Βρες το πράσινο πρόβατο! Μια κριτική επισκόπηση της χρήσης της τηλεπισκόπησης για την ανίχνευση και καταμέτρηση των ζώων
Από RemoteSensing Wiki
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
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
Σύνδεσμος πρωτότυπου κειμένου: [1]
Λέξεις-Κλειδιά: γεωργία, ζώα, ανίχνευση, πληθυσμιακή έρευνα, τηλεπισκόπηση, δορυφορική απεικόνιση, άγρια πανίδα
Εισαγωγή
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). 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.
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.
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 εικόνας 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.
