Время прочтения: 5 минут
Фото: Clay Banks на Unsplash
Беспилотники становятся все меньше и дешевле, и на них можно установить широкий спектр датчиков для сбора данных. Они автоматизируют любую задачу: от подсчета особей до мониторинга целых сообществ, и экологические лаборатории понимают, что с дронами привычную работу можно сделать быстрее.
Мы выбрали пять необычных примеров использования дронов в экологии из специальных выпусков журнала Drones "Ecological Applications of Drone-Based Remote Sensing" в 2022 и 2023. Посмотрим, какие применения дронов в экологии нам предлагают последние исследования.
Мониторинг миниатюрных стрекоз
Исследование: A New Method for Surveying the World’s Smallest Class of Dragonfly in Wetlands Using Unoccupied Aerial Vehicles, H. Niwa, T. Hirata
Полевые исследования на водно-болотных угодьях часто сложны из-за доступа к объектам и риска нарушения экосистем. Дроны позволяют преодолеть эти сложности даже при мониторинге мелких растений и насекомых. На водно-болотном угодье у Киото, Япония, исследователи использовали DJI Mavic 3 для мониторинга стрекоз Nannophya pygmaea длиной всего около 20 мм. Из-за своего размера эти редкие стрекозы трудно поддаются количественному учету, особенно на больших территориях.
Дрон летал на низкой скорости на высоте 4-5 м, а снимки были сделаны с помощью семикратного телеобъектива. По фотографиям было четко идентифицировано 107 стрекоз семи видов, в том числе 100 стрекоз N. pygmaea.
С дронами можно изучить крошечных стрекоз – это неинвазивно и легко даже на крупных объектах.
Влияние дронов на пение птиц
Исследование: Species-Specific Responses of Bird Song Output in the Presence of Drones, A. M. Wilson et al.
БПЛА удобны при сборе данных о птицах, но есть проблема – шум от дронов. Чтобы оценить его влияние, исследователи из Пенсильвании, США, отследили вокализацию семи видов певчих птиц до, во время и после трехминутного полета беспилотника. Реакция наблюдалась у двух видов из семи. Число песен пеночки Setophaga petechia заметно снизилось во время трехминутного зависания дрона. А вот у кардиналов Cardinalis cardinalis вокализация возросла во время и после полета дрона, однако это было не пение, а контактные или тревожные позывы.
Реакция певчих птиц на беспилотники зависит от вида – это важно учитывать в исследовании птиц, а еще по возможности стоит использовать наиболее тихий аппарат и снизить шумовое воздействие на птиц.
Как измерить высоту растения сверху
Исследование: Measuring Height Characteristics of Sagebrush (Artemisia sp.) Using Imagery Derived from Small Unmanned Aerial Systems (sUAS), R. G. Howell et al.
Дроны использовались для определение высоты и структуры популяций кустарников в полынных степях, в местах обитания шалфейного тетерева Centrocercus urophasianus. Для этих целей точность фотограмметрии сравнима с LiDAR без затрат на дорогостоящий датчик.
После съемки с DJI Mavic Pro 2 авторы создали цифровую модель поверхности, из которой вывели высоту растений, а затем провели оценку точности с использованием наземных измерений. Средняя точность высоты кустарников составила около 10 см и незначительно изменялась между полетами на разных высотах. Авторы пишут, что в схожих условиях можно проводить полеты на максимально возможной высоте, чтобы сократить время сбора и обработки данных и ресурсы на хранение.
Мониторинг редких растений
Исследование: Efficient Drone-Based Rare Plant Monitoring Using a Species Distribution Model and AI-Based Object Detection, W. Reckling et al.
Мониторинг редких видов растений нужен для подтверждения их присутствия и для оценки состояния популяции. Дроны могут собирать данные для мониторинга, но как эффективно спланировать полет?
В этом исследовании использовался метод машинного обучения Maxent для определения зон полета при мониторинге гравилата Geum radiatum, исчезающего вида и эндемика гор в Северной Каролине. Зоны полета были получены в виде изолиний высокой вероятности нахождения вида.
Визуальный анализ снимков с БПЛА подтвердил 33 местонахождения растений и обнаружил четыре новых локалитета (хотя для этого понадобилась дополнительная идентификация – ни одно растение не было идентифицировано по снимкам с дронов). Исследование предлагает новый подход к планированию полетов, чтобы повысить эффективность сбора и обработки данных БПЛА. Высокая вероятность присутствия растений в зоне полета экономит время и ресурсы.
Нейросеть, определяющая лишайники
Исследование: Leveraging AI to Estimate Caribou Lichen in UAV Orthomosaics from Ground Photo Datasets
Традиционные методы картирования лишайников в значительной степени полагаются на фотографии с земли, но из-за ограниченного спектрального диапазона по фото сложно отличить лишайники от похожих объектов. Применяя нейронную сеть к плиткам ортофотомозаики БПЛА, кроме цвета можно использовать текстуру поверхности и пространственные паттерны.
Авторы использовали нейронную сеть UAV LiCNN, обученную на наземных фотомозаиках, для прогноза по снимкам с БПЛА. UAV LiCNN смогла классифицировать процент лишайникового покрова на ортофотомозаиках с высокой точностью (86%-93%). К ограничениям методики относятся возможные ошибки при классификации, а также темные тени деревьев, закрывающие пятна лишайников.
