需要JoVE订阅才能观看此内容。 请登录或开始免费试用

方法文章

地面无人飞行系统影像结合空间均衡采样与路径优化监测草地植被

1.6K 次观看

⸱

DOI：

10.3791/61052

⸱

2020年6月14日

 ,  ,  ,  ,  ,  , 
1Wyoming Reclamation and Restoration Center, University of Wyoming, 2Department of Ecosystem Science and Management, University of Wyoming, 3Program in Ecology, University of Wyoming, 4Wyoming Geographic Information Science Center, University of Wyoming, 5Wyoming State Office, Bureau of Land Management, 6School of Mathematics and Statistics, University of Canterbury, 7Department of Statistics, University of Wyoming

本文内容

摘要

本文所述方案利用路径优化、平衡接受采样以及地面和无人机系统（UAS）影像，高效监测草原生态系统的植被状况。文中比较了通过地面和无人机系统（UAS）方法获取影像所得的结果。

摘要

全球草地生态系统覆盖面积达36亿公顷，其中美国境内有2.39亿公顷。这些生态系统对于维持全球生态系统服务至关重要。监测这些生态系统中的植被，有助于评估草地健康状况、判断野生动植物和家畜栖息地的适宜性、防控入侵性杂草，并阐明环境随时间的变化。尽管草地生态系统覆盖范围广阔，传统的监测技术往往耗时较长、成本效益低、易受观测者偏差影响，且通常缺乏足够的空间信息。基于图像的植被监测方法速度更快，能够生成永久性记录（即图像），可能减少观测者偏差，并天然包含充足的空间信息。空间均衡的抽样设计在自然资源监测中具有优势。本文提出了一种称为平衡接受抽样（balanced acceptance sampling, BAS）的空间均衡抽样设计方案，并结合地面相机和无人机系统（UAS）获取的影像数据进行实施。此外，采用路径优化算法以解决“旅行商问题”（travelling salesperson problem, TSP），从而提高时间和成本效率。虽然无人机获取图像的速度比手持设备快2至3倍，但两类图像在准确性和精确性方面表现相似。最后，本文讨论了每种方法的优缺点，并提供了这些方法在其他生态系统中潜在应用的示例。

引言

草地生态系统覆盖范围广阔，在美国境内达2.39亿公顷，全球范围内达36亿公顷1。草地提供多种多样的生态系统服务，其管理涉及多种土地利用方式。在美国西部，草地为野生动物提供栖息地，兼具蓄水、固碳以及为家畜提供牧草等功能2。草地生态系统面临多种干扰因素，包括外来物种入侵、野火、基础设施建设以及自然资源开采（如石油、天然气和煤炭）3。植被监测对于维持全球范围内草地及其他生态系统的资源管理至关重要4,5,6。在草地生态系统中，植被监测常用于评估草地健康状况、野生动物物种的栖息地适宜性，并记录因外来物种入侵、野火及自然资源开采所引起的景观变化7,8,9,10。尽管具体监测项目的目标可能各不相同，但人们普遍希望监测方案能够满足多方利益相关者的需求，同时具备统计可靠性、可重复性和经济性5,7,11。尽管土地管理者已认识到监测的重要性，但监测工作常被视为缺乏科学性、成本过高且负担沉重5。

传统上，草地监测采用多种方法进行，包括目测估计10、Daubenmire样框法12、样地绘图法13以及沿植被样带的样线截取法14。尽管目测估计法具有较高的时间效率，但其容易受到观察者主观偏差的显著影响15。其他传统方法虽然同样存在较高的观察者偏差问题，但由于耗时较长且成本较高，通常效率较低6,15,16,17。实施这些传统方法所需的时间往往过于繁重，难以获得具有统计学意义的样本量，从而导致种群估算结果不可靠。这些方法通常基于便利性而非随机原则进行应用，观察者自行决定数据采集的位置。此外，报告中的采样位置与实际采样位置经常不一致，给依赖植被监测数据的土地管理者及其他利益相关方带来困扰18。近期研究表明，基于图像的植被监测方法在时间和成本方面均具有较高效率6,19,20。在短时间内对特定区域内获取更多的采样数据，应能提高数据的统计可靠性，相较于耗时更多的传统技术更具优势。图像作为永久性记录，可在野外数据采集完成后由多位观察者进行分析6。此外，许多相机配备有全球定位系统（GPS），因此图像可被附加采集位置的地理标记18,20。利用计算机生成的采样点并在实地准确定位，可减少观察者偏差，无论图像是通过手持相机还是无人航空系统获取，该方法均能降低个体观察者根据主观判断选择采样位置的倾向。

传统的自然资源监测不仅耗时、成本高，且容易受到较大的观察者偏差影响，还常常由于样本量小和采样地点集中，难以充分表征异质性的草地环境21。空间均衡的采样设计能够将采样点更均匀地分布在目标区域内，从而更有效地表征自然资源21,22,23,24。这类设计可降低采样成本，因为在达到统计学准确性的前提下，其所需的样本量通常小于简单随机采样25。

本方法结合了一种称为平衡可接受性采样（balanced acceptance sampling, BAS）22,24的空间平衡采样设计与基于图像的监测技术，用于评估草地植被。BAS样点在整个目标区域内的分布是优化的26。然而，这并不能保证样点的访问顺序构成一条最优路径20。因此，采用一种路径优化算法对BAS样点进行排序，该算法用于求解旅行商问题（travelling salesperson problem, TSP）27。按照此顺序访问样点，可确定连接所有样点的最优路径（即最短距离）。将BAS样点导入地理信息系统（GIS）软件，再传输至配备GPS的手持数据采集设备中。在定位每个BAS样点后，使用配备GPS的相机以及由飞行软件控制的无人机系统（UAS）进行图像采集。进入野外工作时，技术人员步行至每个样点，使用单脚架固定相机拍摄1 m2范围的图像，地面分辨率为0.3 mm（地面采样距离，GSD）；与此同时，UAS飞抵相同样点并采集地面分辨率为2.4 mm-GSD的图像。随后，利用‘SamplePoint’28软件对每幅图像中的36个点进行人工分类，以生成植被覆盖数据。比较基于地面和UAS影像分析所得的植被覆盖数据，并记录两种方法的数据采集时间。在代表性研究中，使用了两块相邻的10英亩草地样地。最后，讨论了该方法的其他应用前景，以及如何针对未来项目或其他生态系统中的研究进行方法改进。

访问受限。请登录或开始试用以查看此内容。

方案

1. 确定研究区域、生成采样点与行进路线及野外准备工作

  1. 确定研究区域
    1. 使用地理信息系统（GIS）软件在感兴趣区域周围绘制多边形图形。本研究在美国怀俄明州拉勒米县的一个放牧分配区内选取了两块各10英亩的样地进行（图1）。
    2. 确保将不包含在抽样框架内的区域从多边形中排除（例如水体、建筑物、道路等），以避免后续对这些区域拍摄图像。
    3. 在GIS软件中将多边形图形转换为矢量图层文件（.shp），并确保该矢量文件采用所需的坐标系创建。

研究区域航拍地图，怀俄明州；无人机研究的站点位置；地理研究示意图。
图1：研究区域示意图。该区域位于美国怀俄明州拉勒米县夏延市以南的一个放牧区（影像来源：怀俄明州2017年国家农业影像计划影像）。请点击此处查看此图的放大版本。

  1. 生成 BAS 点并优化行进路径
    注意：代码作为“补充代码.docx”附上。
    1. 使用 R 软件包“rgdal”29 将 GIS 多边形转换为 R 程序可读的文件。
    2. 使用 R 软件包“SDraw”30 生成所需数量的 BAS 点。本研究在每个研究区域使用了 30 个 BAS 点，但未来应开展研究以确定不同面积和植被组成区域的最佳采样强度。
    3. 使用 R 软件包“TSP”27 对 BAS 点进行排序。按此顺序访问各点可最大限度减少在 BAS 点采集样本所需的时间。
  2. 手持设备影像采集的准备工作
    1. 使用 R 软件包“rgdal”将步骤 1.2.1 中的点重新导入 GIS 程序。
    2. 编辑 shapefile 的属性表，使点 ID 字段准确反映优化后的路径顺序。
    3. 将 GIS 多边形和点文件导入运行在手持设备上的 GIS 软件中。
    4. 确保已设置研究区域正确的投影坐标系。
  3. 无人机系统（UAS）影像采集的准备工作
    1. 使用 R 软件包“rgdal”将步骤 1.2.1 中的点重新导入 GIS 软件程序。
    2. 在 GIS 软件程序中，使用 添加 XY 坐标 工具在航点属性表中创建并填充纬度和经度字段。
    3. 将包含纬度、经度和 TSP 列的航点属性表导出为 *.csv 文件格式。
    4. 使用适当的软件包打开 *.csv 文件。
    5. 按 TSP 标识符对航点进行排序。
    6. 打开 Mission Hub 应用程序。
    7. 在 Mission Hub 中创建一个任意航点。
    8. 将该任意航点导出为 *.csv 文件。
    9. 在电子表格程序中打开 *.csv 文件，并删除任意航点，保留列标题。
    10. 将步骤 1.2.3 中按 TSP 排序的航点坐标对复制到步骤 1.4.8 所得 *.csv 文件的相关列中。
    11. 将步骤 1.4.10 中的 *.csv 文件作为新任务导入 Mission Hub。
    12. 定义设置。
      1. 勾选 使用在线高程 选项。
      2. 将 路径模式 指定为 直线。
      3. 将 结束动作 指定为 RTH，以便无人机在任务完成后自动 返航。
    13. 点击各个航点，并通过指定以下参数来 添加动作：停留：2 秒（避免图像模糊）；相机倾斜：-90°（天底方向）；拍照。
    14. 以合适的名称保存任务。
    15. 对其他站点重复上述过程。

2. 野外数据采集与后处理

  1. 记录研究区域内观察到或预期存在的植被
    1. 在获取图像之前，创建一份研究区域内观察到的植被清单。该清单可手写或以电子表格形式记录，以便后续进行照片识别。即使某些物种在野外未被观察到，若其很可能出现在该区域（例如，复垦种子混合物中的物种），也将其纳入清单中可能有助于后续分析18。
  2. 地面图像采集
    1. 将相机安装在垂直单脚架上，并将相机向下倾斜约60°。图像覆盖范围可通过相机的镜头参数和分辨率（百万像素）确定，并通过将单脚架设置为标准高度来实现。单脚架的高度结合相机参数将决定地面采样距离（GSD）。在本研究中，使用了一台1210万像素的相机，并将单脚架固定在离地1.3 m的高度，以获得约0.3 mm GSD的天底图像18。
    2. 将单脚架向前倾斜，使相机镜头处于天底位置，且倾斜的单脚架不在图像中可见。
    3. 调整单脚架高度或镜头变焦，以获得1 m2的无边框样方尺寸（或其他所需样方面积）。对于最常见的4:3宽高比相机，样方宽度为115 cm时可获得1 m2的图像视场。无需在地面上放置实际边框；整个图像即为样方区域。若通过调整镜头变焦实现此目标，建议使用油漆工胶带固定变焦环，防止意外改变变焦设置。
    4. 如条件允许，将相机设置为快门优先模式，并将快门速度设为至少1/125 s，以避免图像模糊；若风力较强，应使用更快的快门速度。
    5. 定位至优化路径顺序中的第一个采样点。
    6. 将单脚架置于1号点的地面上，并倾斜单脚架，直至相机处于天底方向。确保操作人员的阴影不在图像中出现。保持相机稳定，防止运动模糊。拍摄图像。
      注：此步骤使用遥控快门线较为有利。
    7. 检查图像质量，确保数据成功采集。
    8. 前往优化路径中的下一个点，并重复上述图像采集步骤。   
  3. 无人机系统（UAS）图像采集
    1. 在启动无人机系统之前，对研究区域进行简要勘察，确保飞行路径内无物理障碍物。此次勘察也有助于确定一个相对平坦的区域用于无人机起飞。
    2. 确保天气条件适合无人机飞行：干燥晴朗的天气（>4.8 km能见度），光照充足，风力较小（<17节），气温介于0 °C–37 °C之间。
    3. 遵守相关法律法规。例如，在美国应遵循联邦航空管理局（FAA）的相关规定。
    4. 使用Mission Hub软件（图2）以及可通过移动设备访问的任务执行应用程序（图3）。
    5. 按照步骤1.4所述，在每个BAS点采集无人机影像。
    6. 在更换位置前，通过移动设备确认所有图像均已成功获取。

航拍调查地图及航点设置；无人机飞行路径数据分析；地理测绘。
图 2：Mission Hub 的用户界面。 地图显示了无人机在研究样地之一沿 30 个 BAS 点组成的系列路径的飞行轨迹，弹出窗口则显示了每个航点的图像采集参数。图 2 针对样地 1，但其外观与样地 2 相似。请点击此处查看该图的放大版本。

用于空中勘测任务规划的无人机导航路径图，包含航点和坐标。
图 3：在 Android 智能手机上运行的 Litchi 任务执行应用程序中的航点飞行任务。 紫色显示的唯一航点 ID 表示在研究区域不同位置拍摄图像的相对顺序。每个航点处的数字（如 7(6)）表示拍摄图像时距地面的高度（第一个数字）以及距返航点或无人机起飞点的高度（第二个数字）的整数值。请注意地图上标注的连续航点之间的距离。图 3 针对的是 1 号站点，尽管其外观与 2 号站点相似。请点击此处查看此图的放大版本。

  1. 地面图像的后期处理。
    注意：相关操作指南可在 www.SamplePoint.org 的教程部分获取；另附有补充的 .pdf 文件。
    1. 使用 USB 数据线或 SD 卡将图像下载到计算机。
    2. 确认图像拍摄位置正确。可使用多种软件，根据地理标记图像中的元数据将图像导入地理信息系统（GIS）软件。
    3. 若图像来自多个研究区域，应将它们分别存储在不同的文件夹中，以便进行图像分析。
  2. 无人机系统（UAS）图像的后期处理
    1. 将存储在无人机可移动 microSD 卡上的图像传输至计算机。
    2. 重复步骤 2.4.2 和 2.4.3。

3. 图像分析

注意：所有步骤均可在 www.SamplePoint.org 的“教程”部分找到；另附有补充的“tutorial.pdf”文件。

  1. 在 SamplePoint 中，点击 选项 | 数据库向导 | 创建/填充数据库。
  2. 根据研究区域命名数据库。
  3. 浏览至包含目标研究区域样本的文件夹，并选择需要分类的样本。
  4. 点击 完成。
  5. 点击 选项 | 选择数据库，然后选择 SamplePoint 根据图像选择生成的 *.xls 文件（该文件将位于图像所在目录中）。
  6. 当 SamplePoint 提示时，确认数据库中选择的图像数量正确。
  7. 选择每幅图像中需要分析的像素数量。可通过网格模式或随机方式完成。本研究采用 6 × 6 网格，共选择 36 个像素；但可根据分类所需的测量精度选择更多或更少的像素。最近的一项研究发现，每幅图像 20–30 个像素足以对大范围区域进行采样31。若使用网格选项，当图像重新分析时，像素位置将保持一致；而随机选项则每次重新加载图像时都会随机生成像素位置。
  8. 为物种分类创建自定义的 按钮 文件。该列表可基于图像采集前野外记录的植被清单生成，也可依据与研究区域相关的其他信息（例如，复垦区域的种子混合清单或生态站点描述信息等）。请确保为 裸地 或 土壤 以及其他可能遇到的非植被成分（如 凋落物 或 岩石）创建按钮。建议创建一个 未知 按钮，以便分析人员日后对物种进行分类。SamplePoint 中的 注释框 可用于记录使用该选项的像素。此外，如果图像分辨率不足以进行物种级别的分类，为功能群组（例如 禾草、杂类草、灌木）创建按钮将非常有益。
  9. 通过点击描述红色十字准线所指图像像素的分类按钮，开始分析图像。重复此操作，直到 SamplePoint 提示“所有点已完成。请单击下一张图像。”对数据库中的所有图像重复此过程。
    注意：可使用 缩放 功能辅助分类。
  10. 当数据库中的所有图像均完成分析后，SamplePoint 将提示“所有图像已分析完毕。”此时，请选择 确定，然后点击 选项 | 创建统计文件。
  11. 前往包含数据库的文件夹，打开刚刚生成的 *.csv 文件，以确保所有图像的数据均已保存。

4. 统计分析

  1. 卡方分析以确定不同样地之间的差异
    1. 由于在两个样地采集和分析的图像数量（主要抽样单位）和像素数量（次要抽样单位）相同，因此两个样地之间的比较可视为多分类设计的结果。
    2. 利用步骤 3.11 中生成的 *.csv 文件，计算每个分类类别中被分类的点数总和。
    3. 对点数总和进行卡方分析。如果样地 1 和样地 2 相似，则两个样地内被分类为每种覆盖类型的像素数量应大致相等18。
  2. 回归分析比较无人机系统（UAS）图像与地面图像
    1. 利用步骤 3.11 中生成的 *.csv 文件，复制并粘贴每幅图像的平均百分比覆盖值，并将无人机系统（UAS）图像数据与地面图像数据对齐。
    2. 在数据库程序中进行回归分析。

访问受限。请登录或开始试用以查看此内容。

结果

UAS图像采集所用时间少于地面图像采集时间的一半，而地面图像的分析时间则略短（表1）。地面图像具有更高的分辨率，这可能是其分析耗时更短的主要原因。不同样地之间行走路径时间的差异，可能是由于起止点（起飞点）距离样地1比样地2更近所致（图1）。不同平台间采集时间的差异主要归因于UAS的飞行速度比技术人员步行速度快2–3倍（图4）。

采集时间（分:秒）/位点分析时间（分:秒）/位点分析时间（分:秒）/图像

访问受限。请登录或开始试用以查看此内容。

讨论

长期以来，人们已经认识到自然资源监测的重要性14。随着全球环境问题日益受到关注，开发可靠、省时且成本效益高的监测技术变得愈发重要。多项先前研究表明，在时间、成本以及提供有效且可验证的统计数据方面，图像分析相较于传统的植被监测方法具有明显优势6,31。地面图像采集的速度可比样线截取法快7–10倍18,31。本研究及一项近期研究20表明，与手持设备采集图像相比，无人机系统（UAS）图像采集所需时间可减少2–3倍。通过无人航空系统或飞行器获取的航空影像正越来越广泛地用于评估多种环境问题33，包括生境破坏与质量评估34,35，以及其他形式的植被调查

访问受限。请登录或开始试用以查看此内容。

披露

作者声明无利益冲突。本研究中使用的软件对作者而言可通过开源方式或机构许可获得。没有任何作者受到本研究中所用软件的赞助，并且作者承认还有其他软件程序能够完成类似的研究工作。

致谢

本研究主要由怀俄明州复垦与修复中心和乔纳能源有限公司资助。我们感谢沃伦资源公司和埃斯凯拉拉资源公司为购置Trimble Juno 5设备提供资金支持。我们感谢乔纳能源有限公司持续资助怀俄明州的植被监测工作。我们感谢怀俄明州地理信息科学中心为本研究提供了所使用的无人机设备。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
ArcGISESRIGPS 软件
DJI Phantom 4 ProDJIUAS
G700SERicoh带 GPS 功能的相机
GeoJot+CoreGeospatial ExpertsGPS 软件用于提取图像元数据
Juno 5Trimble手持式 GPS 设备
Litchi Mission HubLitchi任务中心软件我们选择 Litchi 是因为它具备地形感知能力，以及规划稳健航点任务的能力
Program RR Project统计分析/编程软件
SamplePointN/A图像分析软件

参考文献

  1. Follett, R. F., Reed, D. A. Soil carbon sequestration in grazing lands: societal benefits and policy implications. Rangeland Ecology & Management. 63, 4-15 (2010).
  2. Ritten, J. P., Bastian, C. T., Rashford, B. S. Profitability of carbon sequestration in western rangelands of the United States. Rangeland Ecology & Management. 65, 340-350 (2012).
  3. Stahl, P. D., Curran, M. F. Collaborative efforts towards ecological habitat restoration of a threatened species, Greater Sage-grouse, in Wyoming, USA. Land Reclamation in Ecological Fragile Areas. , CRC Press. Boca Raton, FL. 251-254 (2017).
  4. Stohlgren, T. J., Bull, K. A., Otsuki, Y. Comparison of rangeland vegetation sampling techniques in the central grasslands. Journal of Range Management. 51, 164-172 (1998).
  5. Lovett, G. M., et al. Who needs environmental monitoring. Frontiers in Ecology and the Environment. 5, 253-260 (2007).
  6. Cagney, J., Cox, S. E., Booth, D. T. Comparison of point intercept and image analysis for monitoring rangeland transects. Rangeland Ecology & Management. 64, 309-315 (2011).
  7. Toevs, G. R., et al. Consistent indicators and methods and a scalable sample design to meet assessment, inventory, and monitoring needs across scales. Rangelands. 33, 14-20 (2011).
  8. Stiver, S. J., et al. Sage-grouse habitat assessment framework: multiscale habitat assessment tool. Bureau of Land Management and Western Association of Fish and Wildlife Agencies Technical Reference. , (2015).
  9. West, N. E. Accounting for rangeland resources over entire landscapes. Proceedings of the VI Rangeland Congress. , Aitkenvale, Queensland, Australia. (1999).
  10. Curran, M. F., Stahl, P. D. Database management for large scale reclamation projects in Wyoming: Developing better data acquisition, monitoring, and models for application to future projects. Journal of Environmental Solutions for Oil, Gas, and Mining. 1, 31-34 (2015).
  11. International Technology Team (ITT). Sampling vegetation attributes. Interagency Technical Report. , Denver, CO, USA. (1999).
  12. Daubenmire, R. F. A canopy-coverage method of vegetational analysis. Northwest Science. 33, 43-64 (1959).
  13. Heady, H. F., Gibbens, R. P., Powell, R. W. Comparison of charting, line intercept, and line point methods of sampling shrub types of vegetation. Journal of Range Management. 12, 180-188 (1959).
  14. Levy, E. B., Madden, E. A. The point method of pasture analysis. New Zealand Journal of Agriculture. 46, 267-269 (1933).
  15. Morrison, L. W. Observer error in vegetation surveys: a review. Journal of Plant Ecology. 9, 367-379 (2016).
  16. Kennedy, K. A., Addison, P. A. Some considerations for the use of visual estimates of plant cover in biomonitoring. Journal of Ecology. 75, 151-157 (1987).
  17. Bergstedt, J., Westerberg, L., Milberg, P. In the eye of the beholder: bias and stochastic variation in cover estimates. Plant Ecology. 204, 271-283 (2009).
  18. Curran, M. F., et al. Spatially balanced sampling and ground-level imagery for vegetation monitoring on reclaimed well pads. Restoration Ecology. 27, 974-980 (2019).
  19. Duniway, M. C., Karl, J. W., Shrader, S., Baquera, N., Herrick, J. E. Rangeland and pasture monitoring: an approach to interpretation of high-resolution imagery focused on observer calibration for repeatability. Environmental Monitoring and Assessment. 184, 3789-3804 (2011).
  20. Curran, M. F., et al. Combining spatially balanced sampling, route optimization, and remote sensing to assess biodiversity response to reclamation practices on semi-arid well pads. Biodiversity. , (2020).
  21. Stevens, D. L., Olsen, A. R. Spatially balanced sampling of natural resources. Journal of the American Statistical Association. 99, 262-278 (2004).
  22. Robertson, B. L., Brown, J. A., McDonald, T., Jaksons, P. BAS: Balanced acceptance sampling of natural resources. Biometrics. 69, 776-784 (2013).
  23. Brown, J. A., Robertson, B. L., McDonald, T. Spatially balanced sampling: application to environmental surveys. Procedia Environmental Sciences. 27, 6-9 (2015).
  24. Robertson, B. L., McDonald, T., Price, C. J., Brown, J. A. A modification of balanced acceptance sampling. Statistics & Probability Letters. 109, 107-112 (2017).
  25. Kermorvant, C., D'Amico, F., Bru, N., Caill-Milly, N., Robertson, B. Spatially balanced sampling designs for environmental surveys. Environmental Monitoring and Assessment. 191, 524(2019).
  26. Robertson, B. L., McDonald, T., Price, C. J., Brown, J. A. Halton iterative partitioning: spatially balanced sampling via partitioning. Environmental and Ecological Statistics. 25, 305-323 (2018).
  27. Hahsler, M., Hornik, K. TSP: Traveling Salesperson Problem (TSP). R package version 1.1-7. , Available from: https://CRAN.R-project.org/package=TSP (2019).
  28. Booth, D. T., Cox, S. E., Berryman, R. D. Point sampling imagery with 'SamplePoint'. Environmental Monitoring and Assessment. 123, 97-108 (2006).
  29. Bivand, R., Keitt, T., Rowlingson, B. rgdal: bindings for geospatial data abstraction library. R package version 1.2-7. , Available from: https://CRAN.R-project.org/package=rgdal (2017).
  30. McDonald, T. SDraw: spatially balanced sample draws for spatial objects. R package version 2.1.3. , Available from: https://CRAN.R-project.org/package=SDraw (2016).
  31. Ancin-Murguzur, F. J., Munoz, L., Monz, C., Fauchald, P., Hausner, V. Efficient sampling for ecosystem service supply assessment at a landscape scale. Ecosystems and People. 15, 33-41 (2019).
  32. Pilliod, D. S., Arkle, R. S. Performance of quantitative vegetation sampling methods across gradients of cover in Great Basin plant communities. Rangeland Ecology & Management. 66, 634-637 (2013).
  33. Anderson, K., Gaston, K. J. Lightweight unmanned aerial vehicles will revolutionize spatial ecology. Frontiers in Ecology and the Environment. 11, 138-146 (2013).
  34. Barnas, A. F., Darby, B. J., Vandeberg, G. S., Rockwell, R. F., Ellis-Felege, S. N. A comparison of drone imagery and ground-based methods for estimating the extent of habitat destruction by lesser snow geese (Anser caerulescens caerulescens) in La Perouse Bay. PLoS One. 14 (8), 0217049(2019).
  35. Chabot, D., Carignan, V., Bird, D. M. Measuring habitat quality for leaster bitterns in a created wetland with use of small unmanned aircraft. Wetlands. 34, 527-533 (2014).
  36. Cruzan, M. B., et al. Small unmanned vehicles (micro-UAVs, drones) in plant ecology. Applications in Plant Sciences. 4 (9), 1600041(2016).
  37. Booth, D. T., Cox, S. E. Image-based monitoring to measure ecological change in rangeland. Frontiers in Ecology and the Environment. 6, 185-190 (2008).
  38. Crimmins, M. A., Crimmins, T. M. Monitoring plant phenology using digital repeat photography. Environmental Management. 41, 949-958 (2008).
  39. Kermorvant, C., et al. Optimization of a survey using spatially balanced sampling: a single-year application of clam monitoring in the Arcachon Bay (SW France). Aquatic Living Resources. 30, 37-48 (2017).
  40. Brus, D. J. Balanced sampling: a versatile approach for statistical soil surveys. Geoderma. 253, 111-121 (2015).
  41. Foster, S. D., Hosack, G. R., Hill, N. A., Barnett, N. S., Lucieer, V. L. Choosing between strategies for designing surveys: autonomous underwater vehicles. Methods in Ecology and Evolution. 5, 287-297 (2014).

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

本文已发表

视频即将推出

联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。