RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Σεμερτζίδου Παρθένα

2025-01-22T20:47:55Z

SEMERTZIDOY PARTHENA: Νέα σελίδα με '* Φωτίζοντας την Αρκτική * Ποσοτικοποίηση της νυχτερινής μετανάστευσης τσίχλας * [[Παρακο...'

* [[Φωτίζοντας την Αρκτική]]
* [[Ποσοτικοποίηση της νυχτερινής μετανάστευσης τσίχλας]]
* [[Παρακολούθηση σχεδόν σε πραγματικό χρόνο πουλιών]]
* [[Βαθιά μάθηση και δορυφορική τηλεπισκόπηση για παρακολούθηση και διατήρηση της βιοποικιλότητας]]
* [[Παρακολούθηση καυσίμων και διαχείριση πυρκαγιών σε άγρια εδάφη.]]

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Μέτσοβο)]]

Παρακολούθηση καυσίμων και διαχείριση πυρκαγιών σε άγρια εδάφη.

2025-01-22T20:42:12Z

SEMERTZIDOY PARTHENA: Νέα σελίδα με '[[Εικόνα:P_semertzidoy_5_1.png | thumb | right | Εικόνα 1. Εννοιολογικό πλαίσιο που σχετίζεται με (Α) χαρακτηριστ...'

[[Εικόνα:P_semertzidoy_5_1.png | thumb | right | Εικόνα 1. Εννοιολογικό πλαίσιο που σχετίζεται με (Α) χαρακτηριστικά του πρωτογενούς καυσίμου που ανακτήθηκαν με δεδομένα τηλεπισκόπησης (Gale et al., 2021 ) και (Β) μετρήσεις διαστημικής παρατήρησης της Γης που επιτρέπουν τη συλλογή μετρήσεων σύνδεσης όπως οι μεταβλητές βιοποικιλότητας με δυνατότητα τηλεπισκόπησης (B3) -EBVs) (Skidmore et al., 2021 ). *Η λίστα RSE-EBV δεν είναι εξαντλητική. (B1) παράδειγμα διαστημικών μετρήσεων μεγάλου αποτυπώματος lidar, (B2) παράδειγμα διαστημάτων από υπερφασματικούς αισθητήρες. ]]
[[Εικόνα:P_semertzidoy_5_2.png | thumb | right | Εικόνα 2. Φασματικές ζώνες που συλλαμβάνονται από διαστημικούς αισθητήρες στις περιοχές (Α) ορατές, εγγύς υπέρυθρες (NIR), υπέρυθρες βραχέων κυμάτων (SWIR) και (Β) θερμικές υπέρυθρες (TIR) περιοχές των φασμάτων. *Η κλίμακα εικόνας περιόρισε την πλήρη απεικόνιση των στενών φασματικών ζωνών των υπερφασματικών συστημάτων. Ο αριθμός των ζωνών ( n ) για την υπερφασματική πλατφόρμα/όργανο είναι: ISS/DESIS ( n = 235), Prisma/HYC ( n = 240), ISS/HISUI ( n = 185), EnMAP/HSI ( n = 242). 1 μm = 1000 nm.]]

'''Αντικείμενο Εφαρμογής:''' Αξιοποιώντας την επόμενη γενιά διαστημικών παρατηρήσεων της Γης για παρακολούθηση καυσίμων και διαχείριση πυρκαγιών σε άγρια εδάφη.

'''Πρωτότυπος Τίτλος:''' '' 'Leveraging the next generation of spaceborne Earth observations for fuel monitoring and wildland fire management.' ''

'''Συγγραφείς:''' Rodrigo V. Leite, Cibele Amaral, Christopher S. R. Neigh, Diogo N. Cosenza, Carine Klauberg, Andrew T. Hudak, Luiz Aragão, Douglas C. Morton, Shane Coffield, Tempest McCabe, Carlos A. Silva

'''Πηγή:''' Remote Sensing in Ecology and Conservation, ZSL [https://doi.org/10.1002/rse2.416 (1)]

'''Περίληψη:''' Η διαχείριση των καυσίμων είναι μια βασική στρατηγική για τον μετριασμό των αρνητικών επιπτώσεων των δασικών πυρκαγιών στους ανθρώπους και το περιβάλλον. Η χρήση δορυφορικών δεδομένων παρατήρησης της Γης έχει γίνει ένα σημαντικό εργαλείο για τους διαχειριστές για τη βελτιστοποίηση του σχεδιασμού επεξεργασίας καυσίμων σε περιφερειακή κλίμακα. Ευτυχώς, αρκετοί νέοι αισθητήρες έχουν λανσαριστεί τα τελευταία χρόνια, παρέχοντας νέες ευκαιρίες για τη βελτίωση του χαρακτηρισμού του καυσίμου. Εδώ, συνοψίζουμε τις πιθανές βελτιώσεις στον χαρακτηρισμό των καυσίμων σε μεγάλη κλίμακα (δηλαδή, εκατοντάδες έως χιλιάδες km 2 ) με υψηλή χωρική και φασματική ανάλυση που προκύπτει από τη χρήση νέων διαστημικών οργάνων με σχεδόν παγκόσμια, ελεύθερα διαθέσιμα δεδομένα. Προσδιορίσαμε αισθητήρες σε χωρικές αναλύσεις κατάλληλους για σχεδιασμό επεξεργασίας καυσίμων, με: δεδομένα lidar για τον χαρακτηρισμό της δομής της βλάστησης. υπερφασματικοί αισθητήρες για την ανάκτηση χημικών ενώσεων και σύνθεσης ειδών, και πυκνές χρονοσειρές που προέρχονται από πολυφασματικούς και συνθετικούς αισθητήρες ραντάρ διαφράγματος για τη χαρτογράφηση της φαινολογίας και της δυναμικής υγρασίας. Τονίζουμε επίσης μελλοντικές υπερφασματικές αποστολές και αποστολές ραντάρ που θα παρέχουν πολύτιμες και συμπληρωματικές πληροφορίες για μια νέα εποχή χαρακτηρισμού φορτίου καυσίμου από το διάστημα. Ο όγκος δεδομένων που δημιουργείται μπορεί να χρησιμοποιηθεί για την παρακολούθηση καυσίμων και τη διαχείριση πυρκαγιών σε άγρια περιοχή σε όλο τον κόσμο, καθώς και από μια διαφορετική ομάδα ενδιαφερομένων.

'''Διαστημική τηλεπισκόπηση για χαρακτηρισμό καυσίμου μεγάλης κλίμακας:''' Πολλές μεταβλητές που σχετίζονται με τα χαρακτηριστικά της βλάστησης μπορούν να ανακτηθούν από διαστημικούς απομακρυσμένους αισθητήρες και να συσχετιστούν με τα χαρακτηριστικά του καυσίμου. Οι πιο συνηθισμένες συνοψίζονται ως οι βασικές μεταβλητές βιοποικιλότητας με δυνατότητα τηλεπισκόπησης (RSE-EBVs) (Εικόνα 1 ). Τα RSE-EBV μπορούν να ανακτηθούν είτε άμεσα (π.χ. ύψος θόλου) είτε να προκύψουν μέσω εμπειρικών και φυσικών προσεγγίσεων (π.χ. χρησιμοποιώντας μοντέλα υπέργειας βιομάζας). Τα βιοχημικά συστατικά των καυσίμων ανακτώνται συχνά με παθητικούς αισθητήρες, ενώ οι ενεργοί αισθητήρες είναι πιο κατάλληλοι για την ανάκτηση της κατακόρυφης δομής και του φορτίου.
Οι λεπτομερείς φασματικές πληροφορίες είναι ζωτικής σημασίας για την αξιολόγηση των βιοχημικών ενώσεων καυσίμων και του FMC (περιεκτικότητα σε υγρασία καυσίμου).
Οι ενεργοί αισθητήρες επιτρέπουν άμεσες αξιολογήσεις της κατακόρυφης δομής του καυσίμου και των μετρήσεων που σχετίζονται με το θόλο. Αυτό το πλεονέκτημα προέρχεται από την ικανότητα δημιουργίας τρισδιάστατων αναπαραστάσεων μέσω μετρήσεων εμβέλειας και διείσδυσης σε κάθετα στρώματα αισθητήρων βλάστησης όπως το ραντάρ και το lidar.
Η συνέργεια μεταξύ παθητικών και ενεργών αισθητήρων προσφέρει τη δυνατότητα συνδυασμένης χρήσης τους στον χαρακτηρισμό του καυσίμου. Η ανάκτηση της ποικιλότητας των ειδών, για παράδειγμα, περιλαμβάνει την εξέταση τόσο των βιοχημικών όσο και των δομικών χαρακτηριστικών της βλάστησης. Αυτό είναι απαραίτητο για την υποστήριξη νέων πλαισίων για τη μοντελοποίηση συμπεριφοράς πυρκαγιάς και εφέ.

'''Πολυφασματικοί αισθητήρες:'''
Τέσσερις πολυφασματικές αποστολές με πολιτικές ανοιχτών δεδομένων ξεκίνησαν τα τελευταία 5 χρόνια. Η χωρική ανάλυση των εικόνων από αυτούς τους αισθητήρες κυμαίνεται από 2 έως 70 m. Οι αποστολές περιλαμβάνουν (ημερομηνία κυκλοφορίας σε παρένθεση): CBERS-4A (2019), Amazonia-1 (2021), Landsat-9 (2021) και ECOSTRESS (2018).
Τα CBERS-4A και Amazonia-1 κυκλοφόρησαν με στόχο τη μείωση του χρόνου επανεπισκόπησης πολυφασματικών απομακρυσμένων αισθητήρων για την παρακολούθηση της αποψίλωσης των δασών, ειδικά στο βραζιλιάνικο τροπικό δάσος του Αμαζονίου. Η δυνατότητα επίτευξης υψηλότερης συχνότητας δεδομένων για μια περιοχή με συνδυασμό δεδομένων από δορυφορικούς αστερισμούς είναι ένα κρίσιμο βήμα προς τον χαρακτηρισμό των προσωρινά δυναμικών χαρακτηριστικών του καυσίμου, όπως η περιεκτικότητα σε υγρασία.
Το Landsat-9 κυκλοφόρησε το 2021. Οι αισθητήρες του (OLI-2 και TIRS-2) έχουν παρόμοια χαρακτηριστικά με τους αισθητήρες Landsat 8 (OLI-1 και TIRS-1) με ζώνες στο VNIR, SWIR και θερμικές περιοχές του φάσματος. Το Landsat-9 και το Landsat-8 βρίσκονται σε τροχιά μαζί και παρέχουν εικόνες κάθε 8 ημέρες. Η μακροπρόθεσμη ιστορία και η χωρική κάλυψη της αποστολής επιτρέπουν τη δημιουργία προϊόντων μηνιαίας καμένης περιοχής σε επίπεδο χώρας για να βοηθήσει στην κατανόηση της χωρικής χρονικής μεταβλητότητας της πυρκαγιάς.
Το ECOsystem Spaceborne Thermal Radiometer Experiment on Space Station (ECOSTRESS) αντιπροσωπεύει μια σημαντική βελτίωση στη χρήση θερμικών ζωνών στη διαστημική τηλεπισκόπηση για την παγκόσμια παρακολούθηση της εξατμισοδιαπνοής των φυτών σε λεπτότερη χωρική και χρονική ανάλυση. Η απόκτηση δεδομένων πραγματοποιείται σε διαφορετικές ώρες της ημέρας χρησιμοποιώντας 5 θερμικές ζώνες σε χωρική ανάλυση ~70 m και χρόνο επανεπίσκεψης 1–5 ημερών (τα υψηλότερα γεωγραφικά πλάτη επανεξετάζονται συχνότερα). Οι αλλαγές στην εξατμισοδιαπνοή των φυτών κατά τη διάρκεια της ημέρας μπορούν να καταγραφούν και να χρησιμοποιηθούν για την ενημέρωση των μελετών για την υδατική πίεση των φυτών και τις συνέπειές της. Το υδατικό στρες των φυτών έχει αποδειχθεί ότι είναι καλός προγνωστικός παράγοντας της σοβαρότητας της πυρκαγιάς. Επιπλέον, η ικανότητα παρακολούθησης της εξατμισοδιαπνοής μπορεί να συμβάλει στην αξιολόγηση των λειτουργικών χαρακτηριστικών που σχετίζονται με την ανάκτηση της βλάστησης μετά την πυρκαγιά. Συμπεριλαμβάνοντας το ECOSTRESS σε πλαίσια για την αξιολόγηση των επιπτώσεων μετά την πυρκαγιά με πολλαπλούς αισθητήρες, μπορούμε να αποκτήσουμε μια πιο ολοκληρωμένη κατανόηση της αντίστασης και της ανθεκτικότητας των οικοσυστημάτων στη φωτιά.

'''Υπερφασματικοί αισθητήρες:'''
Μεταξύ 2018 και 2022, εκτοξεύτηκαν πέντε αποστολές που έφεραν φασματόμετρα απεικόνισης με υψηλή φασματική ανάλυση, συγκεκριμένα, φασματόμετρο απεικόνισης Earth Sensing του Γερμανικού Αεροδιαστημικού Κέντρου (DLR) DESIS , Precursore IperSpecttrale della Missione Applicativa (PRISMA), Υπερφασματική Σουίτα Imager (HISUI), Πρόγραμμα Περιβαλλοντικής Χαρτογράφησης και Ανάλυσης (EnMAP) (20221, al . ), και EMIT. Οι αισθητήρες συλλέγουν εκατοντάδες ζώνες στις ορατές προς SWIR περιοχές σε εύρη ζώνη μικρότερη από 13 nm σε χωρική ανάλυση 30 m, εκτός από τα προϊόντα του EMIT (60 m) (Εικόνα 2 ). Τα προϊόντα υψηλού επιπέδου από αυτούς τους αισθητήρες περιλαμβάνουν γεωμετρικά και ατμοσφαιρικά διορθωμένα (L2) προϊόντα εικόνας από τα DESIS, PRISMA, HISUI (για ερευνητικούς σκοπούς), EnMAP και EMIT. Η κάλυψη δεδομένων του EMIT επικεντρώθηκε σε συγκεκριμένες τοποθεσίες στην επιφάνεια της Γης.
Το DESIS, το HISUI και το EMIT αναπτύσσονται στον Διεθνή Διαστημικό Σταθμό (ISS) που έχει μια μη-σύγχρονη τροχιά «μετατόπισης» που επιτρέπει την απόκτηση δεδομένων σε διαφορετικές ώρες της ημέρας αλλά με περιορισμούς που σχετίζονται με την κάλυψη δεδομένων. Το PRISMA έχει μια ονομαστική κάλυψη που καθορίζεται μεταξύ 70° Β και Ν γεωγραφικών πλάτη, ενώ το EnMAP συλλέγει δεδομένα παγκοσμίως σε λειτουργία σχεδόν ναδίρ (γωνία ζενίθ προβολής ≤5°). Παρόλο που πολλοί από τους νέους αισθητήρες δεν έχουν πλήρη γήινη κάλυψη ή ελεγχόμενο χρόνο επανεπίσκεψης, η χρήση τους βοηθά να ανοίξει ο δρόμος για τα επερχόμενα διαστημικά φασματοραδιόμετρα εικόνας.
Η αποτελεσματικότητα της φασματοσκοπικής απεικόνισης για εφαρμογές πυρκαγιάς έχει αποδειχθεί ευρύτερα χρησιμοποιώντας δεδομένα από αερομεταφερόμενες πλατφόρμες και οι δυνατότητες των νέων υπερφασματικών αισθητήρων μόλις αρχίζουν να αποκαλύπτονται πλήρως. Ωστόσο, η σχέση μεταξύ του πλούτου των ειδών που προέρχονται από τη διαστημική φασματοσκοπία με τη συμπεριφορά και τις επιπτώσεις της πυρκαγιάς δεν είναι ακόμη πλήρως κατανοητή.

'''Αισθητήρες Lidar:'''
Οι διαστημικές αποστολές Lidar Ice, Cloud και Land Elevation Satellite-2 (ICESat-2) και Global Ecosystem Dynamics Investigation (GEDI) κυκλοφόρησαν το 2018, αξιοποιώντας ευκαιρίες βελτίωσης του φορτίου καυσίμου και της ανάκτησης κάθετης δομής σε παγκόσμια κλίμακα. Βασίζονται σε διαφορετικές τεχνολογίες lidar. Ο αισθητήρας ATLAS στο ICESat-2 είναι ένας μετρητής φωτονίων (λειτουργεί στα 532 nm) που σημαίνει ότι ο δέκτης χρειάζεται μόνο την ενέργεια ενός μόνο φωτονίου που επιστρέφει για να ενεργοποιήσει μια μέτρηση. Το GEDI, από την άλλη πλευρά, στο (ISS) είναι ένα πλήρους κυματομορφής lidar (1064 nm) που λειτουργεί καταγράφοντας όλη την επιστρεφόμενη ενέργεια σε συνάρτηση με το χρόνο. Και τα δύο συστήματα λειτουργούν σε σχέδιο δειγματοληψίας με βολές λέιζερ συστηματικά σε απόσταση μεταξύ τους όταν φτάνουν στην επιφάνεια της Γης . Η ανάπτυξη διαστημικών συστημάτων lidar με παγκόσμια κάλυψη από τοίχο σε τοίχο δεν έχει ακόμη εκπληρωθεί.
Το ICESat-2 εκτοξεύτηκε μετά την αποστολή ICESat με τις περισσότερες απαιτήσεις αποστολής που σχετίζονται με τη μέτρηση και την παρακολούθηση αλλαγών σε φύλλα πάγου. Ωστόσο, η χρησιμότητα των δεδομένων ICESat-2 επεκτείνεται σε εφαρμογές βλάστησης. Το ύψος και η κάλυψη της βλάστησης είναι διαθέσιμα ως προϊόντα εδάφους, νερού και υψομετρικής βλάστησης ICESat-2 (ATL08) και προϊόντα πλέγματος γης/κουβούκλιο (ATL18). Το GEDI, από την άλλη πλευρά, ήταν ο πρώτος διαστημικός αισθητήρας lidar που σχεδιάστηκε ειδικά για να χαρτογραφήσει τη βλάστηση της Γης με δυνατότητα πλήρους διείσδυσης στη βλάστηση με το 95-98% της κάλυψης του θόλου. Η GEDI παρέχει προϊόντα υψηλού επιπέδου σε επίπεδο αποτυπώματος: ύψος βλάστησης, μετρήσεις κάλυψης θόλου και κατακόρυφων προφίλ και βιομάζα υπέργειων πυκνότητα (AGBD) και πλέγμα AGBD. Μελέτες έχουν αναφέρει ριζικά μέσα τετραγωνικά σφάλματα για μετρήσεις ύψους θόλου ~1–4 m.
Η χρήση δεδομένων από διαστημικούς αισθητήρες lidar ήταν απαραίτητη για την προώθηση της χαρτογράφησης και της κατανόησης των δομικών χαρακτηριστικών της βλάστησης στην επιστήμη των πυρκαγιών. Για παράδειγμα, τα δεδομένα του ICESat-2 βοήθησαν στην καταγραφή δομικών αλλαγών στη βλάστηση λόγω πυρκαγιάς. Οι δυνατότητες δεδομένων του ICESat-2 για τον χαρακτηρισμό των καυσίμων παραμένουν σε μεγάλο βαθμό ανεξερεύνητες. Η χρήση των δεδομένων GEDI βοήθησε στη βελτίωση της ταξινόμησης των καυσίμων ,στην πρόβλεψη του φορτίου καυσίμου στα κάθετα στρώματα της βλάστησης, και επίσης στον ποσοτικό προσδιορισμό των δομικών αλλαγών στη βλάστηση που σχετίζονται με τη φωτιά. Η εξαγωγή άλλων χαρακτηριστικών καυσίμου που σχετίζονται με τη δομή, όπως το ύψος βάσης του θόλου και η χύδην πυκνότητα του θόλου πρέπει ακόμη να διερευνηθεί.

'''Συνέχεια μακροπρόθεσμων προγραμμάτων γεωσκόπησης:'''
Τα μακροπρόθεσμα προγράμματα που έχουν συμβάλει στην πρόοδο της EO με βάση το διάστημα αναμένεται να αναπτύξουν νέους αισθητήρες τις επόμενες δεκαετίες. Η συνέχεια των αποστολών Landsat με την ονομασία Landsat-Next θα έχει βελτιωμένες χωρικές, χρονικές και φασματικές αναλύσεις με 26 ζώνες, χωρικές αναλύσεις 10–60 m. Έχει σχεδιαστεί ως ένας αστερισμός τριών δορυφόρων, επιτρέποντας έναν χρόνο επανεπίσκεψης 6 ημερών. Οι δορυφόροι αναμένεται να εκτοξευθούν στα τέλη του 2030 και να συλλέγουν δεδομένα με τον προκάτοχό του Landsat-9 . Η ESA εργάζεται για να συνεχίσει την κληρονομιά των αποστολών Sentinel στο μέλλον. Σύντομα, οι επερχόμενες αποστολές Sentinel-1C και Sentinel-1D θα αντικαταστήσουν το Sentinel-1B (παροπλισμένο το 2022) και το Sentinel-1A για τη λήψη δεδομένων SAR ζώνης C κάθε 6 ημέρες. Αργότερα αυτή τη δεκαετία, η αποστολή Sentinel-1 Next Generation θα επεκτείνει τη συλλογή δεδομένων C-band στη δεκαετία του 2030 με βελτιώσεις στα χαρακτηριστικά απόκτησης δεδομένων. Στο ίδιο χρονικό πλαίσιο, η ESA σχεδιάζει επίσης να εισαγάγει βελτιώσεις στα οπτικά στοιχεία των Sentinel-2 και Sentinel-3 σε νέες αποστολές. Τέλος, σημειώνουμε επίσης ότι υπάρχουν αναφορές για δεδομένα που αρχίζουν να είναι ανοιχτά για τους δορυφόρους Gaofen που αποτελούν μέρος του κινεζικού προγράμματος High-Resolution Earth Observation System. Μπορεί να είναι διαθέσιμα προϊόντα χαμηλότερου επιπέδου που απαιτούν πρόσθετη επεξεργασία πριν από την εφαρμογή τους σε τελικές χρήσεις, αλλά τα έτοιμα για ανάλυση δεδομένα είναι επίσης υπό ανάπτυξη. Ομοίως, ο Επιστημονικός Δορυφόρος Βιώσιμης Ανάπτυξης-1 (SDGSAT-1), που ξεκίνησε το 2021 και αναπτύχθηκε από την Κινεζική Ακαδημία Επιστημών, αναμένεται να παρέχει ελεύθερα διαθέσιμα δεδομένα.

'''Επικείμενες αποστολές:'''
Τα επόμενα χρόνια αναμένονται πρωτοφανή σύνολα δεδομένων SAR. Οι αποστολές SAR NISAR και BIOMASS προγραμματίζονται να εκτοξευθούν το 2024. Το NISAR θα έχει παγκόσμια συλλογή δεδομένων χρησιμοποιώντας τη ζώνη L και θα είναι ο πρώτος δορυφόρος που θα επιτρέπει την ανάλυση διπλής συχνότητας αποκτώντας δεδομένα χρησιμοποιώντας ζώνες L και S σε επιλεγμένες τοποθεσίες. Το NISAR θα έχει επίσης έναν ακριβή κύκλο επανάληψης 12 ημερών που θα επιτρέψει συχνότερους συμβολομετρικούς συνδυασμούς και αναλύσεις. Η αποστολή θα συλλέγει πάνω από 85 TB δεδομένων την ημέρα και σχεδιάζει να καλύψει τις απαιτήσεις της ετήσιας χαρτογράφησης διαταραχών βιομάζας σε χωρική ανάλυση 100 m, αν και προϊόντα χαμηλότερου επιπέδου θα παραδίδονται σε μικρότερη χωρική ανάλυση (π.χ. ονομαστική ανάλυση οργάνων 7–48 m ανάλογα με τη λειτουργία απόκτησης). Εν τω μεταξύ, το BIOMASS είναι ο πρώτος διαστημικός αισθητήρας που λειτουργεί στη ζώνη P, η οποία είναι η ζώνη SAR με την υψηλότερη ικανότητα διείσδυσης σε πυκνή βλάστηση και πιθανότατα πιο αποτελεσματικό στη μέτρηση της βιομάζας της βλάστησης. Οι παράμετροι απόκτησης BIOMASS θα επιτρέψουν περαιτέρω την παραγωγή προφίλ βλάστησης μέσω τομογραφικής ανάλυσης του σήματος επιστροφής για τα τρία πρώτα χρόνια του κύκλου ζωής του. Οι απαιτήσεις της αποστολής BIOMASS περιλαμβάνουν χάρτες βιομάζας και ύψους δασών σε ανάλυση 200 m και διαταραχή των δασών σε ανάλυση 50 m. Σημειώστε ότι ενδέχεται να υπάρχουν περιορισμοί για τη λειτουργία BIOMASS που μπορεί να περιορίσουν τη διαθεσιμότητα δεδομένων σε ορισμένες περιοχές του κόσμου. Ωστόσο, μεγάλες ευκαιρίες προκύπτουν από την ενσωμάτωση των NISAR και BIOMASS με το GEDI που προγραμματίζεται να λειτουργήσουν μαζί μέχρι το τέλος της δεκαετίας. Ο συνδυασμός τους ενισχύεται από την παρουσία τους στην Πλατφόρμα Αλγόριθμου και Ανάλυσης Πολλαπλών Αποστολών, ένα κοινό περιβάλλον εργασίας cloud computing NASA-ESA. Προγραμματίζονται και άλλες αποστολές SAR, όπως η TanDEM-L ,ALOS-4 ,ROSE-L ,και CBERS-6 για να συνεχίσουν να υποστηρίζουν την ανάλυση βλάστησης με βάση το SAR.
Οι τρέχουσες υπερφασματικές αποστολές θα πρέπει να δημιουργήσουν έδαφος για το μέλλον της φασματοσκοπικής απεικόνισης από το διάστημα. Η αποστολή Surface Biology and Geology (SBG) και η αποστολή Copernicus Hyperspectral Imaging Mission for the Environment (CHIME) είναι η επόμενη γενιά αυτού του τύπου αισθητήρα. Το SBG και το CHIME θα έχουν παγκόσμια κάλυψη, εύρη ζώνης <10-nm στο VSWIR και χωρική ανάλυση 30 m. Ο χρόνος επανεπίσκεψης μπορεί να είναι δυνητικά μικρότερος από 8 ημέρες συνδυάζοντας σύνολα δεδομένων SBG και CHIME.
Τέλος, στο πλαίσιο της επιστήμης των δασικών πυρκαγιών, είναι σημαντικό να αναφερθεί ο πρώτος δορυφόρος με σχεδιασμό που έχει προγραμματιστεί για επιχειρησιακή παρακολούθηση πυρκαγιών στον Καναδά και ονομάζεται WildFireSat. Αυτή η αποστολή είναι υπό ανάπτυξη και παρέχει εικόνες με μεγαλύτερη ανάλυση από άλλες που αναφέρονται σε αυτό το άρθρο, επειδή ο σχεδιασμός της αποστολής επικεντρώνεται σε διαφορετικούς στόχους, όπως η λήψη δεδομένων σχεδόν σε πραγματικό χρόνο, η μέτρηση της συμπεριφοράς της δασικής πυρκαγιάς και η χαρτογράφηση των λοφίων καπνού. Ένα βασικό βήμα προς την ανάπτυξη των αισθητήρων είναι η αλληλεπίδραση με τους τελικούς χρήστες για τον προσδιορισμό των απαιτήσεων αποστολής, συμπεριλαμβανομένης της χρονικής ανάλυσης, της κάλυψης δεδομένων και της καθυστέρησης .

'''Σύνοψη:'''
Η διαχείριση των πυρκαγιών στην άγρια περιοχή είναι απαραίτητη για τη διατήρηση της λειτουργικότητας των οικοσυστημάτων και τη μείωση των κινδύνων ακραίων πυρκαγιών. Η αξιοποίηση της χρήσης μιας νέας γενιάς διαστημικών αισθητήρων μπορεί να βοηθήσει τους διαχειριστές να επιτύχουν αυτούς τους κρίσιμους στόχους. Το φορτίο καυσίμου και η κατακόρυφη δομή μπορούν να ληφθούν λόγω της ικανότητας διείσδυσης των διαστημικών ενεργών αισθητήρων, όπως το GEDI. Νέοι αισθητήρες που συλλέγουν δεδομένα σε στενές ζώνες του ηλεκτρομαγνητικού φάσματος μπορούν να βελτιώσουν την ανάκτηση βασικών βιοχημικών συστατικών σε μεγάλες περιοχές. Τέλος, η ενοποίηση δεδομένων μεταξύ lidar, υπερφασματικών και αστερισμών πολυφασματικών αισθητήρων και αισθητήρων ραντάρ μπορεί να δώσει την ευκαιρία να κλιμακωθούν τα χαρακτηριστικά του καυσίμου στο χώρο και στο χρόνο για να κατανοήσουμε τη δυναμική του καυσίμου.

[[category:Διαχείριση κινδύνων]]

Βαθιά μάθηση και δορυφορική τηλεπισκόπηση για παρακολούθηση και διατήρηση της βιοποικιλότητας

2025-01-22T20:28:35Z

SEMERTZIDOY PARTHENA: Νέα σελίδα με '[[Εικόνα:P_semertzidoy_4_1.png | thumb | right | Εικόνα 1. Επισκόπηση των προκλήσεων και των ευκαιριών που παρου...'

[[Εικόνα:P_semertzidoy_4_1.png | thumb | right | Εικόνα 1. Επισκόπηση των προκλήσεων και των ευκαιριών που παρουσιάζονται με τη χρήση βαθιάς μάθησης για δορυφορική ανάλυση δεδομένων προκειμένου να βελτιωθεί η βάση γνώσεων για τη διατήρηση της βιοποικιλότητας.]]
[[Εικόνα:P_semertzidoy_4_2.png | thumb | right | Εικόνα 2. Μοντέλα θεμελίωσης στη δορυφορική τηλεπισκόπηση για οικολογία και διατήρηση. ]]

'''Αντικείμενο Εφαρμογής:''' Βαθιά μάθηση και δορυφορική τηλεπισκόπηση για παρακολούθηση και διατήρηση της βιοποικιλότητας

'''Πρωτότυπος Τίτλος:''' '' 'Deep learning and satellite remote sensing for biodiversity monitoring and conservation' ''

'''Συγγραφείς:''' Nathalie Pettorelli, Jake Williams, Henrike Schulte to Bühne, Merry Crowson

'''Πηγή:''' Remote Sensing in Ecology and Conservation, ZSL [https://doi.org/10.1002/rse2.415 (1)]

'''Εισαγωγή:''' Τα δεδομένα τηλεπισκόπησης και τα εργαλεία που χρησιμοποιούν οι οικολόγοι και οι βιολόγοι διατήρησης για να τα αναλύσουν, έχουν γίνει πιο προσιτά και άφθονα από ποτέ. Η συνδυασμένη χρήση δεδομένων τηλεπισκόπησης και μεθόδων βαθιάς μάθησης θεωρείται όλο και περισσότερο ως τρόπος πρόσβασης σε νέες πληροφορίες για το περιβάλλον μας και τον ζωντανό κόσμο.
Η βαθιά μάθηση μπορεί να οριστεί ως προσεγγίσεις μηχανικής μάθησης που επιτρέπουν σε υπολογιστικά μοντέλα που αποτελούνται από πολλαπλά επίπεδα επεξεργασίας να μαθαίνουν αναπαραστάσεις δεδομένων με πολλαπλά επίπεδα αφαίρεσης . Τα νευρωνικά δίκτυα αποτελούν τη βάση των προσεγγίσεων βαθιάς μάθησης. Η βαθιά μάθηση μπορεί να χρησιμοποιηθεί σε μια ποικιλία ακατέργαστων δομών δεδομένων και διαφορετικοί τύποι νευρωνικών δικτύων μπορούν να αντιπαραβληθούν, ανάλογα με τη φύση των δεδομένων εισόδου και εξόδου και τον τρόπο επεξεργασίας και δημιουργίας τους. Εξαιτίας αυτού, οι προσεγγίσεις βαθιάς μάθησης έχουν βρεθεί ότι είναι χρήσιμες σε πολλούς κλάδους, συμπεριλαμβανομένης της γεωγραφίας και της βιολογίας.
Την τελευταία δεκαετία, έχουν αναπτυχθεί μεθοδολογίες βαθιάς μάθησης για την ανάλυση μιας ποικιλίας δεδομένων τηλεπισκόπησης, από εικόνες υψηλής ανάλυσης έως δεδομένα SAR.
Η βαθιά μάθηση αναμένεται ευρέως ότι θα φέρει επανάσταση στον τρόπο με τον οποίο τα δεδομένα τηλεπισκόπησης μπορούν να χρησιμοποιηθούν για την ενημέρωση της οικολογίας και της διατήρησης, και πράγματι, πολλές συνεισφορές έχουν πλέον καθιερώσει πώς αυτές οι προσεγγίσεις θα μπορούσαν να επεκτείνουν ιδιαίτερα τις ευκαιρίες για την κάλυψη των υφιστάμενων κενών γνώσης χρησιμοποιώντας παγίδες κάμερας και βιοακουστική. Ωστόσο, όσον αφορά τη δορυφορική τηλεπισκόπηση, τα σημάδια μιας μελλοντικής επανάστασης δεν έχουν μέχρι στιγμής εξεταστεί και συζητηθεί διεξοδικά. Για να αντιμετωπιστεί αυτό το κενό, εδώ παρέχουμε μια επισκόπηση του τρόπου με τον οποίο ο συνδυασμός της δορυφορικής τηλεπισκόπησης με τη βαθιά μάθηση έχει συμβάλει μέχρι στιγμής στην ενημέρωση της οικολογίας και της διατήρησης, επισημαίνουμε δρόμους που φαίνονται πολλά υποσχόμενοι και σκιαγραφούμε γνωστούς περιορισμούς στην ευρεία χρήση αυτών των τεχνικών και συζητάμε πώς μπορούν να ξεπεραστούν (Εικ. 1 ).

'''Κατάσταση του παιχνιδιού:''' Η βαθιά μάθηση χρησιμοποιείται σε συνδυασμό με δεδομένα δορυφορικής τηλεπισκόπησης σε τέσσερις κύριους τύπους καταστάσεων, συγκεκριμένα για ταξινόμηση, τμηματοποίηση, ανίχνευση αντικειμένων και παλινδρόμηση. Η ταξινόμηση αναφέρεται στην επισήμανση εικονοστοιχείων, ομάδων εικονοστοιχείων ή αντικειμένων χρησιμοποιώντας καθορισμένες κατηγορίες. Η τμηματοποίηση διαιρεί μια εικόνα σε τμήματα ή περιοχές με σημασιολογικό νόημα. Η ανίχνευση αντικειμένων περιλαμβάνει τον εντοπισμό και τον περιβάλλοντα χώρο αντικειμένων ενδιαφέροντος με οριοθετημένα κουτιά και η παλινδρόμηση περιλαμβάνει την πρόβλεψη συνεχών μεταβλητών από μια εικόνα. Οι προσεγγίσεις βαθιάς μάθησης για την αντιμετώπιση αυτών των τεσσάρων σκοπών μπορούν να είναι εποπτευόμενες, χωρίς επίβλεψη, ημι-εποπτευόμενες ή αυτο-επίβλεψης, ανάλογα με την εργασία που πρέπει να εκτελεστεί. Τα εποπτευόμενα δίκτυα, όπως τα συνελικτικά νευρωνικά δίκτυα (CNN) και τα επαναλαμβανόμενα νευρωνικά δίκτυα (RNN), χρησιμοποιούνται για την πρόβλεψη μιας συγκεκριμένης ετικέτας ή ενός αριθμού, ενώ τα μη εποπτευόμενα χρησιμοποιούνται για τη ομαδοποίηση εικόνων με βάση ομοιότητες: και τα δύο είναι κοινά για ταξινόμηση εικόνας ή αντικείμενο ανίχνευσης, αν και τα εποπτευόμενα δίκτυα χρησιμοποιούνται συχνότερα για σκοπούς παρακολούθησης και διατήρησης της βιοποικιλότητας. Τα αυτοεποπτευόμενα δίκτυα χρησιμοποιούν μη εποπτευόμενη μάθηση για εργασίες που απαιτούν συμβατικά εποπτευόμενη μάθηση: αντί να βασίζονται σε επισημασμένα σύνολα δεδομένων για εποπτικά σήματα, οι αυτοεποπτευόμενες προσεγγίσεις δημιουργούν έμμεσες ετικέτες από μη δομημένα δεδομένα.
Τα CNN και τα RNN είναι σήμερα από τους πιο κοινούς τύπους νευρωνικών δικτύων που χρησιμοποιούνται σε συνδυασμό με δορυφορικές εικόνες τηλεπισκόπησης: και τα δύο έχουν ξεχωριστές αλλά συμπληρωματικές δυνατότητες, με τα CNN να χρησιμοποιούνται συνήθως για την επίλυση προβλημάτων που αφορούν χωρικά δεδομένα και τα RNN είναι καλύτερα για την ανάλυση χρονικών και διαδοχικών δεδομένων, όπως χρονοσειρές.
Τα CNN έχουν αποδειχθεί ιδιαίτερα αποτελεσματικά για την εξαγωγή ενός ευρέος φάσματος ιδιοτήτων βλάστησης από εικόνες τηλεπισκόπησης. Τα CNN έχουν επίσης υποσχεθεί να ενημερώνουν την παρακολούθηση και τη διαχείριση της άγριας ζωής.
Μέχρι σήμερα, τα RNN σε συνδυασμό με δορυφορικές εικόνες έχουν θεωρηθεί πιο σπάνια ότι προάγουν άμεσα τη διατήρηση της άγριας ζωής, με τις περισσότερες εφαρμογές να βρίσκονται σε περιβαλλοντικές και γεωργικές μελέτες. Επιπλέον, τα RNN συνδυάζονται μερικές φορές με CNN για τη βελτίωση της χαρτογράφησης κάλυψης γης, με τον συνδυασμό αυτών των μοντέλων να έχει προταθεί ότι είναι ιδιαίτερα χρήσιμος για την αξιοποίηση χωρικών και χρονικών εξαρτήσεων σε οπτικές δορυφορικές χρονοσειρές εικόνων. Ένα ενδιαφέρον παράδειγμα εφαρμογής RNN για οικολογικούς σκοπούς παρέχεται από τον Kraft, ο οποίος χρησιμοποίησε μια αρχιτεκτονική LSTM για να προβλέψει τον δείκτη κανονικοποιημένης διαφοράς βλάστησης (NDVI) με βάση τα κλιματικά δεδομένα, την κάλυψη της γης και τις πληροφορίες του εδάφους. Τις τελευταίες δεκαετίες, πολυάριθμες μελέτες έχουν επισημάνει τον δυνητικό βασικό ρόλο των δορυφορικών δεδομένων και του NDVI στη μακροοικολογία, την οικολογία των φυτών, τη δυναμική του πληθυσμού των ζώων, καθώς και μελέτες επιλογής οικοτόπων και χρήσης οικοτόπων, που πιθανότατα καθιστούν την προοπτική να είναι σε θέση να προβλέψει αξιόπιστα το NDVI σε ολόκληρο τον κόσμο, ιδιαίτερα ελκυστικό για τους οικολόγους της άγριας ζωής.

'''Υποσχόμενοι δρόμοι:'''
Καθώς οι χρονολογικές σειρές δορυφορικών εικόνων γίνονται όλο και πιο διαθέσιμες και προσβάσιμες, πολλές από τις ευκαιρίες για βαθιά μάθηση για την προώθηση της επεξεργασίας δορυφορικών εικόνων προς όφελος της οικολογίας και της διατήρησης αναμένεται να προέλθουν από το συνδυασμό νευρωνικών δικτύων με δεδομένα υψηλής ανάλυσης και πολλαπλών αισθητήρων που συλλέγονται για μεγάλα χρονικά διαστήματα. Επιπλέον, ο συνδυασμός προσεγγίσεων βαθιάς μάθησης με δορυφορικές χρονοσειρές φέρνει επανάσταση στην ικανότητά μας να ανιχνεύουμε και να προβλέπουμε απειλές για τη βιοποικιλότητα που χαρακτηρίζονται από συγκεκριμένα δυναμικά μοτίβα στο χώρο και στο χρόνο.
Ο συνδυασμός δορυφορικών δεδομένων με προσεγγίσεις βαθιάς μάθησης θα μπορούσε επίσης να είναι ιδιαίτερα επωφελής για την αστική οικολογία, ενισχύοντας την ακρίβεια ταξινόμησης για αυτά τα εγγενώς πολύπλοκα.
Οι προσεγγίσεις βαθιάς μάθησης μπορούν επιπλέον να οδηγήσουν σε σημαντική εξοικονόμηση χρόνου και πόρων κατά την εξαγωγή πληροφοριών σχετικά με ανεπαίσθητες αλλαγές στη βιόσφαιρα από δορυφορικές εικόνες. Άλλες ευκαιρίες για εξοικονόμηση χρόνου και χρημάτων σχετίζονται με την κάλυψη κενών και τις δυνατότητες ανασυγκρότησης δεδομένων προσεγγίσεων βαθιάς μάθησης. Τέλος, δεδομένου του χαρτοφυλακίου των προγραμματισμένων και επί του παρόντος διαθέσιμων δορυφορικών αισθητήρων, είναι πιθανό ότι η αρμονική σύντηξη οργάνων να είναι το κλειδί για τη συμπλήρωση των κενών παρατήρησης σε μεμονωμένα όργανα. Η βαθιά μάθηση δείχνει ήδη δυνατότητες σε αυτόν τον τομέα.

'''Περιορισμοί και Προκλήσεις:'''
Αν και οι προσεγγίσεις βαθιάς μάθησης προσφέρουν συναρπαστικές ευκαιρίες για την προώθηση της οικολογίας και της διατήρησης, συνδέονται με αρκετούς περιορισμούς. Πρώτα και κύρια, ο συνδυασμός προσεγγίσεων βαθιάς μάθησης με δορυφορικές εικόνες είναι σχετικά νέος, και ως εκ τούτου, ο προσδιορισμός του πότε και του πώς τέτοιες προσεγγίσεις είναι πιθανό να προωθήσουν την οικολογική γνώση και τη διατήρηση παραμένει δύσκολος για τους περισσότερους επιστήμονες, καθιστώντας τους δύσκολο να αποφασίσουν πού να επενδύσει χρόνο και ενέργεια όσον αφορά την πρόσθετη επεξεργασία και ανάλυση. Αυτό το πρόβλημα επιδεινώνεται από την ποικιλία των προσεγγίσεων βαθιάς μάθησης και την ταχύτητα με την οποία αναπτύσσονται οι αλγόριθμοι, περιπλέκοντας την αρχική δέσμευση και τη λήψη αποφάσεων. Υπάρχουν πράγματι περιβάλλοντα στα οποία η χρήση της βαθιάς μάθησης δεν βελτιώνει την ακρίβεια σε σχέση με τις παραδοσιακές προσεγγίσεις μηχανικής μάθησης ή στα οποία τα οφέλη της βαθιάς μάθησης εξαρτώνται από τον τύπο των δορυφορικών δεδομένων που χρησιμοποιούνται ή τον αλγόριθμο βαθιάς μάθησης που εξετάζεται. Είναι ενδιαφέρον ότι ερευνητές σε διάφορους κλάδους έχουν αναγνωρίσει αυτά τα ζητήματα και ζήτησαν τη δημοσίευση συνόλων δεδομένων «έτοιμης για μηχανική μάθηση», για να βοηθήσουν στην ανάπτυξη και τη δοκιμή μεθόδων τηλεπισκόπησης. Τα μοντέλα θεμελίωσης είναι γενικά μοντέλα αυτοεποπτευόμενης μάθησης προεκπαιδευμένα για να εκτελούν μια γενική εργασία πάνω στην οποία μπορούν να στρωθούν περαιτέρω ικανότητες για συγκεκριμένες ερωτήσεις. Ωστόσο, η λεπτή ρύθμιση αυτών των μοντέλων για εξειδικευμένες εργασίες μπορεί να είναι εξαιρετικά δύσκολη.
Οι προσεγγίσεις βαθιάς μάθησης στηρίζονται σε έννοιες και διαδικασίες που είναι θεμελιωδώς διαφορετικές από αυτές που συνήθως διδάσκονται και χρησιμοποιούνται στη δορυφορική τηλεπισκόπηση. Η βάση γνώσεων και οι σχετικές δεξιότητες κωδικοποίησης που απαιτούνται για την ενασχόληση με αυτές τις προσεγγίσεις είναι επομένως απαιτητικές. Για πολλούς, οι προσεγγίσεις βαθιάς μάθησης στερούνται διαφάνειας, ερμηνευσιμότητας και επεξήγησης. Ως συνέπεια αυτών των χαρακτηριστικών, οι προσεγγίσεις βαθιάς μάθησης συχνά γίνονται αντιληπτές ως μαύρα κουτιά όπου οι αποφάσεις λαμβάνονται χωρίς να γνωρίζουμε τους λόγους πίσω από αυτές, και τα αποτελέσματα των μοντέλων θεωρούνται λιγότερο αξιόπιστα, υπονομεύοντας τη χρήση της βαθιάς μάθησης για επεξεργασία και ανάλυση δεδομένων μέσω δορυφόρου. . Για να αντιμετωπιστούν αυτές οι προκλήσεις, είναι σημαντικό να ακολουθούνται οι τρέχουσες βέλτιστες πρακτικές στη διαχείριση δεδομένων που στοχεύουν να κάνουν τα σύνολα δεδομένων και τους αγωγούς επεξεργασίας εύκολα να βρεθούν και να χρησιμοποιηθούν για περαιτέρω έρευνα. Επιπλέον, γίνονται προσπάθειες για την παροχή τυποποιημένων προσεγγίσεων για την αποκρυπτογράφηση της συμπεριφοράς σύνθετων μοντέλων μηχανικής μάθησης, αντιμετωπίζοντας τις συγκεκριμένες προκλήσεις που προκύπτουν από την ερμηνεία αυτών των συγκεκριμένων μοντέλων, αλλά αυτές οι προσπάθειες πρέπει να συμβαδίζουν με την ανάπτυξη νέων αλγόριθμων και αρχιτεκτονικών. Τέλος, πρέπει επίσης να υπάρχουν καλύτερες ειδικές ευκαιρίες κατάρτισης για οικολόγους που ενδιαφέρονται για τη βαθιά μάθηση.
Μια σημαντική συνέπεια της χρήσης ολοένα και πιο περίπλοκων μοντέλων βαθιάς μάθησης, ιδιαίτερα μοντέλων θεμελίωσης, είναι οι κίνδυνοι γύρω από την «ψευδαίσθηση» και την «κακή ευθυγράμμιση» (Εικ. 2 ). Αυτές οι σχετικές ανησυχίες αναφέρονται στην ικανότητα των μαζικών μοντέλων μηχανικής μάθησης να αποκλίνουν από τις επιθυμητές συμπεριφορές με τρόπους που μπορεί να είναι δύσκολο να εντοπιστούν και να διορθωθούν. Η αντιμετώπισή του στο πλαίσιο της δορυφορικής τηλεπισκόπησης για τη βιοποικιλότητα και τη διατήρηση μπορεί να απαιτεί την εισαγωγή ορισμένων βασικών κανόνων και σχέσεων μεταξύ των ιδιοτήτων σε αυτά τα μεγάλα μοντέλα, υπενθυμίζοντας σε όλους μας ότι η πρόοδος της βιοποικιλότητας και της επιστήμης διατήρησης παραμένει εξαρτημένη σχετικά με την ισχυρή και προγνωστική θεωρία. Αυτή η εξάρτηση προκύπτει καθώς η ανθρώπινη επικύρωση των αποτελεσμάτων του μοντέλου απαιτεί αναφορά σε ένα εξωτερικό σώμα κατανόησης των σχετικών μηχανισμών και σχέσεων. Χωρίς αυτό το εξωτερικό σημείο αναφοράς, τα μοντέλα θεμελίωσης έχουν τη δυνατότητα να διαδώσουν κακές πληροφορίες και να υποβαθμίσουν την επιστήμη. Απαιτείται ειδική επικύρωση και ανατροφοδότηση από τον άνθρωπο, που συχνά αναφέρεται ως «ευθυγράμμιση AI», για την αντιμετώπιση αυτής της πρόκλησης.
Η βαθιά μάθηση έχει εμφανιστεί σε μια εποχή μεγάλων συνόλων δεδομένων και αυτές οι μέθοδοι είναι γνωστό ότι ευδοκιμούν δυσανάλογα σε μεγάλα δεδομένα σε σύγκριση με τις κλασικές στατιστικές προσεγγίσεις. Η εποπτευόμενη βαθιά μάθηση, επί του παρόντος η πιο κοινή προσέγγιση που βασίζεται σε νευρωνικά δίκτυα σε συνδυασμό με δορυφορικές εικόνες τηλεπισκόπησης, απαιτεί μεγάλα, υψηλής ποιότητας επισημασμένα σύνολα δεδομένων εκπαίδευσης για κάθε κατηγορία ταξινόμησης για να επιτευχθεί υψηλή ακρίβεια. Αυτά μπορεί να είναι δύσκολο να δημιουργηθούν, ειδικά για σχετικά σπάνια χαρακτηριστικά, και αυτό μπορεί γρήγορα να γίνει ανησυχητικό, καθώς τα μοντέλα βαθιάς μάθησης έχουν αναφερθεί ότι υπερταιριάζουν όταν εκπαιδεύονται σε μικρά σύνολα δεδομένων. Η επιστήμη του πολίτη θα μπορούσε να βοηθήσει στη συμπλήρωση των επισημασμένων δεδομένων εκπαίδευσης, αν και τα δεδομένα που συλλέγονται θα μπορούσαν ενδεχομένως να φέρουν προκαταλήψεις σε χώρο, χρόνο και τεχνογνωσία. Η μάθηση με μεταφορά, όπου ένα μοντέλο προεκπαιδευμένο σε ένα σύνολο δεδομένων εφαρμόζεται σε ένα άλλο, θα μπορούσε επίσης να χρησιμοποιηθεί για την αντιμετώπιση περιορισμών που σχετίζονται με μικρά σύνολα δεδομένων εκπαίδευσης. Επιπλέον, τα βασικά μοντέλα προσφέρουν ιδιαίτερη υπόσχεση, καθώς μπορούν να εκπαιδευτούν σε μεγάλα σύνολα δεδομένων χωρίς ετικέτα – χρησιμοποιώντας αυτοεποπτευόμενη μάθηση – και στη συνέχεια να βελτιωθούν για εφαρμογές που στοχεύουν πιο περιορισμένα δείγματα (Εικ. 2 ). Η αύξηση των δεδομένων και η ελαχιστοποίηση του όγκου των απαιτούμενων δεδομένων με ετικέτα είναι άλλες πιθανές επιλογές για την αντιμετώπιση ανησυχιών σχετικά με τη διαθεσιμότητα επισημασμένων δεδομένων εκπαίδευσης.
Τέλος, απαιτείται πρόσβαση σε σημαντική υπολογιστική ισχύ για την εκτέλεση μοντέλων βαθιάς μάθησης, γεγονός που δημιουργεί δύο προκλήσεις. Πρώτον, σημαίνει ότι η επέκταση της χρήσης της βαθιάς μάθησης για την ανάλυση δεδομένων τηλεπισκόπησης μέσω δορυφόρου στην οικολογία θα οδηγήσει πιθανότατα σε υψηλότερη χρήση ενέργειας και συναφή περιβαλλοντικό κόστος. Θα είναι σημαντικό να ενσωματωθεί η περιβαλλοντική βιωσιμότητα στις βέλτιστες πρακτικές για την ελαχιστοποίηση αυτών των επιβλαβών παρενεργειών. Δεύτερον, υπάρχει ο κίνδυνος οι ευκαιρίες που προκύπτουν από τη βαθιά μάθηση για την έρευνα για τη βιοποικιλότητα να είναι κατά κύριο λόγο προσπελάσιμες και αξιοποιημένες από ιδρύματα πλούσια σε πόρους συγκεντρωμένα στον Παγκόσμιο Βορρά, τα οποία έχουν τα μέσα να επενδύσουν στην απαραίτητη υπολογιστική υποδομή. Είναι ζωτικής σημασίας να εφαρμοστούν τα διδάγματα από την άνιση ανταλλαγή δεδομένων στην οικολογία, διασφαλίζοντας ότι τα οφέλη από την πρόοδο στην αναλυτική ικανότητα είναι προσβάσιμα σε ερευνητές με περιορισμένους πόρους σε χώρες πλούσιες σε βιοποικιλότητα.

'''Συμπεράσματα:'''
Ο συνδυασμός δορυφορικών εικόνων και βαθιάς μάθησης έχει σαφώς τη δυνατότητα να φέρει επανάσταση στην ικανότητά μας να βελτιώσουμε την κατανόησή μας για τον ζωντανό κόσμο και πώς να τον διαχειριζόμαστε καλύτερα. Οι περιπτωσιολογικές μελέτες που παρουσιάζονται εδώ είχαν ως στόχο να αναπαραστήσουν σημεία εισόδου για πιο δομημένες προσπάθειες για να τονιστεί ο καλύτερος τρόπος για να γίνει αυτό. Η βαθιά μάθηση τοποθετείται μοναδικά ως ένα σύνολο εργαλείων για την αξιοποίηση της άνευ προηγουμένου διαθεσιμότητας δορυφορικών δεδομένων, παρέχοντας ευκαιρίες για ενσωμάτωση πληροφοριών σε κλίμακες και αποκάλυψη μοτίβων που μπορεί να εμπνεύσουν νέες υποθέσεις και νέους τρόπους προσέγγισης σύνθετων οικολογικών συστημάτων. Κυρίως, ανοίγει επίσης ευκαιρίες για την αντιμετώπιση διαφόρων κενών στις προσπάθειες παρακολούθησης της παγκόσμιας βιοποικιλότητας, π.χ. μέσω της αυτοματοποίησης της ανίχνευσης ειδών σε ένα ευρύ φάσμα ταξινομικών κατηγοριών και οικοσυστημάτων ή βελτιωμένης ανίχνευσης διαταραχών και συναφών καθεστώτων. Ταυτόχρονα, η άνοδος προσεγγίσεων βαθιάς μάθησης για αναλύσεις δεδομένων τηλεπισκόπησης μέσω δορυφόρου φέρνει στο επίκεντρο την ανάγκη αντιμετώπισης δύο μακροχρόνιων προκλήσεων στη διαχείριση του ζωντανού κόσμου: (i) απόκτηση και διατήρηση ευρείας συμφωνίας σχετικά με τις αξίες που στηρίζουν τη διατήρηση δράσεις, οι οποίες πρέπει τώρα να επεκταθούν στην ευθυγράμμιση βαθιάς μάθησης και (ii) στην ανάπτυξη αποτελεσματικών θεωριών για το πώς λειτουργεί ο ζωντανός κόσμος, οι οποίες πρέπει τώρα να επεκταθούν στη διόρθωση των ψευδαισθήσεων σε μοντέλα βαθιάς μάθησης.

[[category:Οικολογία]]

Παρακολούθηση σχεδόν σε πραγματικό χρόνο πουλιών

2025-01-22T20:09:39Z

SEMERTZIDOY PARTHENA:

[[Εικόνα:P_semertzidoy_3_1.png | thumb | right | Εικόνα 1. Ένα διάγραμμα που δείχνει την πλήρη ροή εργασιών για την παρακολούθηση σχεδόν σε πραγματικό χρόνο των πουλιών Everglades που περιλαμβάνει πέντε βασικά στοιχεία: (Α) συλλογή ακατέργαστων εικόνων στο πεδίο χρησιμοποιώντας ένα σύστημα μη πληρώματος αεροσκάφους. (Β) επεξεργασία εικόνων σε ορθομωσαϊκά σε σταθμό εργασίας. (Γ) χρήση μιας αυτοματοποιημένης ροής εργασιών για την εκτέλεση μιας ποικιλίας βημάτων υπολογιστικής όρασης και επεξεργασίας δεδομένων σε μια υπολογιστική πλατφόρμα υψηλής απόδοσης. (Δ) μετακίνηση εικόνων σε υπηρεσία πλακιδίων cloud για οπτικοποίηση δεδομένων. (Ε) αρχειοθέτηση δεδομένων σχετικά με τη θέση και τον αριθμό των προβλεπόμενων πτηνών• και (ΣΤ) παρουσίαση αυτών των δεδομένων και των σχετικών απεικονίσεων στον Ιστό.]]
[[Εικόνα:P_semertzidoy_3_2.png | thumb | right | Πίνακας 1. Ακρίβεια (βαθμολογία F1), ακρίβεια, ανάκληση, συντελεστής προσδιορισμού ( R 2 ) και σφάλμα μέσου τετραγώνου ρίζας (RMSE) για τα έξι εστιακά είδη (Μεγάλος Μπλε Ερωδιός, Μεγαλοτσικνιάς, Ροζέ κουταλιά, Χιονοτοκίνιος, White Ibis και Wood Stork). Τα είδη ταξινομούνται από πάνω προς τα κάτω με βάση τον επιπολασμό τους στα δεδομένα των δοκιμών, με το White Ibis να είναι το πιο κοινό και το Great Blue Herons να είναι το πιο σπάνιο. Οι αρνητικοί συντελεστές προσδιορισμού υποδεικνύουν προβλέψεις που είναι χειρότερες από τη μέση αφθονία.]]
[[Εικόνα:P_semertzidoy_3_3.png | thumb | right | Εικόνα 2. Πίνακας σύγχυσης που δείχνει σωστές και λανθασμένες ταξινομήσεις ειδών. Όλα τα πουλιά σε κάθε σειρά ανήκουν στα είδη που αναφέρονται για αυτήν τη σειρά και προβλέπονται από το μοντέλο ως το είδος στη σχετική στήλη. Οι ποσοστιαίες τιμές είναι το ποσοστό των ατόμων για τα παρατηρούμενα είδη που εμφανίζονται στο κελί (δηλαδή, είναι οι μετρήσεις στο κελί διαιρούμενο με το άθροισμα των μετρήσεων σε όλες τις στήλες στην ίδια σειρά επί 100) και τα κελιά χρωματίζονται με αυτό το ποσοστό. Πουλιά που δεν εντοπίστηκαν από το μοντέλο δεν περιλαμβάνονται. Τα είδη ταξινομούνται από πάνω προς τα κάτω και από αριστερά προς τα δεξιά με βάση τον επιπολασμό τους στα δεδομένα των δοκιμών, με το White Ibis να είναι το πιο κοινό και οι Μεγάλοι Μπλε Ερωδιοί να είναι οι πιο σπάνιοι.]]

'''Αντικείμενο Εφαρμογής:''' Παρακολούθηση σχεδόν σε πραγματικό χρόνο πουλιών με χρήση συστημάτων αεροσκαφών χωρίς πλήρωμα και όρασης υπολογιστή.

'''Πρωτότυπος Τίτλος:''' '' 'Near real-time monitoring of wading birds using uncrewed aircraft systems and computer vision.' ''

'''Συγγραφείς:''' Ethan P. White, Lindsey Garner, Ben G. Weinstein, Henry Senyondo, Andrew Ortega, Ashley Steinkraus, Glenda M. Yenni, Peter Frederick, S. K. Morgan Ernest

'''Πηγή:''' Remote Sensing in Ecology and Conservation, ZSL [https://doi.org/10.1002/rse2.421 (1)]

'''Εισαγωγή:''' Η ανάγκη για παρακολούθηση της άγριας ζωής σε μεγάλες χωρικές εκτάσεις είναι ολοένα και πιο κοινή στη μελέτη και διαχείριση πληθυσμών και οικοσυστημάτων. Οι έρευνες μεγάλης κλίμακας μπορούν να διεξαχθούν χρησιμοποιώντας αερομεταφερόμενη παρακολούθηση είτε από αεροσκάφη με πλήρωμα είτε από χωρίς πλήρωμα. Υπάρχει μια αυξανόμενη ανάγκη για αυτό το είδος παρακολούθησης να πραγματοποιείται συχνά για να υποστηρίξει την ενεργή διαχείριση και τις οικολογικές προβλέψεις.
Τα μη πληρωμένα συστήματα αεροσκαφών επιτρέπουν τη συλλογή δεδομένων υψηλής ανάλυσης σε σχετικά μεγάλο βαθμό με σημαντικά μειωμένο κόστος. Η όραση υπολογιστή επιτρέπει σε αυτές τις εικόνες να υποβάλλονται σε αυτόματη επεξεργασία σε δεδομένα σχετικά με τη θέση και τα χαρακτηριστικά μεμονωμένων οργανισμών, με αποτέλεσμα πιο ακριβείς και λιγότερο χρονοβόρους μετρητές. Παρά τις προόδους αυτές, οι περισσότερες εναέριες έρευνες εξακολουθούν να γίνονται σπάνια και συχνά υπάρχουν μεγάλες καθυστερήσεις μεταξύ της απόκτησης αερομεταφερόμενων εικόνων και της μετατροπής τους σε δεδομένα παρακολούθησης πληθυσμού.
Η παρακολούθηση πουλιών στο Everglades παρέχει μια ιδανική περίπτωση χρήσης για παρακολούθηση σχεδόν σε πραγματικό χρόνο με χρήση UAS. Το Everglades είναι ένα μοναδικό οικοσύστημα που έχει επηρεαστεί σοβαρά από πάνω από 100 χρόνια ανθρώπινης δραστηριότητας και τώρα βρίσκεται στο επίκεντρο μιας από τις μεγαλύτερες και πιο δαπανηρές προσπάθειες αποκατάστασης οικοσυστήματος στην ιστορία. Τα μεγάλα παραπήγματα αποτελούν βασικό συστατικό του οικοσυστήματος. Ένας αριθμός σημείων αναφοράς αποκατάστασης βασίζεται στις αποικίες φωλεοποίησης τους. Η μελέτη των πουλιών και η αξιολόγηση των σημείων αναφοράς αποκατάστασης στην κλίμακα του Everglades απαιτεί μεγάλης κλίμακας ατομικές καταμετρήσεις ειδών σε 8500 km 2 . Η τρέχουσα προσέγγιση σε αυτές τις έρευνες περιλαμβάνει την πτήση μικρού πληρώματος στην περιοχή μία φορά το μήνα κατά τη διάρκεια της αναπαραγωγικής περιόδου με παρατηρητές που υπολογίζουν τον αριθμό των ειδών σε κάθε αποικία και τη λήψη ψηφιακών φωτογραφιών από το παράθυρο του αεροσκάφους για μετέπειτα χειρομέτρηση σε υπολογιστή. Λόγω της εκτεταμένης και επομένως χρονοβόρας φύσης των μετρήσεων των χεριών, τα μόνα δεδομένα που αναφέρονται τακτικά για αυτόν τον δείκτη είναι οι ετήσιες μέγιστες μετρήσεις.
Τα εβδομαδιαία δεδομένα είναι ιδανικά λόγω της ταχύτητας με την οποία τα πτηνά ανταποκρίνονται στις μεταβαλλόμενες περιβαλλοντικές συνθήκες και στις ανάγκες των διαχειριστών νερού, αλλά το κόστος και ο κίνδυνος των πτήσεων με πλήρωμα καθιστούν τις εβδομαδιαίες έρευνες απαγορευτικές. Η χρήση εικόνων UAS και εργαλείων υπολογιστικής όρασης εξαλείφει την ανάγκη για μέτρηση χεριών, οι εβδομαδιαίες έρευνες πολλών τοποθεσιών εξακολουθούν να δημιουργούν μια σχεδόν καθημερινή ανάγκη επεξεργασίας εικόνων σε δεδομένα, η οποία είναι δαπανηρή και χρονοβόρα εάν απαιτείται από ένα άτομο να εκτελέσει καθένα από τα πολλαπλά βήματα σε αυτή τη διαδικασία.
Εδώ, περιγράφουμε την ανάπτυξη ενός συστήματος παρακολούθησης μεγάλης κλίμακας για το Everglades που συνδυάζει έρευνες UAS για τη λήψη εικόνων ολόκληρων αποικιών πουλιών, αλγόριθμους υπολογιστικής όρασης για την ανίχνευση πτηνών σε εικόνες και την ταυτοποίησή τους σε είδη και αυτοματοποιημένες ροές εργασίας για να διασφαλιστεί ότι οι εικόνες μετατρέπονται γρήγορα σε πληροφορίες σχετικά με τους πληθυσμούς πουλιών (Εικ. 1 ). Αυτό το σύστημα από άκρο σε άκρο παράγει ακριβείς μετρήσεις για τα περισσότερα είδη και μας επέτρεψε να διεξάγουμε εβδομαδιαία παρακολούθηση 8 αποικιών τα τελευταία 4 χρόνια, με λιγότερο συχνά δεδομένα για επιπλέον 32 αποικίες. Το μεγαλύτερο μέρος του συστήματος είναι πλήρως αυτοματοποιημένο, επιτρέποντας τη μετατροπή εικόνων από το πεδίο σε δεδομένα στον ιστό μέσα σε λίγες μέρες, διευκολύνοντας έτσι την παρακολούθηση σχεδόν σε πραγματικό χρόνο των σχετικών πληθυσμών σε μεγάλη κλίμακα.

'''Μεθοδολογία:'''
Διεξάγαμε συνεχείς έρευνες UAS σε συνολικά 40 διαφορετικές ενεργές αποικίες παρακινούμενων πουλιών στο Everglades ξεκινώντας το 2020. Οι έρευνες που σχετίζονται με αυτό το έγγραφο πραγματοποιήθηκαν μεταξύ Φεβρουαρίου και Μαΐου 2020, 2021, 2022 και 2023. Οι αποικίες αναπαραγωγής στα Everglades ποικίλλουν σημαντικά τόσο σε θέση όσο και σε μέγεθος ανά χρόνια. Ως εκ τούτου, κάθε χρόνο επιλέγαμε ένα υποσύνολο αποικιών για πιο εντατική έρευνα με εβδομαδιαίες έρευνες που επικεντρώνονται σε μεγάλες αποικίες που είναι σταθερά παρούσες ανά χρόνια και περιλαμβάνουν ποικιλία ειδών (Εικ. 1Α ). Χρησιμοποιήσαμε το τετρακόπτερο DJI Inspire II.
Για τις αποικίες που ερευνήθηκαν εβδομαδιαία, χρησιμοποιήσαμε σημεία ελέγχου εδάφους (GCPs), μεγάλους γεωαναφερόμενους στόχους εύκολα ορατούς στις εναέριες εικόνες, για να αυξήσουμε την ακρίβεια των πραγματικών θέσεων στα ορθομωσαϊκά.
Μια έρευνα UAS σε μια μεμονωμένη αποικία δημιουργεί δεκάδες έως χιλιάδες επικαλυπτόμενες εικόνες που είναι αποθηκευμένες σε μορφή JPEG. Χρησιμοποιώντας το λογισμικό AgiSoft Metashape, οι εικόνες από κάθε έρευνα συνδυάζονται σε μια ενιαία ολοκληρωμένη εικόνα, γνωστή ως ορθομωσαϊκή, για να παρέχουν μια πλήρη άποψη ολόκληρης της αποικίας (Εικ. 1Β ).
Οι ανθρώπινες ετικέτες για την εκπαίδευση του μοντέλου όρασης υπολογιστή δημιουργήθηκαν χρησιμοποιώντας έναν ρεαλιστικό συνδυασμό προσεγγίσεων σχολιασμού που εστιάζουν σε επτά είδη: Λευκό Ibis, Μεγαλοτσικνιάς, Μεγάλος Μπλε Ερωδιός, Χιονοτοκίνια , Wood Stork, Roseate Spoonbill, και Anhinga.
Για να ανιχνεύσουμε και να ταξινομήσουμε τα πουλιά στις εικόνες, χρησιμοποιήσαμε ένα μοντέλο ανίχνευσης αντικειμένων ενός σταδίου RetinaNet-50 που υλοποιήθηκε χρησιμοποιώντας το πακέτο DeepForest Python. Το RetinaNet-50 είναι ένα συνελικτικό νευρωνικό δίκτυο με κοινές κεφαλές ανίχνευσης και ταξινόμησης που ενσωματώνει πυραμίδες χαρακτηριστικών για τη λήψη πολύπλοκων δομών πολλαπλής κλίμακας σε εικόνες και χρησιμοποιεί εστιακή απώλεια για την αντιμετώπιση της ανισορροπίας τάξης μεταξύ τάξεις προσκηνίου και παρασκηνίου. Το μοντέλο ήταν προεκπαιδευμένο για την ανίχνευση πτηνών, αλλά όχι την ταυτοποίησή τους σε είδη.
Αξιολογήσαμε τα μοντέλα υπολογιστικής όρασης χρησιμοποιώντας τέσσερις μετρήσεις: (1) ακρίβεια (2) ανάκληση (3) συνολική ακρίβεια και (4) σύγκριση των μετρήσεων που δημιουργούνται από τον αλγόριθμο με τις μετρήσεις από ανθρώπινες ετικέτες χρησιμοποιώντας το ριζικό μέσο τετραγωνικό σφάλμα (RMSE) και τον συντελεστή προσδιορισμού για τη γραμμή 1:1 ( R 2 ) τόσο σε μη μετασχηματισμένη όσο και σε τετραγωνική ρίζα μετασχηματισμένα δεδομένα. Πραγματοποιήθηκαν αξιολογήσεις τόσο για την ικανότητα του μοντέλου να ανιχνεύει και να μετράει πτηνά ανεξαρτήτως είδους όσο και σε επίπεδο είδους. Τα πτηνά που δεν μπορούσαν να αναγνωριστούν με βεβαιότητα από τους ανθρώπους επισήμανσης αποκλείστηκαν από αναλύσεις σε επίπεδο είδους.
Για να διευκολύνουμε την ταχεία χρήση αυτής της παρακολούθησης που βασίζεται σε UAS, αναπτύξαμε μια ολοκληρωμένη ροή εργασιών για γρήγορη μετάβαση από τις επιτόπιες έρευνες UAS, μέσω αλγορίθμων επεξεργασίας εικόνας και όρασης υπολογιστή, σε δεδομένα για την αφθονία και τις τοποθεσίες των πτηνών (Εικ. 1 ). Οι εικόνες από το πεδίο συγχρονίζονται πάνω από το σύννεφο σε έναν σταθμό εργασίας όπου δημιουργούνται ορθομωσαϊκά.

'''Αποτελέσματα:'''
Το μοντέλο υπολογιστικής όρασης εντόπισε με ακρίβεια πτηνά σε εικόνες με ακρίβεια 0,84 και ανάκληση 0,86. Ως αποτέλεσμα, το μοντέλο παρέχει εξαιρετικά ακριβείς μετρήσεις του αριθμού των πουλιών σε μια εικόνα.
Το μοντέλο μηχανικής μάθησης είχε επίσης καλή απόδοση στην ταξινόμηση των ανιχνευθέντων πτηνών στο επίπεδο του είδους για τα περισσότερα είδη (Πίνακας 1 ). Οι Great Egrets, Roseate Spoonbills, White Ibis και Woodstorks έχουν όλα συνολική ακρίβεια (βαθμολογίες F1) >0,85, ακρίβεια >0,8 και ανάκληση >0,85. Οι Great Blue Herons είχαν χαμηλότερες, αλλά ακόμα καλές τιμές για F1 (0,75), ακρίβεια (0,83) και ανάκληση (0,68). Οι Μεγάλοι Μπλε Ερωδιοί συγχέονταν με τους Μεγαλοτσικνιάδες και τους Ροζέ Κουταλιές (Εικ. 2). Το μοντέλο απέτυχε να ταξινομήσει σωστά οποιονδήποτε Snowy Egrets με αποτέλεσμα να μην υπάρχουν προβλέψεις για αυτό το είδος και μηδενικές ή NA τιμές για F1, ακρίβεια και ανάκληση (Πίνακας 1 ). Οι χιονοτοκίνιες συγχέονται συνήθως με το White Ibis (Εικ. 2), ένα είδος που φαίνεται πολύ παρόμοιο όταν προβάλλεται σε εικόνες UAS και είναι πιο κοινό στα δεδομένα εκπαίδευσης. Οι Χιονοτσικνιάδες συγχέονται επίσης με τους Μεγαλοτσικνιάδες. Σύμφωνα με την τυπική σύμβαση όρασης υπολογιστή, αυτές οι μετρήσεις σε επίπεδο είδους βασίζονται σε περιπτώσεις όπου το πτηνό δοκιμής εντοπίστηκε επιτυχώς από το μοντέλο.
Ο συνδυασμός υψηλής ακρίβειας ανίχνευσης και καλής ταξινόμησης ειδών οδηγεί σε ακριβείς μετρήσεις για τα περισσότερα είδη. Τα σφάλματα ρίζας μέσου τετραγώνου ήταν χαμηλά, με μέσο όρο σφαλμάτων λιγότερα από δύο άτομα για όλα τα είδη εκτός από τους Χιονοτσικνιάς και το White Ibis (Πίνακας 1 ). Το White IBIS RMSE, 5,95, αναμενόταν να είναι υψηλότερο λόγω του μεγάλου αριθμού White Ibis σε κάθε καλλιέργεια και βασιζόταν επίσης κατά κύριο λόγο σε μια μόνο ακραία τιμή. Οι συντελεστές προσδιορισμού ήταν επίσης υψηλοί, με εξαίρεση τους Great Blue Erons και τους Snowy Egrets. Οι μεγάλοι μπλε ερωδιοί είναι το λιγότερο κοινό είδος στο δοκιμαστικό σετ με μόνο 0–3 άτομα/καλλιέργεια. Οι μετρήσεις τόσο μικρές καθιστούν δύσκολη την απόκτηση υψηλών τιμών του R 2 με διακριτά δεδομένα.
Το σύστημα ροής εργασιών επιτρέπει αυτές τις προβλέψεις να γίνονται σχεδόν σε πραγματικό χρόνο (~2–7 ημέρες από την έρευνα έως τα διαθέσιμα δεδομένα). Τα αποτελέσματα εμφανίζονται χρησιμοποιώντας διεπαφές ιστού για να επιτρέψουν στους ερευνητές και τους διαχειριστές να εξερευνήσουν γρήγορα τη θέση, τον αριθμό και τα είδη πουλιών στις αποικίες που ερευνήθηκαν εντατικά. Ενώ τα δεδομένα παράγονται σχεδόν σε πραγματικό χρόνο, τίθενται εμπάργκο από το κοινό μέχρι το τέλος της αναπαραγωγικής περιόδου για να περιοριστεί η χρήση τους στον οικοτουρισμό με τρόπους που θα μπορούσαν να αυξήσουν την ενόχληση των αποικιών που φωλιάζουν.

[[category:Οικολογία]]

Παρακολούθηση σχεδόν σε πραγματικό χρόνο πουλιών

2025-01-22T20:09:17Z

SEMERTZIDOY PARTHENA: Νέα σελίδα με '[[Εικόνα:P_semertzidoy_3_1.png | thumb | right | Εικόνα 1. Ένα διάγραμμα που δείχνει την πλήρη ροή εργασιών για τ...'

[[Εικόνα:P_semertzidoy_3_1.png | thumb | right | Εικόνα 1. Ένα διάγραμμα που δείχνει την πλήρη ροή εργασιών για την παρακολούθηση σχεδόν σε πραγματικό χρόνο των πουλιών Everglades που περιλαμβάνει πέντε βασικά στοιχεία: (Α) συλλογή ακατέργαστων εικόνων στο πεδίο χρησιμοποιώντας ένα σύστημα μη πληρώματος αεροσκάφους. (Β) επεξεργασία εικόνων σε ορθομωσαϊκά σε σταθμό εργασίας. (Γ) χρήση μιας αυτοματοποιημένης ροής εργασιών για την εκτέλεση μιας ποικιλίας βημάτων υπολογιστικής όρασης και επεξεργασίας δεδομένων σε μια υπολογιστική πλατφόρμα υψηλής απόδοσης. (Δ) μετακίνηση εικόνων σε υπηρεσία πλακιδίων cloud για οπτικοποίηση δεδομένων. (Ε) αρχειοθέτηση δεδομένων σχετικά με τη θέση και τον αριθμό των προβλεπόμενων πτηνών• και (ΣΤ) παρουσίαση αυτών των δεδομένων και των σχετικών απεικονίσεων στον Ιστό.]]
[[Εικόνα:P_semertzidoy_3_2.png | thumb | right | Πίνακας 1. Ακρίβεια (βαθμολογία F1), ακρίβεια, ανάκληση, συντελεστής προσδιορισμού ( R 2 ) και σφάλμα μέσου τετραγώνου ρίζας (RMSE) για τα έξι εστιακά είδη (Μεγάλος Μπλε Ερωδιός, Μεγαλοτσικνιάς, Ροζέ κουταλιά, Χιονοτοκίνιος, White Ibis και Wood Stork). Τα είδη ταξινομούνται από πάνω προς τα κάτω με βάση τον επιπολασμό τους στα δεδομένα των δοκιμών, με το White Ibis να είναι το πιο κοινό και το Great Blue Herons να είναι το πιο σπάνιο. Οι αρνητικοί συντελεστές προσδιορισμού υποδεικνύουν προβλέψεις που είναι χειρότερες από τη μέση αφθονία.]]
[[Εικόνα:P_semertzidoy_3_3.png | thumb | right | Εικόνα 2. Πίνακας σύγχυσης που δείχνει σωστές και λανθασμένες ταξινομήσεις ειδών. Όλα τα πουλιά σε κάθε σειρά ανήκουν στα είδη που αναφέρονται για αυτήν τη σειρά και προβλέπονται από το μοντέλο ως το είδος στη σχετική στήλη. Οι ποσοστιαίες τιμές είναι το ποσοστό των ατόμων για τα παρατηρούμενα είδη που εμφανίζονται στο κελί (δηλαδή, είναι οι μετρήσεις στο κελί διαιρούμενο με το άθροισμα των μετρήσεων σε όλες τις στήλες στην ίδια σειρά επί 100) και τα κελιά χρωματίζονται με αυτό το ποσοστό. Πουλιά που δεν εντοπίστηκαν από το μοντέλο δεν περιλαμβάνονται. Τα είδη ταξινομούνται από πάνω προς τα κάτω και από αριστερά προς τα δεξιά με βάση τον επιπολασμό τους στα δεδομένα των δοκιμών, με το White Ibis να είναι το πιο κοινό και οι Μεγάλοι Μπλε Ερωδιοί να είναι οι πιο σπάνιοι.]]

'''Αντικείμενο Εφαρμογής:''' Παρακολούθηση σχεδόν σε πραγματικό χρόνο πουλιών με χρήση συστημάτων αεροσκαφών χωρίς πλήρωμα και όρασης υπολογιστή.

'''Πρωτότυπος Τίτλος:''' '' 'Near real-time monitoring of wading birds using uncrewed aircraft systems and computer vision.' ''

'''Συγγραφείς:''' Ethan P. White, Lindsey Garner, Ben G. Weinstein, Henry Senyondo, Andrew Ortega, Ashley Steinkraus, Glenda M. Yenni, Peter Frederick, S. K. Morgan Ernest
'''Πηγή:''' Remote Sensing in Ecology and Conservation, ZSL [https://doi.org/10.1002/rse2.421 (1)]

'''Εισαγωγή:''' Η ανάγκη για παρακολούθηση της άγριας ζωής σε μεγάλες χωρικές εκτάσεις είναι ολοένα και πιο κοινή στη μελέτη και διαχείριση πληθυσμών και οικοσυστημάτων. Οι έρευνες μεγάλης κλίμακας μπορούν να διεξαχθούν χρησιμοποιώντας αερομεταφερόμενη παρακολούθηση είτε από αεροσκάφη με πλήρωμα είτε από χωρίς πλήρωμα. Υπάρχει μια αυξανόμενη ανάγκη για αυτό το είδος παρακολούθησης να πραγματοποιείται συχνά για να υποστηρίξει την ενεργή διαχείριση και τις οικολογικές προβλέψεις.
Τα μη πληρωμένα συστήματα αεροσκαφών επιτρέπουν τη συλλογή δεδομένων υψηλής ανάλυσης σε σχετικά μεγάλο βαθμό με σημαντικά μειωμένο κόστος. Η όραση υπολογιστή επιτρέπει σε αυτές τις εικόνες να υποβάλλονται σε αυτόματη επεξεργασία σε δεδομένα σχετικά με τη θέση και τα χαρακτηριστικά μεμονωμένων οργανισμών, με αποτέλεσμα πιο ακριβείς και λιγότερο χρονοβόρους μετρητές. Παρά τις προόδους αυτές, οι περισσότερες εναέριες έρευνες εξακολουθούν να γίνονται σπάνια και συχνά υπάρχουν μεγάλες καθυστερήσεις μεταξύ της απόκτησης αερομεταφερόμενων εικόνων και της μετατροπής τους σε δεδομένα παρακολούθησης πληθυσμού.
Η παρακολούθηση πουλιών στο Everglades παρέχει μια ιδανική περίπτωση χρήσης για παρακολούθηση σχεδόν σε πραγματικό χρόνο με χρήση UAS. Το Everglades είναι ένα μοναδικό οικοσύστημα που έχει επηρεαστεί σοβαρά από πάνω από 100 χρόνια ανθρώπινης δραστηριότητας και τώρα βρίσκεται στο επίκεντρο μιας από τις μεγαλύτερες και πιο δαπανηρές προσπάθειες αποκατάστασης οικοσυστήματος στην ιστορία. Τα μεγάλα παραπήγματα αποτελούν βασικό συστατικό του οικοσυστήματος. Ένας αριθμός σημείων αναφοράς αποκατάστασης βασίζεται στις αποικίες φωλεοποίησης τους. Η μελέτη των πουλιών και η αξιολόγηση των σημείων αναφοράς αποκατάστασης στην κλίμακα του Everglades απαιτεί μεγάλης κλίμακας ατομικές καταμετρήσεις ειδών σε 8500 km 2 . Η τρέχουσα προσέγγιση σε αυτές τις έρευνες περιλαμβάνει την πτήση μικρού πληρώματος στην περιοχή μία φορά το μήνα κατά τη διάρκεια της αναπαραγωγικής περιόδου με παρατηρητές που υπολογίζουν τον αριθμό των ειδών σε κάθε αποικία και τη λήψη ψηφιακών φωτογραφιών από το παράθυρο του αεροσκάφους για μετέπειτα χειρομέτρηση σε υπολογιστή. Λόγω της εκτεταμένης και επομένως χρονοβόρας φύσης των μετρήσεων των χεριών, τα μόνα δεδομένα που αναφέρονται τακτικά για αυτόν τον δείκτη είναι οι ετήσιες μέγιστες μετρήσεις.
Τα εβδομαδιαία δεδομένα είναι ιδανικά λόγω της ταχύτητας με την οποία τα πτηνά ανταποκρίνονται στις μεταβαλλόμενες περιβαλλοντικές συνθήκες και στις ανάγκες των διαχειριστών νερού, αλλά το κόστος και ο κίνδυνος των πτήσεων με πλήρωμα καθιστούν τις εβδομαδιαίες έρευνες απαγορευτικές. Η χρήση εικόνων UAS και εργαλείων υπολογιστικής όρασης εξαλείφει την ανάγκη για μέτρηση χεριών, οι εβδομαδιαίες έρευνες πολλών τοποθεσιών εξακολουθούν να δημιουργούν μια σχεδόν καθημερινή ανάγκη επεξεργασίας εικόνων σε δεδομένα, η οποία είναι δαπανηρή και χρονοβόρα εάν απαιτείται από ένα άτομο να εκτελέσει καθένα από τα πολλαπλά βήματα σε αυτή τη διαδικασία.
Εδώ, περιγράφουμε την ανάπτυξη ενός συστήματος παρακολούθησης μεγάλης κλίμακας για το Everglades που συνδυάζει έρευνες UAS για τη λήψη εικόνων ολόκληρων αποικιών πουλιών, αλγόριθμους υπολογιστικής όρασης για την ανίχνευση πτηνών σε εικόνες και την ταυτοποίησή τους σε είδη και αυτοματοποιημένες ροές εργασίας για να διασφαλιστεί ότι οι εικόνες μετατρέπονται γρήγορα σε πληροφορίες σχετικά με τους πληθυσμούς πουλιών (Εικ. 1 ). Αυτό το σύστημα από άκρο σε άκρο παράγει ακριβείς μετρήσεις για τα περισσότερα είδη και μας επέτρεψε να διεξάγουμε εβδομαδιαία παρακολούθηση 8 αποικιών τα τελευταία 4 χρόνια, με λιγότερο συχνά δεδομένα για επιπλέον 32 αποικίες. Το μεγαλύτερο μέρος του συστήματος είναι πλήρως αυτοματοποιημένο, επιτρέποντας τη μετατροπή εικόνων από το πεδίο σε δεδομένα στον ιστό μέσα σε λίγες μέρες, διευκολύνοντας έτσι την παρακολούθηση σχεδόν σε πραγματικό χρόνο των σχετικών πληθυσμών σε μεγάλη κλίμακα.

'''Μεθοδολογία:'''
Διεξάγαμε συνεχείς έρευνες UAS σε συνολικά 40 διαφορετικές ενεργές αποικίες παρακινούμενων πουλιών στο Everglades ξεκινώντας το 2020. Οι έρευνες που σχετίζονται με αυτό το έγγραφο πραγματοποιήθηκαν μεταξύ Φεβρουαρίου και Μαΐου 2020, 2021, 2022 και 2023. Οι αποικίες αναπαραγωγής στα Everglades ποικίλλουν σημαντικά τόσο σε θέση όσο και σε μέγεθος ανά χρόνια. Ως εκ τούτου, κάθε χρόνο επιλέγαμε ένα υποσύνολο αποικιών για πιο εντατική έρευνα με εβδομαδιαίες έρευνες που επικεντρώνονται σε μεγάλες αποικίες που είναι σταθερά παρούσες ανά χρόνια και περιλαμβάνουν ποικιλία ειδών (Εικ. 1Α ). Χρησιμοποιήσαμε το τετρακόπτερο DJI Inspire II.
Για τις αποικίες που ερευνήθηκαν εβδομαδιαία, χρησιμοποιήσαμε σημεία ελέγχου εδάφους (GCPs), μεγάλους γεωαναφερόμενους στόχους εύκολα ορατούς στις εναέριες εικόνες, για να αυξήσουμε την ακρίβεια των πραγματικών θέσεων στα ορθομωσαϊκά.
Μια έρευνα UAS σε μια μεμονωμένη αποικία δημιουργεί δεκάδες έως χιλιάδες επικαλυπτόμενες εικόνες που είναι αποθηκευμένες σε μορφή JPEG. Χρησιμοποιώντας το λογισμικό AgiSoft Metashape, οι εικόνες από κάθε έρευνα συνδυάζονται σε μια ενιαία ολοκληρωμένη εικόνα, γνωστή ως ορθομωσαϊκή, για να παρέχουν μια πλήρη άποψη ολόκληρης της αποικίας (Εικ. 1Β ).
Οι ανθρώπινες ετικέτες για την εκπαίδευση του μοντέλου όρασης υπολογιστή δημιουργήθηκαν χρησιμοποιώντας έναν ρεαλιστικό συνδυασμό προσεγγίσεων σχολιασμού που εστιάζουν σε επτά είδη: Λευκό Ibis, Μεγαλοτσικνιάς, Μεγάλος Μπλε Ερωδιός, Χιονοτοκίνια , Wood Stork, Roseate Spoonbill, και Anhinga.
Για να ανιχνεύσουμε και να ταξινομήσουμε τα πουλιά στις εικόνες, χρησιμοποιήσαμε ένα μοντέλο ανίχνευσης αντικειμένων ενός σταδίου RetinaNet-50 που υλοποιήθηκε χρησιμοποιώντας το πακέτο DeepForest Python. Το RetinaNet-50 είναι ένα συνελικτικό νευρωνικό δίκτυο με κοινές κεφαλές ανίχνευσης και ταξινόμησης που ενσωματώνει πυραμίδες χαρακτηριστικών για τη λήψη πολύπλοκων δομών πολλαπλής κλίμακας σε εικόνες και χρησιμοποιεί εστιακή απώλεια για την αντιμετώπιση της ανισορροπίας τάξης μεταξύ τάξεις προσκηνίου και παρασκηνίου. Το μοντέλο ήταν προεκπαιδευμένο για την ανίχνευση πτηνών, αλλά όχι την ταυτοποίησή τους σε είδη.
Αξιολογήσαμε τα μοντέλα υπολογιστικής όρασης χρησιμοποιώντας τέσσερις μετρήσεις: (1) ακρίβεια (2) ανάκληση (3) συνολική ακρίβεια και (4) σύγκριση των μετρήσεων που δημιουργούνται από τον αλγόριθμο με τις μετρήσεις από ανθρώπινες ετικέτες χρησιμοποιώντας το ριζικό μέσο τετραγωνικό σφάλμα (RMSE) και τον συντελεστή προσδιορισμού για τη γραμμή 1:1 ( R 2 ) τόσο σε μη μετασχηματισμένη όσο και σε τετραγωνική ρίζα μετασχηματισμένα δεδομένα. Πραγματοποιήθηκαν αξιολογήσεις τόσο για την ικανότητα του μοντέλου να ανιχνεύει και να μετράει πτηνά ανεξαρτήτως είδους όσο και σε επίπεδο είδους. Τα πτηνά που δεν μπορούσαν να αναγνωριστούν με βεβαιότητα από τους ανθρώπους επισήμανσης αποκλείστηκαν από αναλύσεις σε επίπεδο είδους.
Για να διευκολύνουμε την ταχεία χρήση αυτής της παρακολούθησης που βασίζεται σε UAS, αναπτύξαμε μια ολοκληρωμένη ροή εργασιών για γρήγορη μετάβαση από τις επιτόπιες έρευνες UAS, μέσω αλγορίθμων επεξεργασίας εικόνας και όρασης υπολογιστή, σε δεδομένα για την αφθονία και τις τοποθεσίες των πτηνών (Εικ. 1 ). Οι εικόνες από το πεδίο συγχρονίζονται πάνω από το σύννεφο σε έναν σταθμό εργασίας όπου δημιουργούνται ορθομωσαϊκά.

'''Αποτελέσματα:'''
Το μοντέλο υπολογιστικής όρασης εντόπισε με ακρίβεια πτηνά σε εικόνες με ακρίβεια 0,84 και ανάκληση 0,86. Ως αποτέλεσμα, το μοντέλο παρέχει εξαιρετικά ακριβείς μετρήσεις του αριθμού των πουλιών σε μια εικόνα.
Το μοντέλο μηχανικής μάθησης είχε επίσης καλή απόδοση στην ταξινόμηση των ανιχνευθέντων πτηνών στο επίπεδο του είδους για τα περισσότερα είδη (Πίνακας 1 ). Οι Great Egrets, Roseate Spoonbills, White Ibis και Woodstorks έχουν όλα συνολική ακρίβεια (βαθμολογίες F1) >0,85, ακρίβεια >0,8 και ανάκληση >0,85. Οι Great Blue Herons είχαν χαμηλότερες, αλλά ακόμα καλές τιμές για F1 (0,75), ακρίβεια (0,83) και ανάκληση (0,68). Οι Μεγάλοι Μπλε Ερωδιοί συγχέονταν με τους Μεγαλοτσικνιάδες και τους Ροζέ Κουταλιές (Εικ. 2). Το μοντέλο απέτυχε να ταξινομήσει σωστά οποιονδήποτε Snowy Egrets με αποτέλεσμα να μην υπάρχουν προβλέψεις για αυτό το είδος και μηδενικές ή NA τιμές για F1, ακρίβεια και ανάκληση (Πίνακας 1 ). Οι χιονοτοκίνιες συγχέονται συνήθως με το White Ibis (Εικ. 2), ένα είδος που φαίνεται πολύ παρόμοιο όταν προβάλλεται σε εικόνες UAS και είναι πιο κοινό στα δεδομένα εκπαίδευσης. Οι Χιονοτσικνιάδες συγχέονται επίσης με τους Μεγαλοτσικνιάδες. Σύμφωνα με την τυπική σύμβαση όρασης υπολογιστή, αυτές οι μετρήσεις σε επίπεδο είδους βασίζονται σε περιπτώσεις όπου το πτηνό δοκιμής εντοπίστηκε επιτυχώς από το μοντέλο.
Ο συνδυασμός υψηλής ακρίβειας ανίχνευσης και καλής ταξινόμησης ειδών οδηγεί σε ακριβείς μετρήσεις για τα περισσότερα είδη. Τα σφάλματα ρίζας μέσου τετραγώνου ήταν χαμηλά, με μέσο όρο σφαλμάτων λιγότερα από δύο άτομα για όλα τα είδη εκτός από τους Χιονοτσικνιάς και το White Ibis (Πίνακας 1 ). Το White IBIS RMSE, 5,95, αναμενόταν να είναι υψηλότερο λόγω του μεγάλου αριθμού White Ibis σε κάθε καλλιέργεια και βασιζόταν επίσης κατά κύριο λόγο σε μια μόνο ακραία τιμή. Οι συντελεστές προσδιορισμού ήταν επίσης υψηλοί, με εξαίρεση τους Great Blue Erons και τους Snowy Egrets. Οι μεγάλοι μπλε ερωδιοί είναι το λιγότερο κοινό είδος στο δοκιμαστικό σετ με μόνο 0–3 άτομα/καλλιέργεια. Οι μετρήσεις τόσο μικρές καθιστούν δύσκολη την απόκτηση υψηλών τιμών του R 2 με διακριτά δεδομένα.
Το σύστημα ροής εργασιών επιτρέπει αυτές τις προβλέψεις να γίνονται σχεδόν σε πραγματικό χρόνο (~2–7 ημέρες από την έρευνα έως τα διαθέσιμα δεδομένα). Τα αποτελέσματα εμφανίζονται χρησιμοποιώντας διεπαφές ιστού για να επιτρέψουν στους ερευνητές και τους διαχειριστές να εξερευνήσουν γρήγορα τη θέση, τον αριθμό και τα είδη πουλιών στις αποικίες που ερευνήθηκαν εντατικά. Ενώ τα δεδομένα παράγονται σχεδόν σε πραγματικό χρόνο, τίθενται εμπάργκο από το κοινό μέχρι το τέλος της αναπαραγωγικής περιόδου για να περιοριστεί η χρήση τους στον οικοτουρισμό με τρόπους που θα μπορούσαν να αυξήσουν την ενόχληση των αποικιών που φωλιάζουν.

[[category:Οικολογία]]

Ποσοτικοποίηση της νυχτερινής μετανάστευσης τσίχλας

2025-01-22T19:57:00Z

SEMERTZIDOY PARTHENA: Νέα σελίδα με '[[Εικόνα:P_semertzidoy_2_1.png | thumb | right | Εικόνα 1. Φαινολογία φθινοπωρινής μετανάστευσης για τα έτη 2021 κ...'

[[Εικόνα:P_semertzidoy_2_1.png | thumb | right | Εικόνα 1. Φαινολογία φθινοπωρινής μετανάστευσης για τα έτη 2021 και 2022, που μετρήθηκε στην πόλη του Ελσίνκι με παρακολούθηση ραντάρ (με γκρι, αριθμός πτηνών ανά ώρα και km) και ακουστική (με μαύρο, αριθμός τσίχλων που φωνάζουν που υπολογίζεται από το ακουστικό σύνολο δεδομένων). Τα οικόπεδα καλύπτουν το χρονικό διάστημα από 8 Αυγούστου έως 30 Οκτωβρίου. Με μαύρο είναι το ημερήσιο άθροισμα των κλήσεων που προσδιορίζονται ως τσίχλα, με ανοιχτό γκρι το νυχτερινό μέσο όρο του MTR. Για ευκολία οπτικοποίησης, οι τιμές MTR διαιρούνται με το δέκα. Κάθετες γκρίζες γραμμές οριοθετούν τους μήνες. Οι ημερομηνίες που επιλέχθηκαν για τη δημιουργία του συνόλου εκπαίδευσης ταξινομητή επισημαίνονται με κόκκινο ('thrush') και μπλε ('non-thrush').]]
[[Εικόνα:P_semertzidoy_2_2.png | thumb | right | Πίνακας 1. Μέση συχνότητα εκτόξευσης τσίχλας (με πλάγιους χαρακτήρες, μέσος αριθμός τσίχλων ανά νύχτα) και μέσος όρος MTR τύπου περαστικού (αριθμός πτηνών ανά km και ανά ώρα) κατά τις υπό εξέταση περιόδους μελέτης..]]
[[Εικόνα:P_semertzidoy_2_3.png | thumb | right | Πίνακας 2. Συντελεστές συσχέτισης Pearson μεταξύ του αριθμού των καλούντων τσίχλων και του MTR (passerine-MTR και thrush/non-thrush MTR, ο τελευταίος υπολογίζεται από τον ταξινομητή).]]

'''Αντικείμενο Εφαρμογής:''' Ποσοτικοποίηση της νυχτερινής μετανάστευσης τσίχλας χρησιμοποιώντας τη σύντηξη δεδομένων αισθητήρων μεταξύ ακουστικής και κάθετης εμφάνισης ραντάρ

'''Πρωτότυπος Τίτλος:''' '' 'Quantifying nocturnal thrush migration using sensor data fusion between acoustics and vertical-looking radar.' ''

'''Συγγραφείς:''' Silvia Giuntini, Juha Saari, Adriano Martinoli, Damiano G. Preatoni, Birgen Haest, Baptiste Schmid, Nadja Weisshaupt

'''Πηγή:''' Remote Sensing in Ecology and Conservation, ZSL [https://doi.org/10.1002/rse2.397 (1)]

'''Εισαγωγή:''' Κάθε χρόνο, δισεκατομμύρια αποδημητικά πτηνά διανύουν τεράστιες αποστάσεις επιδιώκοντας βελτιωμένες ευκαιρίες διατροφής, ασφάλεια και υψηλότερη αναπαραγωγική απόδοση.
Η παρακολούθηση με ραντάρ είναι μακράν η πιο ευρέως χρησιμοποιούμενη τεχνική για τη μελέτη της νυχτερινής μετανάστευσης πτηνών. Ορισμένα αποκλειστικά ραντάρ πτηνών επιτρέπουν τον χαρακτηρισμό μεμονωμένων πτηνών από το μέγεθος και το σχέδιο πτήσης τους, αν και με ποικίλη ακρίβεια. Η κατεύθυνση και η ταχύτητα καθενός από τα πτηνά που πετούν προσδιορίζονται επίσης. Αυτά τα ραντάρ καταγράφουν την υπογραφή των επιστρεφόμενων ηχών από τους μεταδιδόμενους παλμούς ραντάρ. Για τα πουλιά, οι υπογραφές ήχου αντικατοπτρίζουν το μοτίβο κτύπου φτερού του ατόμου κατά την πτήση. Ομοίως, η διατομή ραντάρ (RCS), η οποία αναφέρεται στο μέγεθος του πτηνού όπως γίνεται αντιληπτό από το ραντάρ, εξαρτάται όχι μόνο από ορισμένα χαρακτηριστικά του ίδιου του παλμού του ραντάρ αλλά και από χαρακτηριστικά του ιπτάμενου ζώου/πουλιού, όπως σχήμα και ανακλαστικές ιδιότητες. Αυτά και άλλα χαρακτηριστικά των ηχών ραντάρ, που συνήθως αναφέρονται ως «χαρακτηριστικά ηχούς», χρησιμοποιούνται για την αυτόματη ταξινόμηση των ηχών σε ευρείες κατηγορίες ή τάξεις. Για να επιτευχθεί καλύτερη ταξινομική διάκριση, οι πληροφορίες ραντάρ μέχρι στιγμής είναι ανεπαρκείς και πρέπει να συμπληρωθούν με δεδομένα από άλλες πηγές, όπως οπτικές ή ακουστικές παρατηρήσεις, μια προσέγγιση που χρησιμοποιείται με αυξανόμενη συχνότητα και σε μελέτες πτηνών, γνωστή ως «σύντηξη δεδομένων».
Σε αντίθεση με το ραντάρ, η βιοακουστική παρακολούθηση, αν και μερικές φορές όχι χωρίς πρόκληση, επιτρέπει την αναγνώριση ειδών πτηνών. Ωστόσο, το ύψος και ο όγκος ανίχνευσης που επιτυγχάνονται με τα περισσότερα όργανα που χρησιμοποιούνται σήμερα είναι άγνωστα και μπορεί να ποικίλλει ανάλογα με πολλούς παράγοντες, συμπεριλαμβανομένων των ατμοσφαιρικών συνθηκών. Επιπλέον, η βιοακουστική παρακολούθηση είναι χρήσιμη μόνο για την παρακολούθηση μεταναστευτικών ειδών που εκπέμπουν κλήσεις πτήσης. Και ακόμη και σε είδη που είναι γνωστό ότι εκπέμπουν κλήσεις πτήσης, η συχνότητα αυτών των κλήσεων είναι πολύ μεταβλητή κατά τη διάρκεια της νύχτας, μεταξύ εποχών και ετών και κυμαίνεται ανάλογα με διάφορες περιβαλλοντικές συνθήκες.
Η συνδυασμένη χρήση ραντάρ και ακουστικών τεχνικών για την παρακολούθηση της μετανάστευσης των πτηνών είναι ακόμα σχετικά νέα.
Εδώ, συνδυάσαμε δεδομένα ραντάρ ακουστικής και κάθετης εμφάνισης, που συλλέχθηκαν μεταξύ Αυγούστου και Οκτωβρίου 2021 και 2022 στο Ελσίνκι της Φινλανδίας, για να ελέγξουμε εάν η ταξινομική λεπτομέρεια της ταξινόμησης ηχούς σε ένα αποκλειστικό ραντάρ πουλιών μπορεί να βελτιωθεί χρησιμοποιώντας ακουστικές πληροφορίες. Εστιάσαμε την ανάλυσή μας στον ποσοτικό προσδιορισμό της μετανάστευσης της τσίχλας, μιας ιδιαίτερα φωνητικής και κυρίως νυχτερινής οικογένειας μεταναστών. Υποθέσαμε ότι οι εκτιμήσεις μας από το συνδυασμό ραντάρ και ακουστικών δεδομένων θα περιέγραφαν με μεγαλύτερη ακρίβεια τη μετανάστευση τσίχλας σε σύγκριση με τις εκτιμήσεις που βασίζονται μόνο σε ραντάρ. Πιο συγκεκριμένα, περιμέναμε ότι οι εκτιμήσεις μας θα συσχετίζονται πιο έντονα με τη συχνότητα κλήσης τσίχλας από ό,τι η φαινολογία «τύπου περαστικού» που εκτιμάται χρησιμοποιώντας μόνο δεδομένα ραντάρ.

'''Μεθοδολογία:'''
Οι νυχτερινές κλήσεις πουλιών καταγράφηκαν από τη δύση έως την ανατολή του ηλίου, από τον Αύγουστο έως τον Οκτώβριο του 2021 και του 2022 στην πόλη του Ελσίνκι χρησιμοποιώντας ένα σύστημα παραβολικού μικροφώνου Telinga PRO-X, σε συνδυασμό με Μικρόφωνο Røde NTG8 που δείχνει προς διαφορετική κατεύθυνση. Τα είδη ταυτοποιήθηκαν με ακουστική και οπτική ερμηνεία των υπερηχογράφων χρησιμοποιώντας το λογισμικό Audacity v. 2.2. Από τις 4679 συνολικές κλήσεις που προσδιορίστηκαν και στις δύο φθινοπωρινές περιόδους μέτρησης (1996 το 2021 και 2683 το 2022), οι 2653 αναγνωρίστηκαν ως Redwing και 278 ως Ευρασιατικό Κοτσύφι. Οι κλήσεις που προσδιορίστηκαν ως Fieldfare παραλήφθηκαν από το σύνολο δεδομένων λόγω της χαμηλής αφθονίας τους. Για σύγκριση με τα δεδομένα ραντάρ, οι κλήσεις των τριών ειδών τσίχλας που εξετάστηκαν αθροίστηκαν σε ωριαία βάση για να ληφθεί ο εκτιμώμενος αριθμός μεταναστευτικών τσίχλων ανά ώρα.
Ένα ειδικό ραντάρ πουλιών με κατακόρυφη εμφάνιση, ταυτόχρονα με τις ακουστικές μετρήσεις, λειτουργούσε συνεχώς καθ' όλη τη διάρκεια της περιόδου μέτρησης το 2021 και το 2022. Το ραντάρ τοποθετήθηκε στην οροφή του Φινλανδικού Μετεωρολογικού Ινστιτούτου στο Ελσίνκι, περίπου 4,5 km ΝΔ της θέσης των ακουστικών μετρήσεων. Το BirdScan MR1 AVLR είναι ένα θαλάσσιο παλμικό ραντάρ. Το εύρος ανίχνευσης εξαρτάται από τη διάρκεια του παλμού και το μέγεθος του πουλιού. Λειτουργήσαμε το ραντάρ σε λειτουργία σύντομου παλμού, με αποτέλεσμα ένα κατά προσέγγιση εύρος ανίχνευσης από 50 m έως περίπου 1000 m για τσίχλες.
Ένα ζώο που πετά μέσα από τη δέσμη του ραντάρ παράγει μια υπογραφή ηχούς, δηλαδή μια αλλαγή στην ένταση της ηχούς με την πάροδο του χρόνου . Από αυτές τις υπογραφές ηχούς, προκύπτει ένα σύνολο χαρακτηριστικών (περίπου 200). Αυτά τα χαρακτηριστικά χρησιμοποιούνται στη συνέχεια για την πρόβλεψη των μοτίβων χτυπήματος φτερών καθώς και για την αυτόματη αντιστοίχιση του αντικειμένου που ανιχνεύεται στην κατάλληλη κλάση. Για το τελευταίο, ένας ταξινομητής Random Forest έχει εκπαιδευτεί σε ένα σύνολο δεδομένων σχολιασμένων δειγμάτων ηχούς ραντάρ για να ταξινομεί αυτόματα κάθε αντικείμενο σε μία από τις ακόλουθες κατηγορίες: «έντομα» «μη βιολογική ακαταστασία», και αρκετές υποομάδες πουλιών. Για αυτήν τη μελέτη, διατηρήσαμε μόνο πτηνά που ταξινομούνται ως «περαστικοί», τα οποία χαρακτηρίζονται από ένα τυπικό διακοπτόμενο μοτίβο κτυπήματος φτερών. Αυτές οι ηχώ θα πρέπει να περιλαμβάνουν τσίχλες και φιλτράραμε το σύνολο δεδομένων σε νυχτερινές ώρες χρησιμοποιώντας την ώρα του αστικού λυκόφωτος, που υπολογίζεται χρησιμοποιώντας το πακέτο suntools R για να συμπεριλάβουμε μόνο νυχτερινούς μετανάστες. Στη συνέχεια υπολογίσαμε τα ποσοστά κίνησης νυχτερινής μετανάστευσης.

'''Αποτελέσματα:'''
Η συχνότητα της κλήσης τσίχλας διέφερε πολύ μεταξύ των διαδοχικών νυχτών (Εικ. 1 ). Η μέση συχνότητα κλήσης ήταν ισχυρότερη τον Σεπτέμβριο και τον Οκτώβριο κατά τις περιόδους μετανάστευσης αυτών των ειδών. Και τα δύο έτη, η ισχυρότερη δραστηριότητα κλήσεων καταγράφηκε μεταξύ τέλους Σεπτεμβρίου και αρχών Οκτωβρίου (Πίνακας 1 ).
Το περιεχόμενο από ραντάρ passerine-MTR επίσης διέφερε πολύ μεταξύ διαδοχικών ημερών (Εικ. 1 ). Ο μέσος μηνιαίος MTR ήταν ελαφρώς υψηλότερος τον Σεπτέμβριο και τον Αύγουστο από ό,τι τον Οκτώβριο. Και τα δύο έτη, το μέγιστο ημερήσιο MTR μετρήθηκε τον Αύγουστο (Πίνακας 1 ).
Το Passerine-MTR και ο αριθμός των καλούντων τσίχλων συσχετίστηκαν σημαντικά και θετικά με το Pearson's r 0,40 ( P < 0,01) για ολόκληρη την περίοδο και με r = 0,59 ( P < 0,01) για την περίοδο που είναι γνωστή ως η εποχή της μετανάστευσης της τσίχλας (10 Σεπτεμβρίου έως 30 Οκτωβρίου) (Πίνακας 2 ).
Ο διαχωρισμός των ηχών του ραντάρ «τύπου passerine» σε κατηγορίες «thrush» και «non-thrush» είχε συνολική ακρίβεια 82%. Η ακρίβεια του παραγωγού ήταν 83% για την κατηγορία «τσίχλα» και 80% για την κατηγορία «μη τσίχλα». Οι ακρίβειες των χρηστών ήταν 84% και 79% για τις κατηγορίες 'thrush' και 'non-thrush', αντίστοιχα.
Αν και λίγα μπορούν να ειπωθούν τελικά για τις διαφορές στο σχήμα, η σημασία που αποδίδεται στο σφάλμα παλινδρόμησης του χαρακτηριστικού πόλωσης υποδηλώνει μια διαφορά στο σχήμα που γίνεται αντιληπτή από το ραντάρ μεταξύ των δύο ομάδων ηχούς, καθώς το σφάλμα με το οποίο υπολογίζεται το σχήμα στόχου τείνει να είναι υψηλότερο σε «τσίχλες». Τέλος, το χαρακτηριστικό που περιγράφει τη λοξότητα του σήματος διέλευσης ζώνης τείνει να εμφανίζει υψηλότερες τιμές στα «thrush», υποδηλώνοντας μεγαλύτερη τάση των σημάτων «thrush» προς υψηλότερες από τις μέσες τιμές.
Σε ολόκληρη την περίοδο μέτρησης, 35 925 ηχών ραντάρ ταξινομήθηκαν τελικά ως «τσίχλα» και 32767 ως «μη τσίχλα». Αυτές οι εκτιμήσεις που βασίζονται σε ραντάρ της φαινολογίας της μετανάστευσης της τσίχλας κατά τη διάρκεια της περιόδου μέτρησης της μετανάστευσης του φθινοπώρου συσχετίστηκαν ισχυρά με τις ακουστικές μετρήσεις. Αυτή η συσχέτιση παρέμεινε επίσης κατά την ανάλυση των 2 ετών ξεχωριστά. Αν και η συχνότητα κλήσης τσίχλας συσχετίστηκε επίσης θετικά με το περαστικό MTR, αυτή η συσχέτιση ήταν σημαντικά χαμηλότερη. Η συσχέτιση Pearson μεταξύ του αριθμού των καλούντων τσίχλων και του μη τσίχλας MTR ήταν επίσης χαμηλή και, στην περίπτωση του 2021, μη σημαντική (Πίνακας 2 ). Το 2021, η υψηλότερη τσίχλα-MTR καταγράφηκε για τις 12 Οκτωβρίου, κατά την οποία καταγράφηκαν 106 τσίχλες. Το 2022, η υψηλότερη τσίχλα-MTR καταγράφηκε στις 21 Σεπτεμβρίου, όταν καταγράφηκαν 184 τσίχλες. Στο πρώτο μισό της χρονοσειράς (πριν από τα μέσα Σεπτεμβρίου), ένα χρονικό διάστημα κατά το οποίο αναμένεται να μεταναστεύσουν λίγες τσίχλες, το MTR χωρίς τσίχλα ήταν σαφώς υψηλότερο από το MTR της τσίχλας.

[[category:Οικολογία]]

Φωτίζοντας την Αρκτική