Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

Beelden van onbemande luchtvaartuigen op grondniveau in combinatie met ruimtelijk uitgebalanceerde bemonstering en routeoptimalisatie om de vegetatie van het weidegebied te monitoren

1.6K weergaven

⸱

DOI:

10.3791/61052

⸱

14 juni 2020

 ,  ,  ,  ,  ,  , 
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

In dit artikel

Samenvatting

Het protocol dat in dit artikel wordt gepresenteerd, maakt gebruik van route-optimalisatie, gebalanceerde acceptatiebemonstering en beelden van grond- en onbemande vliegtuigsystemen (UAS) om de vegetatie in weidelandecosystemen efficiënt te monitoren. Resultaten van beelden verkregen uit grond- en UAS-methoden worden vergeleken.

Samenvatting

Rangeland-ecosystemen beslaan wereldwijd 3.6 miljard hectare, waarvan 239 miljoen hectare in de Verenigde Staten. Deze ecosystemen zijn van cruciaal belang voor het behoud van wereldwijde ecosysteemdiensten. Het monitoren van de vegetatie in deze ecosystemen is nodig om de gezondheid van weidegronden te beoordelen, om de geschiktheid van habitats voor dieren in het wild en gedomesticeerd vee te meten, om invasief onkruid te bestrijden en om tijdelijke veranderingen in het milieu op te helderen. Hoewel weidelandecosystemen uitgestrekte gebieden beslaan, zijn traditionele monitoringtechnieken vaak tijdrovend en kosteninefficiënt, onderhevig aan een hoge waarnemersbias en ontbreekt het vaak aan adequate ruimtelijke informatie. Beeldgebaseerde vegetatiemonitoring is sneller, produceert permanente records (d.w.z. beelden), kan resulteren in verminderde vooringenomenheid van de waarnemer en bevat inherent adequate ruimtelijke informatie. Ruimtelijk uitgebalanceerde steekproefontwerpen zijn nuttig bij het monitoren van natuurlijke hulpbronnen. Er wordt een protocol gepresenteerd voor het implementeren van een ruimtelijk gebalanceerd bemonsteringsontwerp dat bekend staat als gebalanceerde acceptatiebemonstering (BAS), met beelden verkregen van camera's op grondniveau en onbemande luchtvaartuigen (UAS). Een algoritme voor routeoptimalisatie wordt gebruikt om het 'probleem van reizende verkopers' (TSP) op te lossen om de tijd- en kostenefficiëntie te verhogen. Hoewel UAS-beelden 2-3x sneller kunnen worden verkregen dan afbeeldingen uit de hand, lijken beide soorten afbeeldingen op elkaar in termen van nauwkeurigheid en precisie. Ten slotte worden de voor- en nadelen van elke methode besproken en worden voorbeelden gegeven van mogelijke toepassingen van deze methoden in andere ecosystemen.

Inleiding

Weidelandecosystemen omvatten uitgestrekte gebieden, die 239 miljoen ha beslaan in de Verenigde Staten en 3,6 miljard ha wereldwijd. Weidegronden bieden een breed scala aan ecosysteemdiensten en het beheer van weidegronden omvat meervoudig landgebruik. In het westen van de VS bieden weidegronden een leefgebied voor dieren in het wild, wateropslag, koolstofvastlegging en voer voor gedomesticeerd vee2. Weidegronden zijn onderhevig aan verschillende verstoringen, waaronder invasieve soorten, bosbranden, ontwikkeling van infrastructuur en winning van natuurlijke hulpbronnen (bijv. olie, gas en steenkool)3. Vegetatiemonitoring is van cruciaal belang voor het behoud van het beheer van hulpbronnen in weidegronden en andere ecosystemen over de hele wereld 4,5,6. Vegetatiemonitoring in weidegronden wordt vaak gebruikt om de gezondheid van weidegronden en de geschiktheid van habitats voor diersoorten te beoordelen en om veranderingen in landschappen als gevolg van invasieve soorten, bosbranden en winning van natuurlijke hulpbronnen te catalogiseren 7,8,9,10. Hoewel de doelen van specifieke monitoringprogramma's kunnen variëren, zijn monitoringprogramma's gewenst die passen bij de behoeften van meerdere belanghebbenden en tegelijkertijd statistisch betrouwbaar, herhaalbaar en economisch zijn 5,7,11. Hoewel landbeheerders het belang van monitoring erkennen, wordt het vaak gezien als onwetenschappelijk, oneconomisch en belastend5.

Traditioneel wordt het monitoren van weidegronden uitgevoerd met een verscheidenheid aan methoden, waaronder oculaire of visuele schatting10, Daubenmire-frames12, plotkartering13 en onderschepping van lijnpunten langs vegetatietransecten14. Hoewel oculaire of visuele schatting tijdbesparend is, is deze onderhevig aan een hoge waarnemersbias15. Andere traditionele methoden, hoewel ze ook onderhevig zijn aan een hoge waarnemersbias, zijn vaak inefficiënt vanwege hun tijd- en kostenvereisten 6,15,16,17. De tijd die nodig is om veel van deze traditionele methoden te implementeren is vaak te omslachtig, waardoor het moeilijk is om statistisch geldige steekproefgroottes te verkrijgen, wat resulteert in onbetrouwbare populatieschattingen. Deze methoden worden vaak toegepast op basis van gemak in plaats van stochastisch, waarbij waarnemers kiezen waar ze gegevens verzamelen. Bovendien verschillen de gerapporteerde en werkelijke steekproeflocaties vaak, wat verwarring veroorzaakt bij landbeheerders en andere belanghebbenden die afhankelijk zijn van vegetatiemonitoringgegevens18. Recent onderzoek heeft aangetoond dat op beelden gebaseerde vegetatiemonitoring tijd- en kosteneffectief is 6,19,20. Het vergroten van de hoeveelheid gegevens die in korte tijd binnen een bepaald gebied kan worden bemonsterd, zou de statistische betrouwbaarheid van de gegevens moeten verbeteren in vergelijking met meer tijdrovende traditionele technieken. Afbeeldingen zijn permanente records die door meerdere waarnemers kunnen worden geanalyseerd nadat veldgegevens zijn verzameld6. Bovendien zijn veel camera's uitgerust met Global Positioning Systems (GPS), zodat afbeeldingen kunnen worden gegeotagd met een verzamellocatie18,20. Het gebruik van door de computer gegenereerde bemonsteringspunten, nauwkeurig gelokaliseerd in het veld, zou de vooringenomenheid van de waarnemer moeten verminderen, of het beeld nu wordt verkregen met een handcamera of door een onbemand luchtsysteem, omdat het de neiging van een individuele waarnemer vermindert om zijn mening te geven over waar steekproeflocaties moeten worden geplaatst.

Afgezien van het feit dat het tijdrovend en kostbaar is en onderhevig is aan een hoge waarnemersbias, slaagt de traditionele monitoring van natuurlijke hulpbronnen er vaak niet in om heterogene weidegronden adequaat te karakteriseren vanwege de lage steekproefomvang en geconcentreerde bemonsteringslocaties21. Ruimtelijk uitgebalanceerde steekproefontwerpen verdelen de steekproeflocaties gelijkmatiger over een interessegebied om natuurlijke hulpbronnen beter te karakteriseren 21,22,23,24. Deze ontwerpen kunnen de steekproefkosten verlagen, omdat kleinere steekproeven nodig zijn om statistische nauwkeurigheid te bereiken in vergelijking met eenvoudige willekeurige steekproeven25.

In deze methode wordt een ruimtelijk uitgebalanceerd bemonsteringsontwerp, bekend als gebalanceerde acceptatiebemonstering (BAS)22,24, gecombineerd met beeldgebaseerde monitoring om de vegetatie van weidegronden te beoordelen. BAS-punten zijn optimaal gespreid over het interessegebied26. Dit garandeert echter niet dat punten worden besteld in een optimale route voor bezoek20. Daarom worden BAS-punten gerangschikt met behulp van een route-optimalisatie-algoritme dat het probleem van de reizende verkopers (TSP)27 oplost. Het bezoeken van de punten in deze volgorde bepaalt een optimaal pad (d.w.z. de minste afstand) dat de punten met elkaar verbindt. BAS-punten worden overgebracht naar een softwareprogramma voor een geografisch informatiesysteem (GIS) en vervolgens naar een draagbare gegevensverzamelingseenheid die is uitgerust met GPS. Nadat BAS-punten zijn gelokaliseerd, worden foto's gemaakt met een camera met GPS en een onbemand luchtsysteem dat wordt bediend met behulp van vluchtsoftware. Bij het betreden van het veld loopt een technicus naar elk punt om 1 m2 op een monopod gemonteerde camerabeelden te verkrijgen met een grondmonsterafstand (GSD) van 0,3 mm op elk BAS-punt, terwijl een UAS naar dezelfde punten vliegt en 2,4 mm-GSD-beelden verkrijgt. Vervolgens worden gegevens over de vegetatiebedekking gegenereerd met behulp van 'SamplePoint'28 om 36 punten/afbeelding handmatig te classificeren. Gegevens over vegetatiebedekking die zijn gegenereerd uit de analyse van beelden op grondniveau en UAS-beelden worden vergeleken, evenals de gerapporteerde acquisitietijden voor elke methode. In de representatieve studie werden twee aangrenzende percelen van 10 hectare gebruikt. Ten slotte wordt ingegaan op andere toepassingen van deze methode en hoe deze kan worden aangepast voor toekomstige projecten of projecten in andere ecosystemen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

1. Het bepalen van het gebied van studie, het genereren van steekproefpunten en reispad, en gebiedsvoorbereiding

  1. Afbakening van het studiegebied
    1. Gebruik een GIS-softwareprogramma om een veelhoekige afbeelding (en) rond het (de) interesse(n) gebied te tekenen. Deze studie werd uitgevoerd op twee percelen van 10 hectare binnen een weidegrond in Laramie County, WY, VS (Figuur 1).
    2. Zorg ervoor dat de gebieden die niet bedoeld zijn om binnen het monsterkader te liggen, worden uitgesloten van de veelhoek (bijv. waterlichamen, bouwconstructies, wegen, enz.). Dit zorgt ervoor dat er later geen foto's van deze gebieden worden gemaakt.
    3. Converteer de polygoonafbeelding naar een shapefile-functie (.shp) in het GIS-softwareprogramma en zorg ervoor dat de shapefile wordt gemaakt in het gewenste coördinatensysteem.

figure-protocol-1
Figuur 1: Een weergave van de studiegebieden. Deze locatie ligt op een weidegrond ten zuiden van Cheyenne in Laramie County, WY, VS (Bron afbeelding: Wyoming NAIP Imagery 2017). Klik hier om een grotere versie van deze figuur te bekijken.

  1. Genereren van de BAS-punten en optimaliseren van het reispad
    OPMERKING: De code is bijgevoegd als 'Supplemental_Code.docx'.
    1. Gebruik het R-pakket 'rgdal'29 om de GIS-polygoon om te zetten naar een Program R-leesbaar bestand.
    2. Gebruik het R-pakket 'SDraw'30 om het gewenste aantal BAS-punten te genereren. Deze studie gebruikte 30 BAS-punten per studiegebied, hoewel toekomstig onderzoek moet worden uitgevoerd om de optimale bemonsteringsintensiteit te bepalen voor gebieden van verschillende grootte en vegetatiesamenstelling.
    3. Gebruik het R Package 'TSP'27 om de BAS punten te bestellen. Door de punten in deze volgorde te bezoeken, wordt de tijd die nodig is om monsters te nemen bij de BAS-punten geminimaliseerd.
  2. Voorbereiding op het verwerven van beelden uit de hand
    1. Gebruik het R-pakket 'rgdal' om de punten uit stap 1.2.1 terug te zetten naar het GIS-programma.
    2. Bewerk de kenmerktabel van de shapefile zodat het veld Punt-ID de geoptimaliseerde padvolgorde nauwkeurig weergeeft.
    3. Breng de GIS-polygoon en het puntbestand over naar de GIS-software die op een handheld-eenheid draait.
    4. Zorg ervoor dat het juiste geprojecteerde coördinatensysteem voor het interessegebied aanwezig is.
  3. Voorbereiding op het verwerven van UAS-beelden
    1. Gebruik het R-pakket 'rgdal' om de punten uit stap 1.2.1 terug te zetten naar het GIS-softwareprogramma.
    2. Gebruik in het GIS-softwareprogramma de tool XY-coördinaten toevoegen om lengte- en breedtegraadvelden in de attribuuttabel waypoint te maken en in te vullen.
    3. Exporteer de tabel met waypointkenmerken met de kolommen Breedtegraad, Lengtegraad en TSP naar de bestandsindeling *.csv.
    4. Open het *.csv-bestand in een geschikt softwarepakket.
    5. Sorteer waypoints op TSP-ID.
    6. Open de Mission Hub-app.
    7. Maak een willekeurig waypoint in Mission Hub.
    8. Exporteer een willekeurig waypoint als *.csv bestand.
    9. Open *.csv bestand in een spreadsheetprogramma en verwijder willekeurige kolomkoppen voor het bijhouden van waypoints.
    10. Kopieer TSP-gesorteerde waypoint-coördinatenparen uit stap 1.2.3 naar relevante kolommen in *.csv bestand uit stap 1.4.8.
    11. Importeer *.csv bestand uit stap 1.4.10 in Mission Hub als een nieuwe missie.
    12. Definieer de instellingen.
      1. Vink het vakje aan voor Online Elevation gebruiken .
      2. Geef de padmodus op als rechte lijnen.
      3. Geef Actie voltooien op als RTH om de drone in staat te stellen terug te keren naar huis nadat de missie is voltooid.
    13. Klik op individuele waypoints en voeg acties toe door de volgende parameters op te geven: Blijven: 2 s (om beeldvervaging te voorkomen); Kantel camera: -90° (Nadir); Maak een foto.
    14. Sla de missie op met een toepasselijke naam.
    15. Herhaal het proces voor extra sites.

2. Verzameling en nabewerking van veldgegevens

  1. Registratie van waargenomen of verwachte vegetatie in het studiegebied
    1. Voordat u afbeeldingen verkrijgt, maakt u een lijst van de vegetatie die in het studiegebied is waargenomen. Dit kan worden gedaan op een handgeschreven blad of op een digitaal formulier om later te helpen bij het identificeren van foto's. Het kan nuttig zijn om soorten die waarschijnlijk in het gebied worden verwacht, in de inventaris op te nemen, zelfs als ze niet in het veld worden waargenomen (bijv. soorten in reclamatiezaadmengsels)18.
  2. Beeldacquisitie op de grond
    1. Bevestig een camera op een verticaal monopod en richt de camera ongeveer 60° naar beneden. Het gebied van het beeld kan worden bepaald aan de hand van de lens- en resolutiespecificaties (megapixels) van de camera en het instellen van de monopod op een standaardhoogte. De hoogte van de monopod in combinatie met de cameraspecificaties bepaalt de ground sample distance (GSD). In dit onderzoek werd een 12,1-megapixelcamera gebruikt en de monopod werd op een constante 1,3 m boven de grond geplaatst om Nadir-beelden te verkrijgen op ~ 0,3 mm GSD18.
    2. Kantel de monopod naar voren zodat de cameralens zich in een dieptepunt bevindt en de schuine monopod niet zichtbaar is in het beeld.
    3. Pas de hoogte van de monopod of de zoom op de lens aan om een frameloze plotgrootte van 1 m2 te bereiken (of een andere gewenste plotgrootte). Voor de meest voorkomende camera's met een beeldverhouding van 4:3 levert een plotbreedte van 115 cm een beeldveld van 1 m2 op. Het is niet nodig om een frame op de grond te plaatsen; Het hele beeld is de plot. Als u de zoom op de lens aanpast om dit te bereiken, gebruik dan schilderstape om te voorkomen dat de zoominstelling per ongeluk wordt gewijzigd.
    4. Zet de camera indien mogelijk in de sluiterprioriteitsmodus en stel de sluitertijd in op ten minste 1/125 s om onscherpte in het beeld te voorkomen; sneller als het winderig is.
    5. Zoek het eerste punt in de geoptimaliseerde padvolgorde.
    6. Plaats de monopod op de grond op punt 1 en kantel de monopod totdat de camera in Nadir-richting staat. Zorg ervoor dat de schaduw van de operator niet in het beeld is. Houd de camera stil om bewegingsonscherpte te voorkomen. Verkrijg de afbeelding.
      OPMERKING: Een externe triggerkabel is handig voor deze stap.
    7. Controleer de beeldkwaliteit om ervoor te zorgen dat de gegevens goed worden vastgelegd.
    8. Navigeer naar het volgende punt in de geoptimaliseerde padvolgorde en herhaal de acquisitiestappen.
  3. Acquisitie van UAS-afbeeldingen
    1. Voordat u de UAS lanceert, voert u een korte verkenning van het studiegebied uit om er zeker van te zijn dat er zich geen fysieke obstakels binnen de vliegroute bevinden. Deze verkenningsoefening is ook nuttig om een vrij vlak gebied te lokaliseren van waaruit de UAS kan worden gelanceerd.
    2. Zorg ervoor dat de weersomstandigheden geschikt zijn voor het vliegen met de UAS: een droge, heldere dag (>4,8 km zicht) met voldoende verlichting, minimale wind (<17 knopen) en temperaturen tussen 0 °C–37 °C.
    3. Volg de wettelijke protocollen. In de VS bijvoorbeeld moet het beleid van de Federal Aviation Administration worden gevolgd.
    4. Gebruik Mission Hub-software (Afbeelding 2) en een applicatie voor missie-uitvoering die toegankelijk is via mobiele apparaten (Afbeelding 3).
    5. Verzamel UAS-beelden op elk BAS-punt, zoals beschreven in stap 1.4.
    6. Controleer of alle afbeeldingen zijn verkregen met behulp van het mobiele apparaat voordat u van locatie verandert.

figure-protocol-2
Figuur 2: De gebruikersinterface van Mission Hub. De kaart toont de vliegroute van de drone langs een reeks van 30 BAS-punten op een van de onderzoekslocaties, terwijl het pop-upvenster de parameters voor beeldacquisitie bij elk waypoint toont. Figuur 2 is specifiek voor Site 1, hoewel het qua uiterlijk lijkt op Site 2. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-3
Figuur 3: De waypoint-vluchtmissie in Litchi's missie-executie-applicatie die draait op een Android-smartphone. Unieke waypoint-ID's worden weergegeven in paars en geven de relatieve volgorde weer waarin foto's zijn gemaakt op verschillende punten in het studiegebied. De getallen bij elk waypoint, zoals 7(6), geven de gehele waarden aan van de hoogten boven de grond waarop de foto's zijn gemaakt (eerste getal) en de hoogten boven het thuispunt of de lanceerplaats van de drone (tweede getal). Let op de afstanden tussen de opeenvolgende waypoints die op de kaart zijn gelabeld. Figuur 3 is specifiek voor Site 1, hoewel het qua uiterlijk lijkt op Site 2. Klik hier om een grotere versie van deze figuur te bekijken.

  1. Nabewerking van afbeeldingen op grondniveau.
    OPMERKING: Routebeschrijvingen zijn beschikbaar op www.SamplePoint.org in de tutorial-sectie; Een aanvullend .pdf bestand is bijgevoegd.
    1. Download afbeeldingen naar een computer met een USB-kabel of SD-kaart.
    2. Zorg ervoor dat de foto's op de juiste locaties zijn gemaakt. Er bestaat verschillende software om afbeeldingen in de GIS-software te plaatsen op basis van de metadata in de afbeeldingen met geotags.
    3. Als de afbeeldingen in meerdere studiegebieden zijn verkregen, sla ze dan op in aparte mappen voor beeldanalyse.
  2. Nabewerking van UAS-afbeeldingen
    1. Breng afbeeldingen die zijn opgeslagen op een verwijderbare microSD-kaart over van de UAS naar de computer.
    2. Herhaal stap 2.4.2 en 2.4.3.

3. Beeldanalyse

OPMERKING: Alle stappen zijn te vinden in de sectie 'zelfstudie' op www.SamplePoint.org; Een aanvullend 'tutorial.pdf'-bestand is bijgevoegd.

  1. Klik in SamplePoint op Opties | Wizard Database | Database maken/vullen.
  2. Geef de database een naam op basis van het studiegebied.
  3. Navigeer naar de map met de gewenste voorbeelden van het studiegebied en selecteer de monsters die u wilt classificeren.
  4. Klik op Gereed.
  5. Klik op Opties | Selecteer Database en selecteer het *.xls-bestand dat SamplePoint genereert op basis van de afbeeldingsselectie (dit staat in de afbeelding).
  6. Controleer of het juiste aantal afbeeldingen in de database is geselecteerd wanneer SamplePoint hierom vraagt.
  7. Selecteer het gewenste aantal pixels dat in elke afbeelding moet worden geanalyseerd. Dit kan in een rasterpatroon of willekeurig. Deze studie gebruikte een raster van 6 x 6 om in totaal 36 pixels te selecteren, hoewel meer of minder pixels per afbeelding kunnen worden geclassificeerd, afhankelijk van de gewenste meetprecisie voor classificatie. Uit een recente studie is gebleken dat 20-30 pixels per afbeelding voldoende is voor het bemonsteren van grote gebieden31. De rasteroptie zorgt ervoor dat pixels zich op dezelfde positie bevinden als de afbeelding opnieuw wordt geanalyseerd, terwijl de willekeurige optie willekeurig pixels genereert telkens wanneer een afbeelding opnieuw wordt geladen.
  8. Maak een aangepast knopbestand voor de classificatie van soorten. Deze lijst kan worden gegenereerd op basis van de vegetatielijst die in het veld is opgenomen voorafgaand aan de beeldacquisitie, of kan worden gebaseerd op andere informatie die relevant is voor het studiegebied (bijv. lijst met zaadmengsels op teruggewonnen locaties, of informatie over ecologische beschrijvingen, enz.). Zorg ervoor dat er een knop is gemaakt voor kale grond of aarde en andere mogelijke niet-vegetatie-items die kunnen worden aangetroffen, zoals zwerfvuil of rotsen. Het wordt aanbevolen om een knop Onbekend aan te maken, zodat de analist soorten op een later tijdstip kan classificeren. Het opmerkingenvak in SamplePoint kan worden gebruikt om de pixels te noteren die deze optie hebben gebruikt. Bovendien, als de beeldresolutie niet hoog genoeg is om te classificeren naar soortniveau, is het nuttig om knoppen te maken voor functionele groepen (bijv. Gras, Forb, Struik).
  9. Begin met het analyseren van de afbeeldingen door op de classificatieknop te klikken die de afbeeldingspixel beschrijft waarop het rode dradenkruis is gericht. Herhaal dit totdat SamplePoint vraagt: "Dat zijn alle punten. Klik op de volgende afbeelding." Herhaal dit voor alle afbeeldingen in de database.
    OPMERKING: De zoomfunctie kan worden gebruikt om te helpen bij classificatie.
  10. Wanneer alle afbeeldingen in de database volledig zijn geanalyseerd, zal SamplePoint de melding "U hebt alle afbeeldingen uitgeput" weergegeven. Selecteer nu OK en klik vervolgens op Opties | Maak statistische bestanden.
  11. Ga naar de map met de database en open het *.csv-bestand dat zojuist is gemaakt om ervoor te zorgen dat de gegevens voor alle afbeeldingen worden opgeslagen.

4. Statistische analyse

  1. Chi-kwadraatanalyses om verschillen tussen locaties te bepalen
    1. Omdat op beide locaties hetzelfde aantal afbeeldingen (primaire bemonsteringseenheden) en pixels (secundaire bemonsteringseenheden) wordt verzameld en geanalyseerd, kan de vergelijking tussen de twee locaties worden beschouwd als een product van multinomiaal ontwerp.
    2. Bereken met behulp van het *.csv-bestand dat in stap 3.11 is gemaakt de som van de punten die voor elke classificatiecategorie zijn geclassificeerd.
    3. Voer chi-kwadraatanalyse uit op de puntsommen. Als Site 1 en Site 2 op elkaar lijken, zal op beide sites 18 een ongeveer gelijk aantal pixels zijn dat als elk dekkingstype is geclassificeerd, zichtbaar zijn18.
  2. Regressie om UAS- versus grondbeeldbeelden te vergelijken
    1. Gebruik de *.csv-bestanden die in stap 3.11 zijn gemaakt, kopieer en plak het gemiddelde dekkingspercentage van elke afbeelding en lijn de UAS-afbeeldingsgegevens uit met de afbeeldingsgegevens op grondniveau.
    2. Voer een regressieanalyse uit in een databaseprogramma.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Het verkrijgen van UAS-beelden nam minder dan de helft van de tijd in beslag bij het verzamelen van beelden op de grond, terwijl de analysetijd iets korter was bij beelden op de grond (tabel 1). Beelden op de grond hadden een hogere resolutie, wat waarschijnlijk de reden is dat ze in minder tijd werden geanalyseerd. Verschillen in looptijden tussen locaties waren waarschijnlijk te wijten aan het feit dat het begin- en eindpunt (lanceerplaats) dichter bij locatie 1 lagen ...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Het belang van monitoring van natuurlijke hulpbronnen wordt al lang erkend14. Met de toegenomen aandacht voor wereldwijde milieukwesties wordt het steeds belangrijker om betrouwbare monitoringtechnieken te ontwikkelen die tijd- en kostenefficiënt zijn. Verschillende eerdere studies toonden aan dat beeldanalyse gunstig afsteekt bij traditionele vegetatiemonitoringstechnieken in termen van tijd, kosten en het verstrekken van geldige en verdedigbare statistische gege...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs verklaren geen belangenconflict. De software die in dit onderzoek werd gebruikt, was beschikbaar voor auteurs, hetzij als open-source, hetzij via institutionele vergunningen. Geen enkele auteur wordt gesponsord door software die in dit onderzoek wordt gebruikt en erkent dat er andere softwareprogramma's beschikbaar zijn die in staat zijn om soortgelijk onderzoek te doen.

Dankbetuigingen

Dit onderzoek werd voor het grootste deel gefinancierd door het Wyoming Reclamation and Restoration Center en Jonah Energy, LLC. We danken Warren Resources en Escelara Resources voor het financieren van de Trimble Juno 5-eenheid. We danken Jonah Energy, LLC voor de voortdurende steun om vegetatiemonitoring in Wyoming te financieren. We danken het Wyoming Geographic Information Science Center voor het leveren van de UAS-apparatuur die in dit onderzoek is gebruikt.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
ArcGISESRIGPS Software
DJI Phantom 4 ProDJIUAS
G700SERicohGPS-equipped camera
GeoJot+CoreGeospatial ExpertsGPS SoftwareWordt gebruikt om metadata uit afbeeldingen te extraheren
Juno 5TrimbleHandheld GPS device
Litchi Mission HubLitchiMission Hub SoftwareWe kozen Litchi vanwege de terreinherkenning en het vermogen om robuuste waypoint-missies te plannen
Program RR ProjectStatistische analyse/programmeringssoftware
SamplePointN/ABeeldanalysesoftware

Referenties

  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Trefwoorden

Vegetatiemonitoringgrondniveaubeeldvorminggebalanceerde acceptantiebemonsteringhandelsreizigersprobleemop beelden gebaseerde monitoringecosysteembeoordeling

Dit artikel is gepubliceerd

Video binnenkort beschikbaar

Neem contact met ons op
Aanbevelen aan bibliotheek

Privacy

Gebruiksvoorwaarden

Beleid

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.