην κατακόρυφη τρισδιάστατη δομή, την κάλυψη του θόλου και την πυκνότητα της βλάστησης του υποορόφου (Εικόνα 4), αλλά η αύξηση του πλούτου και της αφθονίας των ειδών (ή/και η παρουσία τους) εξαρτάται περισσότερο από την κάθετη τρισδιάστατη δομική ετερογένεια ενός ενδιαιτήματος.
Οι αποκρίσεις σε σχέση με την κάλυψη του θόλου και την πυκνότητα της βλάστησης του υποορόφου διαφέρουν ανάμεσα στα είδη, είναι θετικές για ορισμένα από αυτά και αρνητικές για κάποια άλλα. Η τοπογραφική δομή ενός οικοσυστήματος βρέθηκε ότι είναι πιο σημαντική για τα μη ιπτάμενα θηλαστικά και τα ασπόνδυλα, παρά για τα ιπτάμενα σπονδυλωτά (Εικόνα 4Β). Φαίνεται, επίσης, ότι η κάλυψη του θόλου των δέντρων έχει θετική επίδραση στα μη ιπτάμενα θηλαστικά, ενώ η πυκνότητα της βλάστησης του υποορόφου επηρεάζει τις συνήθειες αναζήτησης λείας (hunting habbits) των θηρευτών. Η κάθετη δομική ετερογένεια είχε μικτά αποτελέσματα για αυτήν την ομάδα.
Τα ασπόνδυλα ανταποκρίνονται σε διάφορα τρισδιάστατα δομικά στοιχεία, συμπεριλαμβανομένης της κάθετης ετερογένειας, της πυκνότητας του υποορόφου και της τοπογραφικής δομής, αλλά λιγότερο στην κάλυψη του θόλου (Εικόνα 4).
Παρά τη σημασία της τρισδιάστατης δομής των ενδιαιτημάτων για την οικολογία των ζώων, η μορφή και τα στάδια ανάπτυξης της βλάστησης και η σύνθεση των φυτικών ειδών εξακολουθούν να έχουν σημαντικές επιδράσεις στις ζωικές κοινότητες. Επομένως, στις οικολογικές μελέτες θα πρέπει να λαμβάνονται υπόψη και οι δύο αυτές προσεγγίσεις. Δεδομένου ότι η LiDAR δεν μπορεί εύκολα να εντοπίσει διαφοροποιήσεις ως προς τη φυτική σύνθεση, απαιτούνται μελέτες πεδίου ή άλλες προσεγγίσεις τηλεπισκόπησης, ώστε να συμπληρώσουν τα δομικά δεδομένα LiDAR.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Η συμβολή της τεχνολογίας LiDAR στην αποσαφήνιση των σχέσεων μεταξύ της πανίδας και της τρισδιάστατης δομής των ενδιαιτημάτων είναι πάρα πολύ σημαντική, παρέχοντας δεδομένα με μεγάλη λεπτομέρεια και ακρίβεια και για μεγάλες εκτάσεις. Σε συνδυασμό με δεδομένα GPS τηλεμετρίας, η LiDAR παρέχει μια εξαιρετική ευκαιρία ώστε να εκτιμηθεί ο τρόπος με τον οποίο επηρεάζονται οι μετακινήσεις των ζώων από τη βλάστηση και την τοπογραφική δομή. Η χρήση δεδομένων LiDAR θα πρέπει να επεκταθεί, εστιάζοντας όχι μόνο στην ταξινομική ποικιλομορφία, αλλά διερευνώντας επίσης το πώς τα δομικά στοιχεία ενός ενδιαιτήματος, που είναι σχετικά με τη σύνθεση των ειδών, επηρεάζουν τη λειτουργική ποικιλομορφία και τις υπηρεσίες του.

[[category:Χαρτογράφηση των οικοτόπων της πανίδας]]

[[category: Οικολογία]]

Βρες το πράσινο πρόβατο! Μια κριτική επισκόπηση της χρήσης της τηλεπισκόπησης για την ανίχνευση και καταμέτρηση των ζώων

2019-02-19T23:51:39Z

Ntolka Eirini:

'''Βρες το πράσινο πρόβατο! Μια κριτική επισκόπηση της χρήσης της τηλεπισκόπησης για την ανίχνευση και καταμέτρηση των ζώων'''

'''Πρωτότυπος τίτλος:''' ''How do you find the green sheep? A critical review of the use of remotely sensed imagery to detect and count animals''

[[Εικόνα:RSpaperT6.1a_Ntolka.JPG | thumb| right|'''Πίνακας 1α. Αξιολογημένα άρθρα περιοδικών, στα οποία εφαρμόζονται αυτοματοποιημένες ή ημι-αυτοματοποιημένες τεχνικές τηλεπισκοπικής απεικόνισης για την άμεση ανίχνευση ζώων.''']]

'''Συγγραφείς: '''Tracey Hollings, Mark Burgman, Mary van Andel, Marius Gilbert, Timothy Robinson, Andrew Robinson

'''Δημοσιεύθηκε: ''' ''Methods in Ecology and Evolution 9 (4), Ιανουάριος 2018, DOI: 10.1111/2041-210x.12973 ''

[[Εικόνα:RSpaperT6.1b_Ntolka.JPG | thumb| right|'''Πίνακας 1β. Αξιολογημένα άρθρα περιοδικών, στα οποία εφαρμόζονται αυτοματοποιημένες ή ημι-αυτοματοποιημένες τεχνικές τηλεπισκοπικής απεικόνισης για την άμεση ανίχνευση ζώων.''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://besjournals.onlinelibrary.wiley.com/doi/abs/10.1111/2041-210X.12973]

[[Εικόνα:RSpaper6.2_Ntolka.JPG | thumb| right|'''Εικόνα 1. Χρήση ανιχνευτή σωματιδίων''' (Sbalzarini & Koumoutsakos, 2005)''' στο λογισμικό ImageJ, το οποίο είναι σχεδιασμένο για την απεικόνιση βίντεο στην κυτταρική βιολογία, για τον εντοπισμό προβάτων:''' (α) αρχική εικόνα μιας καλλιεργούμενης περιοχής στην NZ σε ανάλυση 0,4 m, β) πρόγραμμα ανίχνευσης σωματιδίων για αυτοματοποιημένο εντοπισμό «σωματιδίων» (κόκκινοι κύκλοι), για την ανίχνευση προβάτων, γ) αντιπροσωπευτική περιαστική γεωργική περιοχή μικρής κλίμακας στη ΝΖ, με ανάλυση 0,4m, δ) ανιχνευτής σωματιδίων για την ανίχνευση προβάτων. Σε αυτό το ετερογενές τοπίο έχει λιγότερη επιτυχία, με πολλούς ψευδείς εντοπισμούς. Εικόνες από http://data.linz.govt.nz ]]

'''Λέξεις-Κλειδιά: ''' γεωργία, ζώα, ανίχνευση, πληθυσμιακή έρευνα, τηλεπισκόπηση, δορυφορική απεικόνιση, άγρια πανίδα

'''Εισαγωγή'''

[[Εικόνα:RSpaperT6.3_Ntolka.JPG | thumb| right|'''Πίνακας 2. Πλεονεκτήματα και περιορισμοί των μεθόδων που χρησιμοποιούνται για την ανίχνευση ζώων σε τηλεπισκοπικές απεικονίσεις.''']]

Δεδομένα σχετικά με την αφθονία των ζώων είναι απαραίτητα για την προστασία των ειδών που απειλούνται με εξαφάνιση, την παρακολούθηση των εισβλητικών ειδών, τη βιοασφάλεια, τις γεωργικές εφαρμογές και την παρακολούθηση της άγριας πανίδας. Ωστόσο, η απόκτηση δεδομένων αφθονίας αποτελεί μια μακροχρόνια πρόκληση. Η πρόσφατη πρόοδος στην ανάλυση των τηλεπισκοπικών απεικονίσεων, καθώς και των εργαλείων και του λογισμικού επεξεργασίας τους, βελτίωσαν σε μεγάλο βαθμό τις μεθόδους ανίχνευσης μεμονωμένων, και γενικά μεγάλων σε μέγεθος, ζώων. Η δυνατότητα παρακολούθησης και μελέτης των πληθυσμών με χρήση τηλεπισκοπικών δεδομένων αποτελεί μια συναρπαστική νέα εξέλιξη στη μελέτη της οικολογίας των ζώων.
Στην παρούσα εργασία, πραγματοποιείται μια διερεύνηση των μεθόδων που χρησιμοποιούνται στην ανάλυση των τηλεπισκοπικών απεικονίσεων ως προς τη δυνατότητα χρήσης τους για την πληθυσμιακή εκτίμηση άγριων και κτηνοτροφικών ζώων, μέσω του εντοπισμού, της αναγνώρισης και της καταμέτρησης μεμονωμένων ατόμων.

'''Μέθοδοι για την άμεση ανίχνευση ζώων με χρήση τηλεπισκοπικής απεικόνισης'''

Έχουν διερευνηθεί πολλές μέθοδοι για τον άμεσο εντοπισμό και την καταμέτρηση μεμονωμένων, γενικά μεγάλων σε μέγεθος ζώων (> 10 κιλών) από τηλεπισκοπικές απεικονίσεις (Πίνακας 1):

'''Α)''' Στις '''χειροκίνητες καταμετρήσεις''' (manual counts) αναλυτές εντοπίζουν, αναγνωρίζουν και καταμετρούν τα ζώα σε τηλεπισκοπικές απεικονίσεις (RS απεικονίσεις). Τέτοιου είδους μέθοδοι έχουν χρησιμοποιηθεί για δεκαετίες, αλλά μπορεί να είναι χρονοβόρες, υποκειμενικές και δαπανηρές, λόγω του κόστους εργασίας για την προετοιμασία και την ανάλυση των εικόνων.
Η απαίτησή τους σε χρόνο και εργασία είναι τόσο μεγάλη, που δεν έχουν εφαρμοστεί με επιτυχία σε περιοχές με έκταση μεγαλύτερη από μερικά τετραγωνικά χιλιόμετρα. Ενώ σε σύγκριση με αντίστοιχες έρευνες πεδίου, εμφανίζονται συχνά επιρρεπείς προς την υποεκτίμηση του μεγέθους ενός πληθυσμού, καθώς μερικά ζώα μπορεί να είναι κρυμμένα και να μην εντοπίζονται από τον αναλυτή.

'''Β) Πληθοπορισμός & επιστήμη των πολιτών '''(Crowd sourcing citizen science). Μια εναλλακτική προσέγγιση για τη χειροκίνητη καταμέτρηση των ζώων από RS απεικονίσεις είναι η χρήση πλατφόρμων crowdsourcing. Το crowdsourcing είναι ιδιαίτερα χρήσιμο τόσο για τη συλλογή όσο και για τη δημιουργία χωρικών δεδομένων. Για παράδειγμα, το Geo-Wiki αποτελεί μια διαδικτυακή πλατφόρμα, όπου εθελοντές βελτιώνουν την ποιότητα των χαρτών κάλυψης γης, χρησιμοποιώντας σύνολα δεδομένων από το Google Earth.

'''Γ) Αυτοματοποιημένες & ημιαυτοματοποιημένες μέθοδοι.'''
Τη στιγμή της συγγραφής της παρούσας επισκόπησης, όλες οι μελέτες που είχαν χρησιμοποιήσει αυτοματοποιημένες τεχνικές για την πληθυσμιακή εκτίμηση ζώων μέσω του άμεσου εντοπισμού μεμονωμένων ατόμων σε RS απεικονίσεις, είχαν το χαρακτήρα ''proof-of-concept'' εργασίας (δοκιμαστικής εφαρμογής για την επικύρωση της ιδέας), και εφαρμόστηκαν σε σχετικά μικρές περιοχές, συνήθως όχι μεγαλύτερες από μερικά τετραγωνικά χιλιόμετρα, και σε σχετικά ομοιογενή περιβάλλοντα. Οι δύο πρώτες απόπειρες αυτοματοποίησης της καταμέτρησης μεμονωμένων ζώων από δορυφορικές απεικονίσεις με χωρική ανάλυση 1 m έγιναν χρησιμοποιώντας ένα μοντέλο σήματος, το οποίο είχε αρχικά αναπτυχθεί για ανθυποβρυχιακό πόλεμο (antisubmarine warfare) και την ανίχνευση ναρκών, και χρησιμοποιώντας ένα λογισμικό που αναπτύχθηκε για τις ιατρικές απεικονίσεις (ImageTool).
Οι αυτοματοποιημένες ή ημιαυτοποιημένες τεχνολογίες για την πληθυσμιακή εκτίμηση των ζώων, άρχισαν να εφαρμόζονται στην οικολογία για περιοχές που είναι δύσκολες στην πρόσβαση, όπου οι έρευνες πεδίου αποτελούν πρόκληση ή τα ζώα εμφανίζουν χαμηλές πυκνότητες σε μεγάλες σε έκταση περιοχές (π.χ. αυτοκρατορικός πιγκουίνος, πολική αρκούδα). Η ικανότητα των λογισμικών επεξεργασίας εικόνας να ενσωματώνουν την υφή (texture), το σχήμα (shape), την απαρίθμηση (enumeration) και τη συνάφεια (context)έχει βελτιώσει σε μεγάλο βαθμό την ανίχνευση και την ταξινόμηση των αντικειμένων. Η κρίση των ειδικών επιστημόνων μπορεί επίσης να βελτιώσει τις αυτοματοποιημένες τεχνικές, π.χ. εντοπίζοντας πηγές συστηματικού σφάλματος.

''α) Κατάτμηση εικόνας''

Η διάκριση των ζώων από το περιβάλλον τους σε μια εικόνα εξαρτάται περισσότερο από την αντίθεση τους με το υπόβαθρο- φόντο (Εικόνα 1) παρά από την χωρική ανάλυση. Η διάκριση των αντικειμένων ενδιαφέροντος από το υπόβαθρο κατά την επεξεργασία των τηλεπισκοπικών απεικονίσεων πραγματοποιείται με κατάτμηση της εικόνας (image segmentation).
Το ''thresholding ''(τεχνική διαχωρισμού κατηγοριών με τιμή κατωφλίου) αποτελεί την απλούστερη και συνηθέστερη μέθοδο, κατά την οποία τα εικονοστοιχεία κατηγοριοποιούνται σε πολλαπλά διακριτικά χαρακτηριστικά, τα οποία βασίζονται σε μια τιμή έντασης σε σχέση με μια τιμή κατωφλίου. Η τεχνική thresholding είχε κάποια επιτυχία σε μικρής έκτασης περιοχές, όπου οι πληθυσμιακές εκτιμήσεις συσχετίζονταν συχνά σε μεγάλο βαθμό με έρευνες πεδίου ή χειροκίνητες καταμετρήσεις. Η τεχνική κατάτμησης της εικόνας έχει αποδειχθεί ότι υπερβαίνει τις άλλες αυτοματοποιημένες μεθόδους σε ορισμένες περιπτώσεις, συμπεριλαμβανομένης και της επιβλεπόμενης και της μη επιβλεπόμενης ταξινόμησης.

''β)Επιβλεπόμενη & μη επιβλεπόμενη ταξινόμηση ''

Η ''επιβλεπόμενη ταξινόμηση'' χρησιμοποιείται συχνά για την αναγνώριση των ζώων σε RS απεικονίσεις. Οι χρήστες ταξινομούν γνωστά αντικείμενα, τα οποία «εκπαιδεύουν» τους αλγόριθμους επεξεργασίας της εικόνας. Ο μέσος όρος και η διακύμανση των φασματικών υπογραφών των δεδομένων εκπαίδευσης χρησιμοποιούνται στη συνέχεια, για να ταξινομηθούν τα εικονοστοιχεία της εικόνας που απομένουν. Παρ’ όλα αυτά, η επιβλεπόμενη ταξινόμηση δεν είναι τόσο επιτυχημένη στην ανίχνευση μεμονωμένων ζώων όσο άλλες μέθοδοι (Πίνακας 1). Η ποιότητά της εξαρτάται σε μεγάλο βαθμό από τις γνώσεις του χρήστη και την ικανότητα του να προσδιορίζει σωστά τα δεδομένα εκπαίδευσης, από τη δυνατότητα διάκρισης μεταξύ των φασματικών υπογραφών και από την ακρίβεια αντιπροσώπευσης της μεταβλητότητας των κλάσεων που αντιπροσωπεύουν τα ζώα μέσα στα δεδομένα εκπαίδευσης.
Η ''μη επιβλεπόμενη ταξινόμηση ''χρησιμοποιεί στατιστικούς αλγόριθμους για την ομαδοποίηση εικονοστοιχείων βάσει φασματικών πληροφοριών, προσδιορίζοντας μοναδικά χαρακτηριστικά σε ένα τοπίο, με περιορισμένες εισροές (inputs) από το χρήστη. Η πιθανότητα ανίχνευσης με τη χρήση της συγκεκριμένης μεθόδου μπορεί να είναι υψηλή (M = 80% για κτηνοτροφικά ζώα, με ένα εύρος 55% -100% ανάμεσα σε επτά απεικονίσεις) και συγκρίσιμη με τις χειροκίνητες μετρήσεις. Ωστόσο, έχουν παρατηρηθεί υψηλά επίπεδα υπερ- καταμέτρησης ζώων (μέσο λειτουργικό σφάλμα= 69%, εύρος σφάλματος= 28% -98%), υπερεκτιμώντας έτσι τους πληθυσμούς.

''γ) Προσδιορισμός των φασματικών υπογραφών των ειδών των ζώων ή ειδικών χαρακτηριστικών ''

Οι φασματικές υπογραφές και τα φασματικά προφίλ μπορούν να διακρίνουν τα διαφορετικά είδη ζώων σε δορυφορικές απεικονίσεις. Παλαιότερες μελέτες είχαν ελάχιστη επιτυχία στον προσδιορισμό μιας μοναδικής φασματικής υπογραφής στο ορατό- εγγύς υπέρυθρο εύρος του φάσματος της φωτεινής ακτινοβολίας, για ελάφια. Πιο πρόσφατα, με τη χρήση φασματικών ή θερμικών προφίλ έχει γίνει διάκριση μεταξύ μεγάλου μεγέθους ειδών κτηνοτροφικών ζώων, συμπεριλαμβανομένων των προβάτων, των χοίρων, των αλόγων και των αγελάδων, καθώς και μεταξύ θηλαστικών και τοπίων. Όμως, η φασματική διαχωριστικότητα μεταξύ θηλαστικών και σκιών παραμένει φτωχή. Αυτές οι μελέτες χρησιμοποιούν διαφορετικές πηγές δεδομένων, μεθόδους για την ανίχνευση της φασματικής διαχωριστικότητας και διαδικασίες για την αξιολόγηση της φασματικής αλληλεπικάλυψης μεταξύ διαφορετικών ειδών ζώων και μεταξύ των ζώων και του υπόβαθρου. Οι φασματικές υπογραφές των ειδών μπορούν να χρησιμοποιηθούν ως δεδομένα εκπαίδευσης και να εφαρμοστούν σε νέες απεικονίσεις για την ταξινόμηση των εικονοστοιχείων σε προκαθορισμένες κατηγορίες.

''δ) Διαφοροποίηση απεικονίσεων μεταξύ σύντομων χρονικών διαστημάτων και ανίχνευση αλλαγών''

Οι μέθοδοι ανίχνευσης αλλαγής με χρήση πολυχρονικών απεικονίσεων εφαρμόζονται συνήθως για να καθορίσουν τις αλλαγές χρήσης της γης, όπως η αποψίλωση των δασών, λόγω της συνεπούς και επαναλαμβανόμενης διαθεσιμότητας των εικόνων. Πρόσφατα, αρκετές μελέτες έχουν χρησιμοποιήσει αυτές τις τεχνικές για την πληθυσμιακή εκτίμηση των ζώων. Σε μελέτες μικρής κλίμακας, έχει γίνει ανίχνευση ζώων μέσω της μεταβολής της φασματικής ανάκλασης των εικονοστοιχείων ανάμεσα σε δύο σύνολα απεικονίσεων, η οποία προέκυψε από τις μετακινήσεις των ζώων σε σχέση με το στατικό υπόβαθρο. Αυτοματοποιημένες και ημι-αυτοματοποιημένες μέθοδοι, όπως αυτές που χρησιμοποιούνται για την ανίχνευση της διαφοροποίησης των εικόνων, συνιστώνται για μελέτες μεγάλης κλίμακας που ξεπερνούν μερικά τετραγωνικά χιλιόμετρα, κυρίως λόγω του χρόνου που απαιτείται για τις χειροκίνητες καταμετρήσεις.
Η ανίχνευση αλλαγών στην ανάλυση τοπίου εφαρμόζεται συχνά σε απεικονίσεις χαμηλής και μέσης ανάλυσης. Έχει αποτύχει ως προς την εφαρμογή της σε πολύ υψηλής ανάλυσης απεικονίσεις (VHR ), λόγω της μειωμένης δυνατότητας για ακριβή αντιστοίχιση μεταξύ των απεικονίσεων ( orthorectification - ορθοαναγωγή ), οδηγώντας σε αναντιστοιχίες σε χαρακτηριστικά τοπίου, που τα κάνουν να φαίνονται διαφορετικά. Η μεγάλη μεταβλητότητα της φασματικής ανάκλασης περιπλέκει, επίσης, τη διάκριση μεταξύ των πραγματικών διαφοροποιήσεων και του θορύβου στο υπόβαθρο.
Παρά τις χαμηλές απαιτήσεις ως προς την ανάλυση, το κόστος της συγκεκριμένης μεθόδου μπορεί να είναι περιοριστικό, επειδή απαιτούνται δύο σειρές απεικονίσεων, οι οποίες θα πρέπει να λαμβάνονται από τον ίδιο αισθητήρα, την ίδια ώρα της ημέρας και σε διάστημα μικρότερο από μία εβδομάδα, ώστε να ελαχιστοποιηθούν οι αλλαγές στη γωνία του ήλιου και στη βλάστηση.

''ε) Αντικειμενοστρεφής ανάλυση εικόνας ''

Οι περισσότερες μελέτες αναγνώρισης ζώων έχουν χρησιμοποιήσει προσεγγίσεις βασισμένες στην ανάλυση των εικονοστοιχείων (pixel-based). Ωστόσο, έχουν προταθεί εναλλακτικές μέθοδοι αντικειμενοστρεφούς ανάλυσης της εικόνας (OBIA- Object- based image analysis), οι οποίες έχουν δείξει βελτίωση σε σχέση με τις προσεγγίσεις που βασίζονται στην ανάλυση των εικονοστοιχείων ως προς ορισμένα χαρακτηριστικά. Η μονάδα ανάλυσης στην OBIA είναι το αντικείμενο, και τα γειτονικά του αντικείμενα μπορούν να παράσχουν συνάφεια ως προς τις χωρικές σχέσεις, την υφή και το σχήμα.
Οι μέθοδοι OBIA έχουν χρησιμοποιηθεί κυρίως για την ταξινόμηση της κάλυψης και των χρήσεων γης, όπου θεωρούνται γενικά ανώτερες από τις παραδοσιακές pixel-based μεθόδους, καθώς μειώνουν τη φασματική αλληλεπικάλυψη μεταξύ των κλάσεων, μπορούν να ενσωματώσουν ειδικές γνώσεις, να λαμβάνουν υπόψη τόσο τις φασματικές όσο και τις χωρικές πληροφορίες και να παράγουν μεγαλύτερης ακρίβειας ταξινόμηση.
Έχουν όμως χρησιμοποιηθεί και για τον εντοπισμό μεμονωμένων ζώων. Για παράδειγμα, μια αυτοματοποιημένη μέθοδος OBIA, η οποία χρησιμοποιεί κατάτμηση εικόνας τύπου Quadtree, έχει εφαρμοσθεί για την εκτίμηση ενός πληθυσμού Φοινικόπτερων (''Phoeniconaias minor'') σε μια περιοχή 525 εκταρίων, εμφανίζοντας ακρίβεια ανίχνευσης μεγαλύτερη από 99%, και καταμετρώντας περισσότερα από 81.000 άτομα. Το Quadtree είναι ένας τύπος επιλογής κατάτμησης εικόνας, που χωρίζει μια απεικόνιση ψηφιδωτού (raster image) σε τετράγωνα αντικείμενα, με βάση τις σχετικές τιμές της φωτεινότητας των γειτονικών εικονοστοιχείων.

'''Όρια & περιορισμοί στην ανίχνευση ζώων από τηλεπισκοπικές απεικονίσεις'''

Η ανίχνευση μεμονωμένων ζώων με χρήση δεδομένων τηλεπισκόπησης, και χρησιμοποιώντας αυτοματοποιημένες και ημι-αυτοματοποιημένες τεχνικές, έχει ήδη εφαρμοσθεί με επιτυχία. Οι μέχρι σήμερα υπάρχουσες μελέτες, όμως, έχουν διεξαχθεί σε μικρές σε έκταση περιοχές, οι οποίες δεν υπερβαίνουν τα μερικά τετραγωνικά χιλιόμετρα, ή/και περιορίζονται σε σχετικά ομοιογενή περιβάλλοντα, όπου η αντίθεση μεταξύ ζώων και υπόβαθρου είναι υψηλή. Η ακριβής ανίχνευση ζώων σε μεγάλες σε έκταση περιοχές ήταν επιτυχής μόνο στις συγκριτικά ομοιογενείς πολικές περιοχές.
Οι περισσότερες τεχνικές ανάλυσης της τηλεπισκόπησης παρουσιάζουν μια σειρά από περιορισμούς (Πίνακας 2), αλλά οι αλγόριθμοι που έχουν εφαρμοστεί ήδη με επιτυχία σε μικρές περιοχές και για διάφορα είδη και τύπους απεικονίσεων, έχουν σαφή μελλοντική δυναμική (Πίνακας 1).
Το κόστος για την απόκτηση, την επεξεργασία και την ανάλυση των τηλεπισκοπικών απεικονίσεων, των τεχνικών δυνατοτήτων και του κατάλληλου λογισμικού, εξακολουθεί να είναι απαγορευτικό για πολλές κυβερνήσεις και οργανισμούς, παρά τη μείωση του κόστους των απεικονίσεων υψηλής ανάλυσης και την αύξηση της υπολογιστικής ισχύος.
Η επιβεβαίωση των αποτελεσμάτων ανάλυσης της τηλεπισκοπικής απεικόνισης με εκτιμήσεις που προέκυψαν από έρευνα πεδίου αποτελούν βασική απαίτηση, καθώς παράγοντες όπως οι ατμοσφαιρικές συνθήκες μπορούν να επηρεάσουν σημαντικά τα φασματικά αποτελέσματα και επομένως και τα αποτελέσματα της ανάλυσης. Όλες οι μέθοδοι ανίχνευσης μεμονωμένων ζώων από RS απεικονίσεις παρουσιάζουν σφάλματα ανίχνευσης.

'''Λογισμικά'''

Τα λογισμικά GIS (π.χ. QGIS και ArcGIS) χρησιμοποιούνται στα περισσότερα έργα που στοχεύουν στην αναγνώριση αντικειμένων από RS απεικονίσεις σε οικολογικές και περιβαλλοντικές εφαρμογές. Άλλα πιο εξειδικευμένα λογισμικά τηλεπισκόπησης μπορεί να έχουν περισσότερη χρησιμότητα και δύναμη, όπως το ERDAS IMAGINE (Hexagon Geospatial) και το ENVI (Envivo Inc.). Η αντικειμενοστρεφής ανάλυση της εικόνας (OBIA) υποστηρίζεται από τα λογισμικά ENVI και eCognition. Το eCognition έχει ήδη χρησιμοποιηθεί για να μετρήσει ζώα στη σαβάνα. Μέχρι στιγμής δεν έχει υπάρξει άμεση σύγκριση της αποτελεσματικότητας του λογισμικού GIS και άλλου λογισμικού επεξεργασίας εικόνας, ως προς την αναγνώριση και τον προσδιορισμό ζώων ή αντικειμένων σε RS απεικονίσεις.
Πολλά προγράμματα λογισμικού επεξεργασίας εικόνας που διατίθενται και χρησιμοποιούνται συνήθως σε άλλους επιστημονικούς τομείς (π.χ. βιοιατρική, μηχανική), όπως τα: Microsoft Visual Studio, c #, c ++, OpenCV, Mathematica, Python, Matlab, ImageJ και Erdas Imagine, μπορούν να αποτελέσουν πολύτιμα εργαλεία για την οικολογία, και ορισμένα από αυτά προσαρμόζονται ήδη στην αναγνώριση και την καταμέτρηση ζώων.

'''Συμπεράσματα & Συμβολή Τηλεπισκόπησης'''

Παρά την ύπαρξη πολλών μελετών, οι οποίες χρησιμοποιούν μια ποικιλία μεθόδων για την ανίχνευση ζώων από τηλεπισκοπικές απεικονίσεις, η εφαρμογή τους παραμένει προβληματική σε πολλές περιπτώσεις. Οι μελέτες που έχουν παρουσιάσει σχετικά υψηλή ακρίβεια αποτελεσμάτων χρησιμοποιώντας αυτοματοποιημένες και ημι-αυτοματοποιημένες τεχνικές, έχουν διεξαχθεί σε μικρές χωρικές κλίμακες σε σχέση με το εύρος της γεωγραφικής εξάπλωσης του εκάστοτε είδους ενδιαφέροντος, ή/και σε ομοιογενή περιβάλλοντα όπως ο θαλάσσιος πάγος. Οι κύριοι περιορισμοί που συναντώνται γενικά είναι οι εξής: η σχετικά χαμηλή ακρίβεια των αυτοματοποιημένων τεχνικών ανίχνευσης όταν εφαρμόζονται σε μεγάλες χωρικές εκτάσεις, οι ψευδείς ανιχνεύσεις, και το κόστος των δεδομένων υψηλής χωρικής ανάλυσης.
Οι μελλοντικές εξελίξεις στην ανάλυση των δεδομένων τηλεπισκόπησης για πληθυσμιακές έρευνες θα βελτιώσουν τις δυνατότητες ανίχνευσης των ζώων. Σε αυτές συμπεριλαμβάνονται, η εξέλιξη των αλγόριθμων, η χρήση λογισμικού και τεχνολογίας, που μέχρι τώρα εφαρμόζονται σε άλλους επιστημονικούς τομείς, και η βελτίωση ως προς τη διαθεσιμότητα, τη προσβασιμότητα, το κόστος και την ποιότητα ανάλυσης των δεδομένων.
Οι τηλεπισκοπικές απεικονίσεις προσφέρουν συναρπαστικές νέες ευκαιρίες για τη μελέτη της οικολογίας, και ένας όλο και αυξανόμενος αριθμός μελετών αποδεικνύει την αποτελεσματικότητα των τεχνολογιών τηλεπισκόπησης στην εκτίμηση των πληθυσμών άγριων και οικόσιτων ζώων.

[[category:Απογραφή του πληθυσμού της]]

[[category: Οικολογία]]

Ανάλυση δεδομένων τηλεπισκόπησης νέας γενιάς για τη χαρτογράφηση της βιοποικιλότητας θηλαστικών σε ένα τροπικό δάσος

2019-02-19T23:48:41Z

Ntolka Eirini:

'''Ανάλυση δεδομένων τηλεπισκόπησης νέας γενιάς για τη χαρτογράφηση της βιοποικιλότητας θηλαστικών σε ένα τροπικό δάσος'''

'''Πρωτότυπος τίτλος:''' ''New Generation Remote Sensing Data Analysis for Mammal Biodiversity Richness Mapping in Tropical Rainforest''

[[Εικόνα:RSpaper3.1_Ntolka.JPG | thumb| right|'''Εικόνα 1. Περιοχή μελέτης.''']]

'''Συγγραφείς: ''' Mohd Rizaludin Mahmud and Mazlan Hashim

'''Δημοσιεύθηκε: ''' ''T29th Asian Conference on Remote Sensing 2008, ACRS 2008, Volume: 1''

[[Εικόνα:RSpaper3.2_Ntolka.JPG | thumb| right|'''Πίνακας 1. ''' Οι χωρικές παράμετροι, τα τηλεπισκοπικά δεδομένα και ο αλγόριθμος που χρησιμοποιήθηκε για την εξαγωγή τους και η αντίστοιχη κατηγορία ετερογένειας ενδιαιτήματος που αντιπροσωπεύουν. ]]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/235781082_New_generation_remote_sensing_data_analysis_for_mammal_biodiversity_richness_mapping_in_tropical_rainforest]

[[Εικόνα:RSpaper3.3_Ntolka.JPG | thumb| right|'''Πίνακας 2.''' Συντελεστής προσδιορισμού (R²) των χωρικών παραμέτρων σε σχέση με τους δείκτες βιοποικιλότητας (R - Richness, D - Diversity) και αφθονίας (A- Abundance), (α) για την κοινότητα μικρών και μεγάλων θηλαστικών μέσα και έξω από το Pasoh Reserve Forest, (β) για το σύνολο των θηλαστικών μέσα, έξω και σε ολόκληρη την δασική περιοχή.]]

'''Λέξεις-Κλειδιά: ''' Δείκτης βιοποικιλότητας, θηλαστικά, τηλεπισκόπηση, ετερογένεια ενδιαιτήματος

'''Εισαγωγή'''

[[Εικόνα:RSpaper3.4_Ntolka.JPG | thumb| right|'''Πίνακας 3.''' Συντελεστής προσδιορισμού (R²) και τιμή επιπέδου σημαντικότητας (p-value) για το καταλληλότερο μοντέλο πολλαπλής παλινδρόμησης μεταξύ των χωρικών παραμέτρων και της αφθονίας των ειδών των θηλαστικών εντός και εκτός του Pasoh Reserve Forest.]]

Τα τροπικά δάση αποτελούν φυσικό βιότοπο για τα δύο τρίτα της χλωρίδας και της πανίδας του πλανήτη. Τα τελευταία χρόνια, η βασική απειλή που αντιμετωπίζουν οφείλεται κυρίως στις εκτεταμένες ανθρώπινες δραστηριότητες, οι οποίες έχουν ως επακόλουθο τη διαταραχή της ισορροπίας των δασικών αυτών οικοσυστημάτων, την καταστροφή ή τον κατακερματισμό των ενδιαιτημάτων τους και την απώλεια πολλών ειδών, συμπεριλαμβανομένων των θηλαστικών. Η εκτίμηση της βιοποικιλότητας τέτοιων περιοχών αποτελεί μία σύγχρονη τάση της έρευνας στην οικολογία, με κύριο στόχο την προστασία των ειδών από την εξαφάνιση.
Στην παρούσα μελέτη, παρουσιάζεται ένας ''έμμεσος τρόπος εκτίμησης της βιοποικιλότητας των τροπικών θηλαστικών με χρήση δορυφορικών τηλεπισκοπικών δεδομένων νέας γενιάς''. Οι χωρικές και βιοφυσικές πληροφορίες που αποκτούνται, χρησιμεύουν στην επιλογή συγκεκριμένων περιβαλλοντικών παραμέτρων ώστε να γίνει προσομοίωση των χαρακτηριστικών των ενδιαιτημάτων των συγκεκριμένων ειδών, καθώς και των περιβαλλοντικών τους συνθηκών. Στη συνέχεια, είναι εφικτός ο προσδιορισμός της αφθονίας και του πλούτου των ειδών και ο υπολογισμός του επίπεδου βιοποικιλότητας των θηλαστικών στην περιοχή.

'''Περιοχή μελέτης'''

Η μελέτη πραγματοποιήθηκε σε ένα παρθένο πεδινό τροπικό δάσος εντός του φυσικού καταφύγιου Pasoh Forest Reserve (PFR), στην πολιτεία Negeri Sembilan, περίπου 70km νοτιοανατολικά της Κουάλα Λουμπούρ, στην Μαλαισία. Το δασικό καταφύγιο έχει συνολική έκταση 2450 ha, χαρακτηρίζεται από υψηλό ποσοστό φυτικών ειδών τις οικογένειας Dipterocarpaceae και περιβάλλεται από φυτείες φοινικόδεντρων και καουτσουκόδεντρων (Εικόνα 1). Τα θηλαστικά της περιοχής μπορούν να ταξινομηθούν σε τέσσερα κύρια δασικά ενδιαιτήματα: στο παρθένο δάσος, στο αναγεννώμενο δάσος (ύστερα από υλοτομία) και σε απομονωμένα δάση μέσα στις φυτείες.

'''Υλικά και Μέθοδοι '''

Οι υπερφασματικές δορυφορικές απεικονίσεις ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) και EO-1 Hyperion του PFR αποτελούν τα κύρια πρωτογενή δεδομένα της μελέτης. Πρόσθετες πληροφορίες σε σχέση με το υψόμετρο αποκτήθηκαν από Ψηφιακό Μοντέλο Εδάφους (Digital Elevation Model-DEM) βασισμένο σε ισοϋψείς καμπύλες με μεσοδιάστημα 15m. Ενώ η συλλογή των δευτερογενών δεδομένων σε σχέση με την αφθονία των θηλαστικών τις περιοχής έγινε in-situ, με χρήση camera trap σε τέσσερις σταθμούς διαφορετικού δασικού τύπου. Πραγματοποιήθηκαν παρατηρήσεις σε 21 μοναδικές θέσεις και καταγράφηκαν επιτυχώς 27 είδη θηλαστικών (Εικόνα 1).
Με βάση τα παραπάνω δεδομένα προέκυψαν 7 χωρικές παράμετροι αντιπροσωπευτικές της ετερογένειας των ενδιαιτημάτων τους, οι οποίες κατηγοριοποιήθηκαν σε σχέση με την πρωτογενή παραγωγικότητα, τη βιομάζα και τα δομικά χαρακτηριστικά του δασικού τοπίου (Πίνακας 1). Για τον προσδιορισμό του επιπέδου της πρωτογενούς παραγωγικότητας χρησιμοποιήθηκε ο δείκτης βλάστησης κανονικοποιημένης διαφοράς (Normalized Difference Vegetation Index - NDVI) και ο δείκτης υγρασίας (Moisture Index - MSI) ενώ για το επίπεδο της δασικής βιομάζας χρησιμοποιήθηκαν οι δείκτες ολικής υπέργειας (Total Aboveground Biomass - TAGB) και υπόγειας βιομάζας (Belowground Biomass - BGB).
Οι δείκτες βιοποικιλότητας που εξετάσθηκαν για τους τέσσερεις διαφορετικούς τύπους δάσους είναι α) ο δείκτης αφθονίας (αριθμός ειδών σε μια περιοχή), β) ο δείκτης ποικιλότητας (σπανιότητα ειδών μιας βιοκοινότητας) και γ) ο δείκτης ομοιομορφίας (κατανομή των ατόμων ανάμεσα στα είδη).
Στη συνέχεια, διερευνήθηκε η σχέση μεταξύ των χωρικών παραμέτρων και των δεικτών βιοποικιλότητας των θηλαστικών με τη μέθοδο της πολλαπλής γραμμικής παλινδρόμησης και επιλέχθηκαν τα καταλληλότερα εμπειρικά μοντέλα ώστε χαρτογραφηθεί η βιοποικιλότητα των θηλαστικών σε όλη την επιφάνεια της περιοχής μελέτης.

[[Εικόνα:RSpaper3.5_Ntolka.JPG | thumb| right|'''Εικόνα 2.''' Χάρτης αφθονίας για τα είδη των θηλαστικών, (α) για όλα τα θηλαστικά στο PFR και την γειτονική περιοχή, (β) για τα μικρά θηλαστικά εκτός PFR, (γ) για τα μεγάλα θηλαστικά εκτός PFR.]]

'''Αποτελέσματα & Συζήτηση'''

Από τους τρεις δείκτες βιοποικιλότητας των θηλαστικών, μόνο ο δείκτης αφθονίας παρουσιάζει ισχυρή συσχέτιση με τους δύο υπερφασματικούς δείκτες βλάστησης (MCARI1, MTVI1) (Πίνακας 2). Οι δύο αυτοί δείκτες βλάστησης στενής ζώνης μπορούν να χρησιμοποιηθούν για την εκτίμηση της αφθονίας τόσο των μεγάλων όσο και των μικρών θηλαστικών σε όλες τις δασικές περιοχές, δίνοντας στατιστικά σημαντικά αποτελέσματα (Πίνακας 3) και το καταλληλότερο εμπειρικό μοντέλο αφθονίας. Ο χάρτης αφθονίας των θηλαστικών για το σύνολο της περιοχής μελέτης και τη γειτονική της περιοχή φαίνεται στην Εικόνα 2.
Η επιλογή των κατάλληλων χωρικών παραμέτρων για την ακριβή αναπαράσταση της ετερογένειας των ενδιαιτημάτων των θηλαστικών, η οποία σχετίζεται με την βιοποικιλότητα των ειδών τους, αποτελεί έναν από τους σημαντικότερους περιορισμούς στη μελέτη των ζώων μέσω τηλεπισκόπησης.
Σύμφωνα με την παρούσα μελέτη, για την τοπική εκτίμηση της ετερογένειας ενός ενδιαιτήματος είναι απαραίτητο να διαθέτουμε χωρικές παραμέτρους πολύ μεγαλύτερης κλίμακας, με υψηλή τοπική ευαισθησία και με ισχυρή συσχέτιση με συγκεκριμένα ενδιαιτήματα της βιοκοινότητας των θηλαστικών. Η χρήση παραμέτρων σε σχέση με την κατακόρυφη δασική δόμηση (πυκνότητα θόλων, ύψος δέντρου) ή την ποιότητα της διαθέσιμης τροφής, ίσως εξασφαλίσει καλύτερα αποτελέσματα.

'''Συμβολή της Τηλεπισκόπησης'''

Η χρήση τηλεπισκοπικών δεδομένων για την εκτίμηση της βιοποικιλότητας είναι όλο και πιο συχνή, καθώς παρουσιάζει μία σειρά από σημαντικά πλεονεκτήματα: α) παρέχει πληροφορίες για μεγάλες σε έκταση και απομακρυσμένες περιοχές, β) είναι δυνατό να δώσει αποτελέσματα με μεγάλη ακρίβεια, γ) είναι χρονικά και οικονομικά αποδοτική και γ) αποτελεί μία μη καταστροφική μέθοδο προσδιορισμού της βιοποικιλότητας θηλαστικών, καθώς αποφεύγεται η άμεση αλληλεπίδραση με τα ζώα και η όχλησή τους.

[[category:Εκτίμηση βιοπικοιλότητας]]

[[category: Οικολογία]]

Ανίχνευση δασικών δρόμων με χρήση δεδομένων LiDAR

2019-02-19T23:38:23Z

Ntolka Eirini:

'''Ανίχνευση δασικών δρόμων με χρήση δεδομένων LiDAR '''
[[Εικόνα:RSpaper9.1_Ntolka.JPG | thumb| right|'''Εικόνα 1.''' (a) '''DTM''',(b) '''DSM''', (c) '''DNTM''', (d) '''Δεδομένα έντασης ''']]

'''Πρωτότυπος τίτλος:''' ''Forest Road Detection Using LiDAR Data''

[[Εικόνα:RSpaperT9.1_Ntolka.JPG | thumb| right|'''Πίνακας 1. SVM μήτρα ταξινόμησης '''(Support Vector Machine - Μηχανή Διανυσματικής Υποστήριξης ) ]]

'''Συγγραφείς: ''' Zahra Azizi, Akbar Najafi, Saeed Sadeghian

'''Δημοσιεύθηκε: ''' ''Journal of Forestry Research 25(4): 975-980, Δεκέμβριος 2014, doi: 10.1007/s11676-014-0544-0''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/267816462_Forest_Road_Detection_Using_LiDAR_Data]

'''Λέξεις-Κλειδιά: ''' δασικός δρόμος, LiDAR, SVM, μέθοδος IDW

[[Εικόνα:RSpaper9.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Πεδίο ρύθμισης κεντρικών γραμμών '''(πράσινο)''' και ψηφιοποιημένη κεντρική γραμμή''' (ροζ)'''. ''']]

[[Εικόνα:RSpaperT9.2_Ntolka.JPG | thumb| right|'''Πίνακας 2. Εκτιμήσεις της SVM ταξινόμησης.''']]

'''Εισαγωγή'''

Η λεπτομερής και ακριβής καταγραφή των δασικών δρόμων είναι πολύ σημαντική για τη διαχείριση των δασών. Είναι απαραίτητο να υπάρχει ένας λεπτομερής χάρτης για κάθε δασικό δρόμο, ώστε να διευκολύνονται δραστηριότητες, όπως η λήψη μέτρων αντιπυρικής προστασίας, η μεταφορά δασικών προϊόντων, τα ταξίδια, η αναψυχή και η εκπαίδευση. Οι δρόμοι αποτελούν, επίσης, ένα σημαντικό θεματικό επίπεδο δεδομένων (data layer) στα Γεωγραφικά Συστήματα Πληροφοριών (GIS - Geographical Information Systems).
Η χρήση δεδομένων GPS αποτελεί μέχρι σήμερα την καταλληλότερη μέθοδο για την ενημέρωση των πληροφοριών σε σχέση με τους δασικούς δρόμους του Ιράν, κυρίως λόγω του χαμηλού της κόστους. Ωστόσο, είναι συχνά ανακριβής και χρονοβόρα. Κατά την εφαρμογή της σε δασικές περιοχές εμφανίζονται διάφορα προβλήματα, όπως η χαμηλή διαθεσιμότητα των δορυφορικών σημάτων κάτω από το θόλο των δέντρων.

Η αυτοματοποιημένη εξαγωγή (extrapolation) δρόμων με τη χρήση δεδομένων τηλεπισκόπησης μπορεί να συμβάλλει στην εξοικονόμηση του χρόνου και κόστους εργασίας για την ενημέρωση μιας βάσης δεδομένων δασικών δρόμων. Η χαρτογράφηση της επιφάνειας της γης χρησιμοποιώντας ένα σύστημα ''LiDAR (Light Detection and Ranging)'' αποτελεί την πιο ακριβή μέθοδο. Η LiDAR χρησιμοποιείται για τη λήψη πληροφοριών σε σχέση με τη μορφολογία του εδάφους και στηρίζεται στην εκπομπή παλμικής ακτινοβολίας laser στην ατμόσφαιρα και στην ακόλουθη καταγραφή της οπισθοσκεδαζόμενης ακτινοβολίας για την καταγραφή της απόστασης από την επιφάνεια της γης.
Αποτελεί μια αξιόπιστη τεχνική για τη συλλογή υψομετρικών δεδομένων διαφόρων επιπέδων επιφανείας, ανάλογα με τη διείσδυση της δέσμης laser προς το έδαφος. Αυτά τα δεδομένα μπορούν να χρησιμοποιηθούν για τη δημιουργία ενός Ψηφιακού Υψομετρικού Μοντέλου ''(DEM - Digital Elevation Model)'', και η καταγραφή της έντασης της οπισθοσκεδαζόμενης ακτινοβολίας μπορεί να χρησιμοποιηθεί για την ταξινόμηση των επιφανειακών αντικειμένων. Σε περιοχές όπου υπάρχει βλάστηση, οι πρώτες επιστροφές της ακτινοβολίας αντιστοιχούν γενικά στο ανώτερο επίπεδο του θόλου (στις κορυφές της κόμης των δέντρων) και χρησιμοποιούνται για τη δημιουργία των Ψηφιακών Επιφανειακών Μοντέλων ''(DSM - Digital Surface Model)'', ενώ οι τελευταίες επιστροφές αντιστοιχούν στην επιφάνεια του εδάφους και χρησιμοποιούνται για τη δημιουργία των Ψηφιακών Εδαφικών Μοντέλων ''(DTM - Digital Terrain Model)''. Τα δεδομένα DEM είναι συνήθως σε μορφή ψηφιδωτού (raster) και δημιουργούνται χρησιμοποιώντας τεχνικές χωρικής παρεμβολής πάνω σε σημειακά δεδομένα. Οι πιο κοινοί τύποι επιφανειών είναι αυτοί που παράγονται από τα δίκτυα ακανόνιστων τριγώνων ''(TIN - Triangulated Irregular Network) ''ή τη μέθοδο αντίστροφης βαρύνουσας απόστασης ''(IDW - Inverse Distance Weighting)''.

Η ταξινόμηση των δεδομένων LiDAR σε αντικείμενα όπως ένας δρόμος, ένα δέντρο και ένα κτίριο σε μια δασική περιοχή έχει αποτελέσει ένα δύσκολο έργο στις μελέτες τηλεπισκόπησης. Μέχρι πρόσφατα, η Μηχανή Διανυσματικής Υποστήριξης ''(SVM - Support Vector Machine)'' υπήρξε μια δημοφιλής και αξιόπιστη προσέγγιση για την ταξινόμηση των δεδομένων με στόχο την εξαγωγή δρόμων.

Σκοπός αυτής της μελέτης ήταν ο προσδιορισμός της καταλληλότητας της τεχνολογίας LiDAR για την εξαγωγή δασικών δρόμων. Ακολουθήθηκε μια διαδικασία τριών σταδίων: Στο πρώτο στάδιο χρησιμοποιήθηκε η μέθοδος χωρικής παρεμβολής IDW, ώστε να δημιουργηθούν τα στρώματα DSM, DTM και ''DNTM (Digital Non Terrain Model)''. Στο δεύτερο στάδιο, ταξινομήθηκαν τα δεδομένα LiDAR με χρήση του αλγόριθμου SVM, ώστε να εξαχθεί ένας δασικός δρόμος και στο τελευταίο στάδιο πραγματοποιήθηκε αξιολόγηση της ακρίβειας των αποτελεσμάτων. Η θέση του δρόμου αξιολογήθηκε με βάση τα ακόλουθα κριτήρια: α)την ''ταξινόμηση'', καθορισμός του ποσοστού της οδικής περιοχής που θα μπορούσε να προσδιοριστεί ορθά με τα δεδομένα LiDAR, β) την ''ακρίβεια θέσης'', καθορισμός του 95ου εκατοστημορίου της οριζόντιας απόστασης που διαχωρίζει την προερχόμενη από το LiDAR κεντρική γραμμή και την επιβεβαιωμένη από έρευνα πεδίου κεντρική γραμμή του δρόμου.

'''Περιοχή μελέτης'''

Η περιοχή μελέτης αποτελεί τμήμα των δασών Hyrcanian στην επαρχία Golestan του Ιράν. H μορφολογία του εδάφους είναι κρημνώδης, ανομοιόμορφη, με υψόμετρα που κυμαίνονται από 290 έως 720 m και κλίσεις επιφάνειας εδάφους από 3% έως 65%. Ο δασικός δρόμος χτίστηκε το 1990 και χρησιμοποιήθηκε για την πρόσβαση στο δάσος Shastkola για τη συγκομιδή ξυλείας, την πραγματοποίηση ερευνών πεδίου και τη διαχείριση και προστασία των δασών. Το μέσο πλάτος της επιφάνειας του οδοστρώματος ήταν 3,5 m. Ορισμένα τμήματα του δρόμου ήταν κρυμμένα κάτω από το θόλο του δάσους, με μέσο όρο κάλυψής του 80% και εύρος 40-100%.

'''Υλικά και Μέθοδοι '''

''Πηγές δεδομένων''

Τα δεδομένα LiDAR συλλέχθηκαν από τον Εθνικό Γεωγραφικό Οργανισμό του Ιράν (NGO), χρησιμοποιώντας έναν αισθητήρα τοποθετημένο σε αεροσκάφος σταθερής πτέρυγας. Η έρευνα διεξήχθη τον Οκτώβριο του 2011 και τα δεδομένα LiDAR συμπεριλάμβαναν τις πρώτες και τελευταίες επιστροφές των δεδομένων απόστασης και έντασης ακτινοβολίας laser, με μέση πυκνότητα σημείων στην επιφάνεια τα 4 σημεία/m2. Για την αξιολόγηση της εξαγωγής του δρόμου, χρησιμοποιήθηκαν 2 διανυσματικά θεματικά επίπεδα. Ένα από 87 σημεία ελέγχου με οριζόντια ακρίβεια 0,08 m, και ένα ακόμα οδικό δίκτυο (σε μορφή γραμμών) από προηγούμενες μελέτες στην ίδια περιοχή.

''Προεπεξεργασία & προετοιμασία των στρωμάτων''

Για τη δημιουργία ενός ακριβούς DEM, πριν την παρεμβολή του σε μορφή raster, πρέπει να αφαιρεθούν τα μη εδαφικά σημεία. Στην παρούσα έρευνα για το φιλτράρισμα του εδάφους (ground filtering) χρησιμοποιήθηκαν οι τελευταίες επιστροφές παλμού, καθώς διαπερνούν τη βλάστηση και φτάνουν πιο κοντά στην επιφάνεια του εδάφους. Τα μη εδαφικά σημεία αφαιρέθηκαν με την εφαρμογή της Εξίσωσης 1, με βάση την οποία η διαφορά μεταξύ του πρώτου και του τελευταίου παλμού δεν πρέπει να είναι μικρότερη από μια συγκεκριμένη τιμή κατωφλίου ''Τ''. Στην περίπτωση που η διαφορά είναι μικρότερη από Τ, το σημείο αφαιρείται. Το Τ υπολογίζεται μέσω της Εξίσωσης 2, όπου ''σ''είναι το σφάλμα στη μέτρηση του υψομέτρου στα δεδομένα LiDAR.
Για τον επανυπολογισμό των αφαιρεθέντων σημείων, εφαρμόσθηκε στη συνέχεια η μέθοδος παρεμβολής IDW.Από τα δεδομένα για τον τελευταίο παλμό δημιουργήθηκε ένα Ψηφιακό Εδαφικό Μοντέλο (DTM) και από τα δεδομένα για τον πρώτο παλμό ένα Ψηφιακό Επιφανειακό Μοντέλο (DSM). Για να απαλειφθεί η τοπογραφική επίδραση στον προσδιορισμό του δρόμου χρησιμοποιήθηκε ένα Ψηφιακό Μη Εδαφικό Μοντέλο (DNTM), (Εξίσωση 3):

First Pulse – Last Pulse > Τ (1)

T ≥ √(σ^2*First Pulse+σ^2*Last Pulse) (2)

DNTM = DSM – DTM (3)

''Ταξινόμηση SVM & αξιολόγηση αποτελεσμάτων''

Tα δεδομένα LiDAR για την ένταση της ακτινοβολίας ταξινομήθηκαν μέσω της μηχανής εκπαίδευσης SVM σε δύο κατηγορίες. Στη μία κατηγορία αντιστοιχούσαν τα δεδομένα που υποδείκνυαν την εύρεση δρόμου και στην άλλη αυτά που δεν την υποδείκνυαν. Στη συνέχεια, στην ταξινόμηση χρησιμοποιήθηκαν και τα LiDAR δεδομένα απόστασης, ώστε να αφαιρεθούν τα εικονοστοιχεία τα οποία είχαν ραδιομετρικές τιμές παρόμοιες με τα εικονοστοιχεία επιφάνειας δρόμου, αλλά δεν αποτελούσαν εικονοστοιχεία δρόμου.
Η αξιολόγηση των εξαχθέντων δεδομένων δρόμου έγινε σε 2 στάδια.
Κατά το πρώτο στάδιο, συγκρίθηκαν οι αυτόματα εξαχθείσες κεντρικές γραμμές του δρόμου με τους χειροκίνητα σχεδιασμένους οδικούς άξονες, οι οποίοι χρησιμοποιήθηκαν ως δεδομένα αναφοράς. Συγκεκριμένα, με χρήση του αλγόριθμου SVM υπολογίσθηκε ο αριθμός των εξαχθέντων δρόμων που αντιστοιχούσε ορθά - «ταίριαζε» στον αριθμό του οδικού δικτύου αναφοράς. Τα αντιστοιχισμένα εξαχθέντα για τους δρόμους δεδομένα χαρακτηρίζονταν ως ορθώς θετικά ( ΤP - True Positive), υπογραμμίζοντας το γεγονός ότι ο αλγόριθμος εξαγωγής βρήκε πράγματι δρόμο. Τα εξαχθέντα δεδομένα δρόμου που δεν συνέπιπταν με αυτά του δικτύου αναφοράς χαρακτηρίζονταν ως ψευδώς θετικά (FP – False Positive). Στη συνέχεια, η σύγκριση των δεδομένων έγινε με αντίστροφο τρόπο, δηλαδή εξετάζοντας αν τα δεδομένα αναφοράς ταιριάζουν με τα εξαχθέντα για τους δρόμους δεδομένα, τα οποία χρησιμοποιούνταν ως βάση. Τα δεδομένα αναφοράς που δεν συνέπιπταν με τα εξαχθέντα δεδομένα χαρακτηρίζονταν ως λανθασμένα αρνητικά (FN - False Negative) ενώ αυτά που συνέπιπταν ως ορθώς θετικά ( TP - True Positive).
Κατά το δεύτερο στάδιο, για την αξιολόγηση των εξαχθέντων δεδομένων δρόμου χρησιμοποιήθηκαν τρία μέτρα ποιότητας: η πληρότητα (completeness), η ορθότητα (correctness) και η ποιότητα (quality) (Εξισώσεις 4-6).

Completeness = TP/ (TP + FN) (4)

Correctness = TP/ (TP + FP) (5)

Quality = TP/ (TP + FP + FN) (6)

''Σύγκριση εξαχθείσας κεντρικής γραμμής δρόμου με εκείνη που προσδιορίστηκε από επιτόπια έρευνα ''

Η θέση της κεντρικής γραμμής δρόμου που προέκυψε από τα δεδομένα LiDAR με τη θέση της κεντρικής γραμμής από την έρευνα πεδίου, πραγματοποιήθηκε με χρήση 117 σημείων ελέγχου. Κατά αυτόν τον τρόπο, εκτιμήθηκε το ποσοστό του ψηφιοποιημένου δασικού δρόμου που «έπεσε» εντός (x) μέτρων από την εξεταζόμενη κεντρική γραμμή δρόμου. Η συνολική ακρίβεια θέσης εκτιμήθηκε με τον καθορισμό του 95ου εκατοστημορίου της οριζόντιας απόστασης που διαχωρίζει την προερχόμενη από το LiDAR κεντρική γραμμή και την επιβεβαιωμένη από την έρευνα πεδίου κεντρική γραμμή του δρόμου

'''Αποτελέσματα'''

Σύμφωνα με τα αποτελέσματα της μεθόδου παρεμβολής IDW, τα σημεία που έπρεπε να αφαιρεθούν από το νέφος σημείων LiDAR αντιστοιχούσαν σε λιγότερο από το 10% του συνόλου των σημειακών δεδομένων. Το μέσο τετραγωνικό σφάλμα πρόβλεψης ''(RMSE- Root Mean Square Error)'' για την παρεμβολή των δεδομένων LiDAR ήταν 0,19 m και τα στρώματα DSM, DTM και DNTM δημιουργήθηκαν με χωρική ανάλυση 1 m (Εικόνα 1).
Η Μηχανή Διανυσματικής Υποστήριξης (SVM) κατηγοριοποίησε τα δεδομένα έντασης LiDAR και τα συγχωνευμένα δεδομένα (δεδομένα έντασης και DNTM) σε δύο κατηγορίες, «δρόμος» και «μη δρόμος», συμβάλλοντας στον καλύτερο εντοπισμό της θέσης του δασικού δρόμου. Κάθε εικονοστοιχείο των εξαχθέντων δεδομένων δρόμου από το προηγούμενο στάδιο ανάλυσης ταξινομήθηκε ως ορθός θετικό (TP) ή ψευδώς αρνητικό (FN) ή ψευδώς θετικό (FP) (Πίνακας 1).
Η εφαρμογή των μέτρων ποιότητας για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης οδήγησε σε 75% πληρότητα, 63% ορθότητα και 52% ποιότητα (Πίνακας 2).
Οι άκρες του δρόμου ήταν καλά καθορισμένες στα στρώματα που εξήχθησαν με την LiDAR και επέτρεψαν την ακριβή ψηφιοποίηση της θέσης της κεντρικής γραμμής του δασικού δρόμου. Περισσότερο από το 95% των εξαχθέντων τμημάτων του δασικού δρόμου ψηφιοποιήθηκε εντός της απόσταση των 1,3 m από την κανονική κεντρική γραμμή που προσδιορίστηκε με έρευνα πεδίου (Εικόνα 2)

'''Συζήτηση & Συμβολή της Τηλεπισκόπησης'''

Στην παρούσα μελέτη, με χρήση της τεχνολογίας LiDAR ήταν δυνατό να γίνει εντοπισμός της θέσης ενός δασικού δρόμου με ακρίβεια ± 1.3 m, η οποία είναι σημαντικά βελτιωμένη σε σύγκριση με την ακρίβεια των ± 10 m που επιτυγχάνεται με τις παραδοσιακές πηγές δεδομένων για την χαρτογράφηση δρόμων στους 1: 25.000 τοπογραφικούς χάρτες στο Ιράν.
Η θέση των δασικών δρόμων αποτελεί σημαντική παράμετρο απογραφής για την αξιολόγηση της διαχείρισης των δασών. Ο εντοπισμός της μπορεί να επιτευχθεί με ακρίβεια και αποτελεσματικότητα χρησιμοποιώντας δεδομένα LiDAR υψηλής ανάλυσης, τα οποία μειώνουν την ανάγκη για έρευνες πεδίου για αυτή τη βασική παράμετρο. Τα οδικά δεδομένα που προκύπτουν από LiDAR μπορούν να αντιμετωπίσουν τα κενά που υπάρχουν στις τρέχουσες πηγές δεδομένων, ειδικά για δασικές εκτάσεις, και αποτελούν ένα πολύτιμο εργαλείο για την αξιολόγηση των δασικών δρόμων σε κλίμακες που δεν ήταν εφικτές στο παρελθόν.

'''Συντομογραφίες'''

DEM - Digital Elevation Model - Ψηφιακό Υψομετρικό Μοντέλο

DNTM - Digital Non Terrain Model

DSM - Digital Surface Model - Ψηφιακό Μοντέλο Επιφάνειας

DTM - Digital Terrain Model - Ψηφιακό Μοντέλο Εδάφους

GIS - Geographical Information - Γεωγραφικά Συστήματα Πληροφοριών

IDW - Inverse Distance Weighting - Αντίστροφης Βαρύνουσας Απόστασης

LiDAR - Light Detection and Ranging

RMSE - Root Mean Square Error - Μέσο Τετραγωνικό Σφάλμα Πρόβλεψης

SVM - Support Vector Machine - Μηχανή Διανυσματικής Υποστήριξης

TIN - Triangulated Irregular Network - Δίκτυα Ακανόνιστων Τριγώνων

[[category: Οικολογία]]

Ανίχνευση δασικών δρόμων με χρήση δεδομένων LiDAR

2019-02-19T23:37:29Z

Ntolka Eirini:

'''Ανίχνευση δασικών δρόμων με χρήση δεδομένων LiDAR '''
[[Εικόνα:RSpaper9.1_Ntolka.JPG | thumb| right|'''Εικόνα 1.''' (a) '''DTM''',(b) '''DSM''', (c) '''DNTM''', (d) '''Δεδομένα έντασης ''']]

'''Πρωτότυπος τίτλος:''' ''Forest Road Detection Using LiDAR Data''

[[Εικόνα:RSpaperT9.1_Ntolka.JPG | thumb| right|'''Πίνακας 1. SVM μήτρα ταξινόμησης '''(Support Vector Machine - Μηχανή Διανυσματικής Υποστήριξης ) ]]

'''Συγγραφείς: ''' Zahra Azizi, Akbar Najafi, Saeed Sadeghian

'''Δημοσιεύθηκε: ''' ''Journal of Forestry Research 25(4): 975-980, Δεκέμβριος 2014, doi: 10.1007/s11676-014-0544-0''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/267816462_Forest_Road_Detection_Using_LiDAR_Data]

'''Λέξεις-Κλειδιά: ''' δασικός δρόμος, LiDAR, SVM, μέθοδος IDW

[[Εικόνα:RSpaper9.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Πεδίο ρύθμισης κεντρικών γραμμών '''(πράσινο)''' και ψηφιοποιημένη κεντρική γραμμή''' (ροζ)'''. ''']]

[[Εικόνα:RSpaperT9.2_Ntolka.JPG | thumb| right|'''Πίνακας 2. Εκτιμήσεις της SVM ταξινόμησης.''']]

'''Εισαγωγή'''

Η λεπτομερής και ακριβής καταγραφή των δασικών δρόμων είναι πολύ σημαντική για τη διαχείριση των δασών. Είναι απαραίτητο να υπάρχει ένας λεπτομερής χάρτης για κάθε δασικό δρόμο, ώστε να διευκολύνονται δραστηριότητες, όπως η λήψη μέτρων αντιπυρικής προστασίας, η μεταφορά δασικών προϊόντων, τα ταξίδια, η αναψυχή και η εκπαίδευση. Οι δρόμοι αποτελούν, επίσης, ένα σημαντικό θεματικό επίπεδο δεδομένων (data layer) στα Γεωγραφικά Συστήματα Πληροφοριών (GIS - Geographical Information Systems).
Η χρήση δεδομένων GPS αποτελεί μέχρι σήμερα την καταλληλότερη μέθοδο για την ενημέρωση των πληροφοριών σε σχέση με τους δασικούς δρόμους του Ιράν, κυρίως λόγω του χαμηλού της κόστους. Ωστόσο, είναι συχνά ανακριβής και χρονοβόρα. Κατά την εφαρμογή της σε δασικές περιοχές εμφανίζονται διάφορα προβλήματα, όπως η χαμηλή διαθεσιμότητα των δορυφορικών σημάτων κάτω από το θόλο των δέντρων.

Η αυτοματοποιημένη εξαγωγή (extrapolation) δρόμων με τη χρήση δεδομένων τηλεπισκόπησης μπορεί να συμβάλλει στην εξοικονόμηση του χρόνου και κόστους εργασίας για την ενημέρωση μιας βάσης δεδομένων δασικών δρόμων. Η χαρτογράφηση της επιφάνειας της γης χρησιμοποιώντας ένα σύστημα ''LiDAR (Light Detection and Ranging)'' αποτελεί την πιο ακριβή μέθοδο. Η LiDAR χρησιμοποιείται για τη λήψη πληροφοριών σε σχέση με τη μορφολογία του εδάφους και στηρίζεται στην εκπομπή παλμικής ακτινοβολίας laser στην ατμόσφαιρα και στην ακόλουθη καταγραφή της οπισθοσκεδαζόμενης ακτινοβολίας για την καταγραφή της απόστασης από την επιφάνεια της γης.
Αποτελεί μια αξιόπιστη τεχνική για τη συλλογή υψομετρικών δεδομένων διαφόρων επιπέδων επιφανείας, ανάλογα με τη διείσδυση της δέσμης laser προς το έδαφος. Αυτά τα δεδομένα μπορούν να χρησιμοποιηθούν για τη δημιουργία ενός Ψηφιακού Υψομετρικού Μοντέλου ''(DEM - Digital Elevation Model)'', και η καταγραφή της έντασης της οπισθοσκεδαζόμενης ακτινοβολίας μπορεί να χρησιμοποιηθεί για την ταξινόμηση των επιφανειακών αντικειμένων. Σε περιοχές όπου υπάρχει βλάστηση, οι πρώτες επιστροφές της ακτινοβολίας αντιστοιχούν γενικά στο ανώτερο επίπεδο του θόλου (στις κορυφές της κόμης των δέντρων) και χρησιμοποιούνται για τη δημιουργία των Ψηφιακών Επιφανειακών Μοντέλων ''(DSM - Digital Surface Model)'', ενώ οι τελευταίες επιστροφές αντιστοιχούν στην επιφάνεια του εδάφους και χρησιμοποιούνται για τη δημιουργία των Ψηφιακών Εδαφικών Μοντέλων ''(DTM - Digital Terrain Model)''. Τα δεδομένα DEM είναι συνήθως σε μορφή ψηφιδωτού (raster) και δημιουργούνται χρησιμοποιώντας τεχνικές χωρικής παρεμβολής πάνω σε σημειακά δεδομένα. Οι πιο κοινοί τύποι επιφανειών είναι αυτοί που παράγονται από τα δίκτυα ακανόνιστων τριγώνων ''(TIN - Triangulated Irregular Network) ''ή τη μέθοδο αντίστροφης βαρύνουσας απόστασης ''(IDW- Inverse Distance Weighting)''.

Η ταξινόμηση των δεδομένων LiDAR σε αντικείμενα όπως ένας δρόμος, ένα δέντρο και ένα κτίριο σε μια δασική περιοχή έχει αποτελέσει ένα δύσκολο έργο στις μελέτες τηλεπισκόπησης. Μέχρι πρόσφατα, η Μηχανή Διανυσματικής Υποστήριξης ''(SVM- Support Vector Machine)'' υπήρξε μια δημοφιλής και αξιόπιστη προσέγγιση για την ταξινόμηση των δεδομένων με στόχο την εξαγωγή δρόμων.

Σκοπός αυτής της μελέτης ήταν ο προσδιορισμός της καταλληλότητας της τεχνολογίας LiDAR για την εξαγωγή δασικών δρόμων. Ακολουθήθηκε μια διαδικασία τριών σταδίων: Στο πρώτο στάδιο χρησιμοποιήθηκε η μέθοδος χωρικής παρεμβολής IDW, ώστε να δημιουργηθούν τα στρώματα DSM, DTM και ''DNTM (Digital Non Terrain Model)''. Στο δεύτερο στάδιο, ταξινομήθηκαν τα δεδομένα LiDAR με χρήση του αλγόριθμου SVM, ώστε να εξαχθεί ένας δασικός δρόμος και στο τελευταίο στάδιο πραγματοποιήθηκε αξιολόγηση της ακρίβειας των αποτελεσμάτων. Η θέση του δρόμου αξιολογήθηκε με βάση τα ακόλουθα κριτήρια: α)την ''ταξινόμηση'', καθορισμός του ποσοστού της οδικής περιοχής που θα μπορούσε να προσδιοριστεί ορθά με τα δεδομένα LiDAR, β) την ''ακρίβεια θέσης'', καθορισμός του 95ου εκατοστημορίου της οριζόντιας απόστασης που διαχωρίζει την προερχόμενη από το LiDAR κεντρική γραμμή και την επιβεβαιωμένη από έρευνα πεδίου κεντρική γραμμή του δρόμου.

'''Περιοχή μελέτης'''

Η περιοχή μελέτης αποτελεί τμήμα των δασών Hyrcanian στην επαρχία Golestan του Ιράν. H μορφολογία του εδάφους είναι κρημνώδης, ανομοιόμορφη, με υψόμετρα που κυμαίνονται από 290 έως 720 m και κλίσεις επιφάνειας εδάφους από 3% έως 65%. Ο δασικός δρόμος χτίστηκε το 1990 και χρησιμοποιήθηκε για την πρόσβαση στο δάσος Shastkola για τη συγκομιδή ξυλείας, την πραγματοποίηση ερευνών πεδίου και τη διαχείριση και προστασία των δασών. Το μέσο πλάτος της επιφάνειας του οδοστρώματος ήταν 3,5 m. Ορισμένα τμήματα του δρόμου ήταν κρυμμένα κάτω από το θόλο του δάσους, με μέσο όρο κάλυψής του 80% και εύρος 40-100%.

'''Υλικά και Μέθοδοι '''

''Πηγές δεδομένων''

Τα δεδομένα LiDAR συλλέχθηκαν από τον Εθνικό Γεωγραφικό Οργανισμό του Ιράν (NGO), χρησιμοποιώντας έναν αισθητήρα τοποθετημένο σε αεροσκάφος σταθερής πτέρυγας. Η έρευνα διεξήχθη τον Οκτώβριο του 2011 και τα δεδομένα LiDAR συμπεριλάμβαναν τις πρώτες και τελευταίες επιστροφές των δεδομένων απόστασης και έντασης ακτινοβολίας laser, με μέση πυκνότητα σημείων στην επιφάνεια τα 4 σημεία/m2. Για την αξιολόγηση της εξαγωγής του δρόμου, χρησιμοποιήθηκαν 2 διανυσματικά θεματικά επίπεδα. Ένα από 87 σημεία ελέγχου με οριζόντια ακρίβεια 0,08 m, και ένα ακόμα οδικό δίκτυο (σε μορφή γραμμών) από προηγούμενες μελέτες στην ίδια περιοχή.

''Προεπεξεργασία & προετοιμασία των στρωμάτων''

Για τη δημιουργία ενός ακριβούς DEM, πριν την παρεμβολή του σε μορφή raster, πρέπει να αφαιρεθούν τα μη εδαφικά σημεία. Στην παρούσα έρευνα για το φιλτράρισμα του εδάφους (ground filtering) χρησιμοποιήθηκαν οι τελευταίες επιστροφές παλμού, καθώς διαπερνούν τη βλάστηση και φτάνουν πιο κοντά στην επιφάνεια του εδάφους. Τα μη εδαφικά σημεία αφαιρέθηκαν με την εφαρμογή της Εξίσωσης 1, με βάση την οποία η διαφορά μεταξύ του πρώτου και του τελευταίου παλμού δεν πρέπει να είναι μικρότερη από μια συγκεκριμένη τιμή κατωφλίου ''Τ''. Στην περίπτωση που η διαφορά είναι μικρότερη από Τ, το σημείο αφαιρείται. Το Τ υπολογίζεται μέσω της Εξίσωσης 2, όπου ''σ''είναι το σφάλμα στη μέτρηση του υψομέτρου στα δεδομένα LiDAR.
Για τον επανυπολογισμό των αφαιρεθέντων σημείων, εφαρμόσθηκε στη συνέχεια η μέθοδος παρεμβολής IDW.Από τα δεδομένα για τον τελευταίο παλμό δημιουργήθηκε ένα Ψηφιακό Εδαφικό Μοντέλο (DTM) και από τα δεδομένα για τον πρώτο παλμό ένα Ψηφιακό Επιφανειακό Μοντέλο (DSM). Για να απαλειφθεί η τοπογραφική επίδραση στον προσδιορισμό του δρόμου χρησιμοποιήθηκε ένα Ψηφιακό Μη Εδαφικό Μοντέλο (DNTM), (Εξίσωση 3):

First Pulse – Last Pulse > Τ (1)

T ≥ √(σ^2*First Pulse+σ^2*Last Pulse) (2)

DNTM = DSM – DTM (3)

''Ταξινόμηση SVM & αξιολόγηση αποτελεσμάτων''

Tα δεδομένα LiDAR για την ένταση της ακτινοβολίας ταξινομήθηκαν μέσω της μηχανής εκπαίδευσης SVM σε δύο κατηγορίες. Στη μία κατηγορία αντιστοιχούσαν τα δεδομένα που υποδείκνυαν την εύρεση δρόμου και στην άλλη αυτά που δεν την υποδείκνυαν. Στη συνέχεια, στην ταξινόμηση χρησιμοποιήθηκαν και τα LiDAR δεδομένα απόστασης, ώστε να αφαιρεθούν τα εικονοστοιχεία τα οποία είχαν ραδιομετρικές τιμές παρόμοιες με τα εικονοστοιχεία επιφάνειας δρόμου, αλλά δεν αποτελούσαν εικονοστοιχεία δρόμου.
Η αξιολόγηση των εξαχθέντων δεδομένων δρόμου έγινε σε 2 στάδια.
Κατά το πρώτο στάδιο, συγκρίθηκαν οι αυτόματα εξαχθείσες κεντρικές γραμμές του δρόμου με τους χειροκίνητα σχεδιασμένους οδικούς άξονες, οι οποίοι χρησιμοποιήθηκαν ως δεδομένα αναφοράς. Συγκεκριμένα, με χρήση του αλγόριθμου SVM υπολογίσθηκε ο αριθμός των εξαχθέντων δρόμων που αντιστοιχούσε ορθά - «ταίριαζε» στον αριθμό του οδικού δικτύου αναφοράς. Τα αντιστοιχισμένα εξαχθέντα για τους δρόμους δεδομένα χαρακτηρίζονταν ως ορθώς θετικά ( ΤP - True Positive), υπογραμμίζοντας το γεγονός ότι ο αλγόριθμος εξαγωγής βρήκε πράγματι δρόμο. Τα εξαχθέντα δεδομένα δρόμου που δεν συνέπιπταν με αυτά του δικτύου αναφοράς χαρακτηρίζονταν ως ψευδώς θετικά (FP – False Positive). Στη συνέχεια, η σύγκριση των δεδομένων έγινε με αντίστροφο τρόπο, δηλαδή εξετάζοντας αν τα δεδομένα αναφοράς ταιριάζουν με τα εξαχθέντα για τους δρόμους δεδομένα, τα οποία χρησιμοποιούνταν ως βάση. Τα δεδομένα αναφοράς που δεν συνέπιπταν με τα εξαχθέντα δεδομένα χαρακτηρίζονταν ως λανθασμένα αρνητικά (FN - False Negative) ενώ αυτά που συνέπιπταν ως ορθώς θετικά ( TP - True Positive).
Κατά το δεύτερο στάδιο, για την αξιολόγηση των εξαχθέντων δεδομένων δρόμου χρησιμοποιήθηκαν τρία μέτρα ποιότητας: η πληρότητα (completeness), η ορθότητα (correctness) και η ποιότητα (quality) (Εξισώσεις 4-6).

Completeness = TP/ (TP + FN) (4)

Correctness = TP/ (TP + FP) (5)

Quality = TP/ (TP + FP + FN) (6)

''Σύγκριση εξαχθείσας κεντρικής γραμμής δρόμου με εκείνη που προσδιορίστηκε από επιτόπια έρευνα ''

Η θέση της κεντρικής γραμμής δρόμου που προέκυψε από τα δεδομένα LiDAR με τη θέση της κεντρικής γραμμής από την έρευνα πεδίου, πραγματοποιήθηκε με χρήση 117 σημείων ελέγχου. Κατά αυτόν τον τρόπο, εκτιμήθηκε το ποσοστό του ψηφιοποιημένου δασικού δρόμου που «έπεσε» εντός (x) μέτρων από την εξεταζόμενη κεντρική γραμμή δρόμου. Η συνολική ακρίβεια θέσης εκτιμήθηκε με τον καθορισμό του 95ου εκατοστημορίου της οριζόντιας απόστασης που διαχωρίζει την προερχόμενη από το LiDAR κεντρική γραμμή και την επιβεβαιωμένη από την έρευνα πεδίου κεντρική γραμμή του δρόμου

'''Αποτελέσματα'''

Σύμφωνα με τα αποτελέσματα της μεθόδου παρεμβολής IDW, τα σημεία που έπρεπε να αφαιρεθούν από το νέφος σημείων LiDAR αντιστοιχούσαν σε λιγότερο από το 10% του συνόλου των σημειακών δεδομένων. Το μέσο τετραγωνικό σφάλμα πρόβλεψης ''(RMSE- Root Mean Square Error)'' για την παρεμβολή των δεδομένων LiDAR ήταν 0,19 m και τα στρώματα DSM, DTM και DNTM δημιουργήθηκαν με χωρική ανάλυση 1 m (Εικόνα 1).
Η Μηχανή Διανυσματικής Υποστήριξης (SVM) κατηγοριοποίησε τα δεδομένα έντασης LiDAR και τα συγχωνευμένα δεδομένα (δεδομένα έντασης και DNTM) σε δύο κατηγορίες, «δρόμος» και «μη δρόμος», συμβάλλοντας στον καλύτερο εντοπισμό της θέσης του δασικού δρόμου. Κάθε εικονοστοιχείο των εξαχθέντων δεδομένων δρόμου από το προηγούμενο στάδιο ανάλυσης ταξινομήθηκε ως ορθός θετικό (TP) ή ψευδώς αρνητικό (FN) ή ψευδώς θετικό (FP) (Πίνακας 1).
Η εφαρμογή των μέτρων ποιότητας για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης οδήγησε σε 75% πληρότητα, 63% ορθότητα και 52% ποιότητα (Πίνακας 2).
Οι άκρες του δρόμου ήταν καλά καθορισμένες στα στρώματα που εξήχθησαν με την LiDAR και επέτρεψαν την ακριβή ψηφιοποίηση της θέσης της κεντρικής γραμμής του δασικού δρόμου. Περισσότερο από το 95% των εξαχθέντων τμημάτων του δασικού δρόμου ψηφιοποιήθηκε εντός της απόσταση των 1,3 m από την κανονική κεντρική γραμμή που προσδιορίστηκε με έρευνα πεδίου (Εικόνα 2)

'''Συζήτηση & Συμβολή της Τηλεπισκόπησης'''

Στην παρούσα μελέτη, με χρήση της τεχνολογίας LiDAR ήταν δυνατό να γίνει εντοπισμός της θέσης ενός δασικού δρόμου με ακρίβεια ± 1.3 m, η οποία είναι σημαντικά βελτιωμένη σε σύγκριση με την ακρίβεια των ± 10 m που επιτυγχάνεται με τις παραδοσιακές πηγές δεδομένων για την χαρτογράφηση δρόμων στους 1: 25.000 τοπογραφικούς χάρτες στο Ιράν.
Η θέση των δασικών δρόμων αποτελεί σημαντική παράμετρο απογραφής για την αξιολόγηση της διαχείρισης των δασών. Ο εντοπισμός της μπορεί να επιτευχθεί με ακρίβεια και αποτελεσματικότητα χρησιμοποιώντας δεδομένα LiDAR υψηλής ανάλυσης, τα οποία μειώνουν την ανάγκη για έρευνες πεδίου για αυτή τη βασική παράμετρο. Τα οδικά δεδομένα που προκύπτουν από LiDAR μπορούν να αντιμετωπίσουν τα κενά που υπάρχουν στις τρέχουσες πηγές δεδομένων, ειδικά για δασικές εκτάσεις, και αποτελούν ένα πολύτιμο εργαλείο για την αξιολόγηση των δασικών δρόμων σε κλίμακες που δεν ήταν εφικτές στο παρελθόν.

'''Συντομογραφίες'''

DEM - Digital Elevation Model - Ψηφιακό Υψομετρικό Μοντέλο

DNTM - Digital Non Terrain Model

DSM - Digital Surface Model - Ψηφιακό Μοντέλο Επιφάνειας

DTM - Digital Terrain Model - Ψηφιακό Μοντέλο Εδάφους

GIS - Geographical Information - Γεωγραφικά Συστήματα Πληροφοριών

IDW - Inverse Distance Weighting - Αντίστροφης Βαρύνουσας Απόστασης

LiDAR - Light Detection and Ranging

RMSE - Root Mean Square Error - Μέσο Τετραγωνικό Σφάλμα Πρόβλεψης

SVM - Support Vector Machine - Μηχανή Διανυσματικής Υποστήριξης

TIN - Triangulated Irregular Network - Δίκτυα Ακανόνιστων Τριγώνων

[[category: Οικολογία]]

Ανίχνευση δασικών δρόμων με χρήση δεδομένων LiDAR

2019-02-19T23:34:25Z

Ntolka Eirini:

'''Ανίχνευση δασικών δρόμων με χρήση δεδομένων LiDAR '''
[[Εικόνα:RSpaper9.1_Ntolka.JPG | thumb| right|'''Εικόνα 1.''' (a) '''DTM''',(b) '''DSM''', (c) '''DNTM''', (d) '''Δεδομένα έντασης ''']]

'''Πρωτότυπος τίτλος:''' ''Forest Road Detection Using LiDAR Data''

[[Εικόνα:RSpaperT9.1_Ntolka.JPG | thumb| right|'''Πίνακας 1. SVM μήτρα ταξινόμησης '''(Support Vector Machine - Μηχανή Διανυσματικής Υποστήριξης ) ]]

'''Συγγραφείς: ''' Zahra Azizi, Akbar Najafi, Saeed Sadeghian

'''Δημοσιεύθηκε: ''' ''Journal of Forestry Research 25(4): 975-980, Δεκέμβριος 2014, doi: 10.1007/s11676-014-0544-0''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/267816462_Forest_Road_Detection_Using_LiDAR_Data]

'''Λέξεις-Κλειδιά: ''' δασικός δρόμος, LiDAR, SVM, μέθοδος IDW

[[Εικόνα:RSpaper9.2_Ntolka.JPG | thumb| right|'''Εικόνα 2. Πεδίο ρύθμισης κεντρικών γραμμών '''(πράσινο)''' και ψηφιοποιημένη κεντρική γραμμή''' (ροζ)'''. ''']]

[[Εικόνα:RSpaperT9.2_Ntolka.JPG | thumb| right|'''Πίνακας 2. Εκτιμήσεις της SVM ταξινόμησης.''']]

'''Εισαγωγή'''

Η λεπτομερής και ακριβής καταγραφή των δασικών δρόμων είναι πολύ σημαντική για τη διαχείριση των δασών. Είναι απαραίτητο να υπάρχει ένας λεπτομερής χάρτης για κάθε δασικό δρόμο, ώστε να διευκολύνονται δραστηριότητες, όπως η λήψη μέτρων αντιπυρικής προστασίας, η μεταφορά δασικών προϊόντων, τα ταξίδια, η αναψυχή και η εκπαίδευση. Οι δρόμοι αποτελούν, επίσης, ένα σημαντικό θεματικό επίπεδο δεδομένων (data layer) στα Γεωγραφικά Συστήματα Πληροφοριών (GIS - Geographical Information Systems).
Η χρήση δεδομένων GPS αποτελεί μέχρι σήμερα την καταλληλότερη μέθοδο για την ενημέρωση των πληροφοριών σε σχέση με τους δασικούς δρόμους του Ιράν, κυρίως λόγω του χαμηλού της κόστους. Ωστόσο, είναι συχνά ανακριβής και χρονοβόρα. Κατά την εφαρμογή της σε δασικές περιοχές εμφανίζονται διάφορα προβλήματα, όπως η χαμηλή διαθεσιμότητα των δορυφορικών σημάτων κάτω από το θόλο των δέντρων.

Η αυτοματοποιημένη εξαγωγή (extrapolation) δρόμων με τη χρήση δεδομένων τηλεπισκόπησης μπορεί να συμβάλλει στην εξοικονόμηση του χρόνου και κόστους εργασίας για την ενημέρωση μιας βάσης δεδομένων δασικών δρόμων. Η χαρτογράφηση της επιφάνειας της γης χρησιμοποιώντας ένα σύστημα LiDAR (Light Detection and Ranging) αποτελεί την πιο ακριβή μέθοδο. Η LiDAR χρησιμοποιείται για τη λήψη πληροφοριών σε σχέση με τη μορφολογία του εδάφους και στηρίζεται στην εκπομπή παλμικής ακτινοβολίας laser στην ατμόσφαιρα και στην ακόλουθη καταγραφή της οπισθοσκεδαζόμενης ακτινοβολίας για την καταγραφή της απόστασης από την επιφάνεια της γης.
Αποτελεί μια αξιόπιστη τεχνική για τη συλλογή υψομετρικών δεδομένων διαφόρων επιπέδων επιφανείας, ανάλογα με τη διείσδυση της δέσμης laser προς το έδαφος. Αυτά τα δεδομένα μπορούν να χρησιμοποιηθούν για τη δημιουργία ενός Ψηφιακού Υψομετρικού Μοντέλου (DEM - Digital Elevation Model), και η καταγραφή της έντασης της οπισθοσκεδαζόμενης ακτινοβολίας μπορεί να χρησιμοποιηθεί για την ταξινόμηση των επιφανειακών αντικειμένων. Σε περιοχές όπου υπάρχει βλάστηση, οι πρώτες επιστροφές της ακτινοβολίας αντιστοιχούν γενικά στο ανώτερο επίπεδο του θόλου (στις κορυφές της κόμης των δέντρων) και χρησιμοποιούνται για τη δημιουργία των Ψηφιακών Επιφανειακών Μοντέλων (DSM - Digital Surface Model), ενώ οι τελευταίες επιστροφές αντιστοιχούν στην επιφάνεια του εδάφους και χρησιμοποιούνται για τη δημιουργία των Ψηφιακών Εδαφικών Μοντέλων (DTM - Digital Terrain Model). Τα δεδομένα DEM είναι συνήθως σε μορφή ψηφιδωτού (raster) και δημιουργούνται χρησιμοποιώντας τεχνικές χωρικής παρεμβολής πάνω σε σημειακά δεδομένα. Οι πιο κοινοί τύποι επιφανειών είναι αυτοί που παράγονται από τα δίκτυα ακανόνιστων τριγώνων (TIN- Triangulated Irregular Network ) ή τη μέθοδο αντίστροφης βαρύνουσας απόστασης (IDW- Inverse Distance Weighting).

Η ταξινόμηση των δεδομένων LiDAR σε αντικείμενα όπως ένας δρόμος, ένα δέντρο και ένα κτίριο σε μια δασική περιοχή έχει αποτελέσει ένα δύσκολο έργο στις μελέτες τηλεπισκόπησης. Μέχρι πρόσφατα, η Μηχανή Διανυσματικής Υποστήριξης (SVM- Support Vector Machine) υπήρξε μια δημοφιλής και αξιόπιστη προσέγγιση για την ταξινόμηση των δεδομένων με στόχο την εξαγωγή δρόμων.

Σκοπός αυτής της μελέτης ήταν ο προσδιορισμός της καταλληλότητας της τεχνολογίας LiDAR για την εξαγωγή δασικών δρόμων. Ακολουθήθηκε μια διαδικασία τριών σταδίων: Στο πρώτο στάδιο χρησιμοποιήθηκε η μέθοδος χωρικής παρεμβολής IDW, ώστε να δημιουργηθούν τα στρώματα DSM, DTM και DNTM (Digital Non Terrain Model). Στο δεύτερο στάδιο, ταξινομήθηκαν τα δεδομένα LiDAR με χρήση του αλγόριθμου SVM, ώστε να εξαχθεί ένας δασικός δρόμος και στο τελευταίο στάδιο πραγματοποιήθηκε αξιολόγηση της ακρίβειας των αποτελεσμάτων. Η θέση του δρόμου αξιολογήθηκε με βάση τα ακόλουθα κριτήρια: α)την ''ταξινόμηση'', καθορισμός του ποσοστού της οδικής περιοχής που θα μπορούσε να προσδιοριστεί ορθά με τα δεδομένα LiDAR, β) την ''ακρίβεια θέσης'', καθορισμός του 95ου εκατοστημορίου της οριζόντιας απόστασης που διαχωρίζει την προερχόμενη από το LiDAR κεντρική γραμμή και την επιβεβαιωμένη από έρευνα πεδίου κεντρική γραμμή του δρόμου.

'''Περιοχή μελέτης'''

Η περιοχή μελέτης αποτελεί τμήμα των δασών Hyrcanian στην επαρχία Golestan του Ιράν. H μορφολογία του εδάφους είναι κρημνώδης, ανομοιόμορφη, με υψόμετρα που κυμαίνονται από 290 έως 720 m και κλίσεις επιφάνειας εδάφους από 3% έως 65%. Ο δασικός δρόμος χτίστηκε το 1990 και χρησιμοποιήθηκε για την πρόσβαση στο δάσος Shastkola για τη συγκομιδή ξυλείας, την πραγματοποίηση ερευνών πεδίου και τη διαχείριση και προστασία των δασών. Το μέσο πλάτος της επιφάνειας του οδοστρώματος ήταν 3,5 m. Ορισμένα τμήματα του δρόμου ήταν κρυμμένα κάτω από το θόλο του δάσους, με μέσο όρο κάλυψής του 80% και εύρος 40-100%.

'''Υλικά και Μέθοδοι '''

''Πηγές δεδομένων''

Τα δεδομένα LiDAR συλλέχθηκαν από τον Εθνικό Γεωγραφικό Οργανισμό του Ιράν (NGO), χρησιμοποιώντας έναν αισθητήρα τοποθετημένο σε αεροσκάφος σταθερής πτέρυγας. Η έρευνα διεξήχθη τον Οκτώβριο του 2011 και τα δεδομένα LiDAR συμπεριλάμβαναν τις πρώτες και τελευταίες επιστροφές των δεδομένων απόστασης και έντασης ακτινοβολίας laser, με μέση πυκνότητα σημείων στην επιφάνεια τα 4 σημεία/m2. Για την αξιολόγηση της εξαγωγής του δρόμου, χρησιμοποιήθηκαν 2 διανυσματικά θεματικά επίπεδα. Ένα από 87 σημεία ελέγχου με οριζόντια ακρίβεια 0,08 m, και ένα ακόμα οδικό δίκτυο (σε μορφή γραμμών) από προηγούμενες μελέτες στην ίδια περιοχή.

''Προεπεξεργασία & προετοιμασία των στρωμάτων''

Για τη δημιουργία ενός ακριβούς DEM, πριν την παρεμβολή του σε μορφή raster, πρέπει να αφαιρεθούν τα μη εδαφικά σημεία. Στην παρούσα έρευνα για το φιλτράρισμα του εδάφους (ground filtering) χρησιμοποιήθηκαν οι τελευταίες επιστροφές παλμού, καθώς διαπερνούν τη βλάστηση και φτάνουν πιο κοντά στην επιφάνεια του εδάφους. Τα μη εδαφικά σημεία αφαιρέθηκαν με την εφαρμογή της Εξίσωσης 1, με βάση την οποία η διαφορά μεταξύ του πρώτου και του τελευταίου παλμού δεν πρέπει να είναι μικρότερη από μια συγκεκριμένη τιμή κατωφλίου ''Τ''. Στην περίπτωση που η διαφορά είναι μικρότερη από Τ, το σημείο αφαιρείται. Το Τ υπολογίζεται μέσω της Εξίσωσης 2, όπου ''σ''είναι το σφάλμα στη μέτρηση του υψομέτρου στα δεδομένα LiDAR.
Για τον επανυπολογισμό των αφαιρεθέντων σημείων, εφαρμόσθηκε στη συνέχεια η μέθοδος παρεμβολής IDW.Από τα δεδομένα για τον τελευταίο παλμό δημιουργήθηκε ένα Ψηφιακό Εδαφικό Μοντέλο (DTM) και από τα δεδομένα για τον πρώτο παλμό ένα Ψηφιακό Επιφανειακό Μοντέλο (DSM). Για να απαλειφθεί η τοπογραφική επίδραση στον προσδιορισμό του δρόμου χρησιμοποιήθηκε ένα Ψηφιακό Μη Εδαφικό Μοντέλο (DNTM), (Εξίσωση 3):

First Pulse – Last Pulse > Τ (1)

T ≥ √(σ^2*First Pulse+σ^2*Last Pulse) (2)

DNTM = DSM – DTM (3)

''Ταξινόμηση SVM & αξιολόγηση αποτελεσμάτων''

Tα δεδομένα LiDAR για την ένταση της ακτινοβολίας ταξινομήθηκαν μέσω της μηχανής εκπαίδευσης SVM σε δύο κατηγορίες. Στη μία κατηγορία αντιστοιχούσαν τα δεδομένα που υποδείκνυαν την εύρεση δρόμου και στην άλλη αυτά που δεν την υποδείκνυαν. Στη συνέχεια, στην ταξινόμηση χρησιμοποιήθηκαν και τα LiDAR δεδομένα απόστασης, ώστε να αφαιρεθούν τα εικονοστοιχεία τα οποία είχαν ραδιομετρικές τιμές παρόμοιες με τα εικονοστοιχεία επιφάνειας δρόμου, αλλά δεν αποτελούσαν εικονοστοιχεία δρόμου.
Η αξιολόγηση των εξαχθέντων δεδομένων δρόμου έγινε σε 2 στάδια.
Κατά το πρώτο στάδιο, συγκρίθηκαν οι αυτόματα εξαχθείσες κεντρικές γραμμές του δρόμου με τους χειροκίνητα σχεδιασμένους οδικούς άξονες, οι οποίοι χρησιμοποιήθηκαν ως δεδομένα αναφοράς. Συγκεκριμένα, με χρήση του αλγόριθμου SVM υπολογίσθηκε ο αριθμός των εξαχθέντων δρόμων που αντιστοιχούσε ορθά - «ταίριαζε» στον αριθμό του οδικού δικτύου αναφοράς. Τα αντιστοιχισμένα εξαχθέντα για τους δρόμους δεδομένα χαρακτηρίζονταν ως ορθώς θετικά ( ΤP - True Positive), υπογραμμίζοντας το γεγονός ότι ο αλγόριθμος εξαγωγής βρήκε πράγματι δρόμο. Τα εξαχθέντα δεδομένα δρόμου που δεν συνέπιπταν με αυτά του δικτύου αναφοράς χαρακτηρίζονταν ως ψευδώς θετικά (FP – False Positive). Στη συνέχεια, η σύγκριση των δεδομένων έγινε με αντίστροφο τρόπο, δηλαδή εξετάζοντας αν τα δεδομένα αναφοράς ταιριάζουν με τα εξαχθέντα για τους δρόμους δεδομένα, τα οποία χρησιμοποιούνταν ως βάση. Τα δεδομένα αναφοράς που δεν συνέπιπταν με τα εξαχθέντα δεδομένα χαρακτηρίζονταν ως λανθασμένα αρνητικά (FN - False Negative) ενώ αυτά που συνέπιπταν ως ορθώς θετικά ( TP - True Positive).
Κατά το δεύτερο στάδιο, για την αξιολόγηση των εξαχθέντων δεδομένων δρόμου χρησιμοποιήθηκαν τρία μέτρα ποιότητας: η πληρότητα (completeness), η ορθότητα (correctness) και η ποιότητα (quality) (Εξισώσεις 4-6).

Completeness = TP/ (TP + FN) (4)

Correctness = TP/ (TP + FP) (5)

Quality = TP/ (TP + FP + FN) (6)

''Σύγκριση εξαχθείσας κεντρικής γραμμής δρόμου με εκείνη που προσδιορίστηκε από επιτόπια έρευνα ''

Η θέση της κεντρικής γραμμής δρόμου που προέκυψε από τα δεδομένα LiDAR με τη θέση της κεντρικής γραμμής από την έρευνα πεδίου, πραγματοποιήθηκε με χρήση 117 σημείων ελέγχου. Κατά αυτόν τον τρόπο, εκτιμήθηκε το ποσοστό του ψηφιοποιημένου δασικού δρόμου που «έπεσε» εντός (x) μέτρων από την εξεταζόμενη κεντρική γραμμή δρόμου. Η συνολική ακρίβεια θέσης εκτιμήθηκε με τον καθορισμό του 95ου εκατοστημορίου της οριζόντιας απόστασης που διαχωρίζει την προερχόμενη από το LiDAR κεντρική γραμμή και την επιβεβαιωμένη από την έρευνα πεδίου κεντρική γραμμή του δρόμου

'''Αποτελέσματα'''

Σύμφωνα με τα αποτελέσματα της μεθόδου παρεμβολής IDW, τα σημεία που έπρεπε να αφαιρεθούν από το νέφος σημείων LiDAR αντιστοιχούσαν σε λιγότερο από το 10% του συνόλου των σημειακών δεδομένων. Το μέσο τετραγωνικό σφάλμα πρόβλεψης (RMSE- Root Mean Square Error) για την παρεμβολή των δεδομένων LiDAR ήταν 0,19 m και τα στρώματα DSM, DTM και DNTM δημιουργήθηκαν με χωρική ανάλυση 1 m (Εικόνα 1).
Η Μηχανή Διανυσματικής Υποστήριξης (SVM) κατηγοριοποίησε τα δεδομένα έντασης LiDAR και τα συγχωνευμένα δεδομένα (δεδομένα έντασης και DNTM) σε δύο κατηγορίες, «δρόμος» και «μη δρόμος», συμβάλλοντας στον καλύτερο εντοπισμό της θέσης του δασικού δρόμου. Κάθε εικονοστοιχείο των εξαχθέντων δεδομένων δρόμου από το προηγούμενο στάδιο ανάλυσης ταξινομήθηκε ως ορθός θετικό (TP) ή ψευδώς αρνητικό (FN) ή ψευδώς θετικό (FP) (Πίνακας 1).
Η εφαρμογή των μέτρων ποιότητας για την αξιολόγηση των αποτελεσμάτων της ταξινόμησης οδήγησε σε 75% πληρότητα, 63% ορθότητα και 52% ποιότητα (Πίνακας 2).
Οι άκρες του δρόμου ήταν καλά καθορισμένες στα στρώματα που εξήχθησαν με την LiDAR και επέτρεψαν την ακριβή ψηφιοποίηση της θέσης της κεντρικής γραμμής του δασικού δρόμου. Περισσότερο από το 95% των εξαχθέντων τμημάτων του δασικού δρόμου ψηφιοποιήθηκε εντός της απόσταση των 1,3 m από την κανονική κεντρική γραμμή που προσδιορίστηκε με έρευνα πεδίου (Εικόνα 2)

'''Συζήτηση & Συμβολή της Τηλεπισκόπησης'''

Στην παρούσα μελέτη, με χρήση της τεχνολογίας LiDAR ήταν δυνατό να γίνει εντοπισμός της θέσης ενός δασικού δρόμου με ακρίβεια ± 1.3 m, η οποία είναι σημαντικά βελτιωμένη σε σύγκριση με την ακρίβεια των ± 10 m που επιτυγχάνεται με τις παραδοσιακές πηγές δεδομένων για την χαρτογράφηση δρόμων στους 1: 25.000 τοπογραφικούς χάρτες στο Ιράν.
Η θέση των δασικών δρόμων αποτελεί σημαντική παράμετρο απογραφής για την αξιολόγηση της διαχείρισης των δασών. Ο εντοπισμός της μπορεί να επιτευχθεί με ακρίβεια και αποτελεσματικότητα χρησιμοποιώντας δεδομένα LiDAR υψηλής ανάλυσης, τα οποία μειώνουν την ανάγκη για έρευνες πεδίου για αυτή τη βασική παράμετρο. Τα οδικά δεδομένα που προκύπτουν από LiDAR μπορούν να αντιμετωπίσουν τα κενά που υπάρχουν στις τρέχουσες πηγές δεδομένων, ειδικά για δασικές εκτάσεις, και αποτελούν ένα πολύτιμο εργαλείο για την αξιολόγηση των δασικών δρόμων σε κλίμακες που δεν ήταν εφικτές στο παρελθόν.

'''Συντομογραφίες'''

DEM - Digital Elevation Model - Ψηφιακό Υψομετρικό Μοντέλο

DNTM - Digital Non Terrain Model

DSM - Digital Surface Model - Ψηφιακό Μοντέλο Επιφάνειας

DTM - Digital Terrain Model - Ψηφιακό Μοντέλο Εδάφους

GIS - Geographical Information - Γεωγραφικά Συστήματα Πληροφοριών

IDW - Inverse Distance Weighting - Αντίστροφης Βαρύνουσας Απόστασης

LiDAR - Light Detection and Ranging

RMSE - Root Mean Square Error - Μέσο Τετραγωνικό Σφάλμα Πρόβλεψης

SVM - Support Vector Machine - Μηχανή Διανυσματικής Υποστήριξης

TIN - Triangulated Irregular Network - Δίκτυα Ακανόνιστων Τριγώνων

[[category: Οικολογία]]