Gweld y Goedwig a'r Dail: Sut y Gallai UAVs Newid Mapio Ecolegol

Y Cyfaddawd Rhwng Cydraniad ac Ehangder

Mae mapio ecolegol wastad wedi golygu cyfaddawd rhwng cydraniad ac ehangder (resolution and extent). Ar un pen, gall arolwg maes gyflawni cydraniad biolegol eithriadol. Gall ecolegydd medrus sy'n gweithio ar raddfa cwadrat neu drawslun adnabod planhigion isdyfiant bach, cofnodi gwahaniaethau manwl mewn cyfansoddiad rhywogaethau, adnabod nodweddion diagnostig, a chipio tystiolaeth o anifeiliaid, infertebratau, clefydau, aflonyddwch, a chyflwr safle efallai na fydd yn weladwy o'r awyr. Gall y manylder fod yn eithriadol. Y cyfyngiad yw cynrychiolaeth ofodol. Mae arolygon cwadrat, asesiadau cerdded, a thrawsluniau o reidrwydd yn ddetholus. Maent yn samplu safle yn hytrach na'i ddisgrifio'n gynhwysfawr. Nid yw hynny'n wendid ynddo'i hun; dyna sut mae'n rhaid i'r rhan fwyaf o arolygon ecolegol weithio. Ond wrth i'r ardal o ddiddordeb dyfu, neu wrth i'r llystyfiant ddod yn fwy cymysg ac amrywiol, mae'r bwlch rhwng yr hyn sydd wedi'i arsylwi'n uniongyrchol a'r hyn a ddyfalir ar draws y safle ehangach yn dod yn gynyddol bwysig.

Mae mapio cynefinoedd eang yn rheoli'r cyfaddawd hwn drwy symleiddio amrywiadau ecolegol i ddosbarthiadau y gellir eu dehongli. Mae systemau fel NVC, Cam 1 (Phase 1), a UKHab yn ddefnyddiol yn union oherwydd eu bod yn lleihau cymhlethdod i strwythur y gellir ei arolygu, ei fapio a'i gyfleu. Ar gyfer llawer o ddibenion, mae hynny'n briodol. Ond mae llawer o gwestiynau ecolegol a rheoli lle nad yw polygonau cynefinoedd eang yn ddigon. Lle yn union y mae rhywogaeth oresgynnol yn lledaenu? Sut mae cyfansoddiad rhywogaethau yn amrywio ar draws safle adfer? Pa rannau o floc coetir sy'n cael eu dominyddu gan wahanol rywogaethau canopi? Ble mae'r clytiau bach, cymysg, neu gam-gynnar sy'n hawdd eu methu ond yn bwysig i'w rheoli?

Ar lefel rhywogaeth, yn enwedig mewn safleoedd cymysg dros ardaloedd eang, mae dulliau traddodiadol yn dechrau straenio. Gall tîm maes gofnodi cyfansoddiad rhywogaethau gyda hyder uchel yn y lleoedd y maent yn eu harolygu. Yr hyn na allant ei wneud yn realistig yw mapio pob planhigyn, clwt, neu drawsnewidiad cyfansoddiadol unigol ar draws degau neu gannoedd o hectarau o lystyfiant trwchus, amrywiol. Dyma felltith cydraniad ecolegol: po fwyaf o fanylder y gallwn ei arsylwi mewn un lle, yr anoddach y daw hi i gynrychioli'r manylder hwnnw'n barhaus ar draws gofod.

Dod o Hyd i'r Tir Canol

Mae synhwyro o bell (remote sensing) yn mynd i'r afael ag ochr arall y broblem. Mae delweddaeth lloeren yn darparu darpariaeth eang, ailadroddadwy ac mae wedi dod yn hanfodol ar gyfer monitro gorchudd tir, cynhyrchiant llystyfiant, aflonyddwch, a newid tirwedd. Ond yn aml mae data lloeren yn rhy fras, yn ofodol neu'n sbectrol, ar gyfer gwahaniaethu ecolegol manwl. Efallai y bydd yn dangos bod llystyfiant yn bresennol, neu fod cyflwr y cynefin eang wedi newid, heb ddatrys y patrymau lefel rhywogaeth sy'n gyrru llawer o benderfyniadau rheoli. Mae cerbydau awyr di-griw (UAVs / dronau) yn eistedd rhwng y ddwy raddfa hyn. Ni allant ddisodli ecoleg faes, ac nid oes ganddynt gyrhaeddiad synoptig lloerennau, ond gallant fapio safleoedd ar gydraniad graddfa gentimetr, ar adegau penodol o'r tymor, ac mewn ffordd y gellir ei hailadrodd. Mae hyn yn eu gwneud yn arbennig o ddefnyddiol ar gyfer cwestiynau ecolegol sy'n rhy fanylion yn ofodol ar gyfer monitro lloeren ond yn rhy eang i gynnal arolwg daear cynhwysfawr.

Delweddaeth RGB yn aml yw'r man cychwyn ar gyfer mapio UAV, ac ar gyfer llawer o ddibenion mae eisoes yn ddefnyddiol. Gall ffotograffiaeth drôn cydraniad uchel gefnogi mapio ffiniau cynefinoedd, canfod bylchau canopi, asesu prysgwydd, monitro erydiad, olrhain adferiad, a dehongliad gweledol o strwythur safle. Gall hefyd ddarparu cofnod gofodol parhaol, gan ganiatáu i arolygwyr a rheolwyr tir ailedrych ar safle'n rhithwir a chymharu newid dros amser.

Pam Mae Cydraniad Sbectrol yn Bwysig

Y defnydd mwy uchelgeisiol yw mapio sy'n ymwybodol o rywogaethau. Dyma lle mae'r cyfyngiadau'n dod yn fwy amlwg. Nid yw llawer o fapio ecolegol yn gwestiwn o wahaniaethu rhwng llystyfiant a diffyg llystyfiant, ond o wahaniaethu rhwng un rhywogaeth planhigyn neu gymuned ac un arall o fewn matrics parhaus o fiomas gwyrdd. Gall rhywogaethau orgyffwrdd, ymdoddi, neu ddigwydd mewn clytiau bach cymysg. Gall eu nodweddion gweledol newid yn ôl ffenoleg, lleithder, pori, cysgodi, neu straen lleol. Mewn llawer o achosion, nid yw'r signal perthnasol yn un gweledol yn bennaf o gwbl.

Mae dewis synhwyrydd yn bwysig nid yn unig oherwydd bod rhai tonfeddi y tu allan i weledigaeth ddynol, ond oherwydd bod gwahanol synwyryddion yn rhannu'r sbectrwm mewn gwahanol ffyrdd. Mae camera RGB safonol yn cofnodi golau mewn tri band eang. Mae'r bandiau hynny'n ddefnyddiol, ond maent yn cywasgu llawer iawn o amrywiadau sbectrol i nifer bach o sianeli llydan. Felly gall dwy rywogaeth ymddangos yn debyg mewn delweddaeth RGB hyd yn oed os yw eu cromliniau adlewyrchiad yn wahanol mewn ffyrdd a fyddai'n glir gyda samplu sbectrol manylach.

Mae synwyryddion amlsbectrol (multispectral) yn gwella ar hyn drwy fesur bandiau culach, a ddewiswyd yn fwriadol, sy'n aml yn cynnwys rhanbarthau is-goch agos (near-infrared) neu ymyl-goch (red-edge) lle gall llystyfiant ddangos gwahaniaethau diagnostig cryf. Mae synwyryddion gorsbectrol (hyperspectral) yn mynd ymhellach eto, gan gofnodi llawer o fandiau cyfagos cul a'i gwneud yn bosibl canfod copaon, cafnau, llethrau, a nodweddion amsugno mwy cynnil yn y signal adlewyrchiad. Ar gyfer mapio ecolegol ar lefel rhywogaeth, mae lled sbectrol yn aml yr un mor bwysig â'r ystod tonfedd benodol sy'n cael ei mesur. Yr anhawster yw bod data sbectrol cyfoethocach fel arfer yn dod gyda chost a chymhlethdod uwch. Gall arolygon UAV gorsbectrol fod yn bwerus, ond nid yw eto'n offeryn ecolegol bob dydd. Mae synwyryddion yn ddrud, mae arolygon angen graddnodi gofalus, mae llifoedd gwaith yn dechnegol heriol, a gall y setiau data canlyniadol fod yn fawr ac yn anodd eu prosesu. Ar gyfer prosiectau ymchwil neu gymwysiadau gwerth uchel, mae'r gallu'n werthfawr. Ar gyfer monitro arferol, rheoli rhywogaethau goresgynnol, asesu coetiroedd, neu olrhain adferiad, gall y rhwystrau ymarferol fod yn sylweddol.

Yr Her Dysgu Peirianyddol

Y sefyllfa ddiweddaraf felly nid yw'n syml “dronau gwell” neu “mwy o AI”. Dyma'r datblygiad o lifoedd gwaith sy'n cyfuno delweddaeth UAV, graddnodi, data maes, a dulliau dosbarthu mewn ffordd sy'n ecolegol ystyrlon ac yn weithredol ymarferol.

Mae gan ddysgu peirianyddol (machine learning) rôl bwysig yn hyn. Gall dulliau gwrthrych-seiliedig ddosbarthu llystyfiant gan ddefnyddio nid yn unig gwerthoedd picsel, ond hefyd siâp y clwt, gwead, maint, a chyd-destun gofodol. Mae dulliau dysgu peirianyddol clasurol fel coedwigoedd hap (random forests) a pheiriannau fector cefnogol (support vector machines) yn parhau i fod yn ddefnyddiol, yn enwedig lle mae setiau data hyfforddi yn gyfyngedig neu lle mae gallu i ddehongli yn bwysig. Gall modelau dysgu dwfn (deep learning) adnabod patrymau gweledol a gofodol mwy cymhleth, yn enwedig pan fydd setiau data mawr wedi'u labelu ar gael. Ond mae mapio ecolegol yn brawf anodd ar gyfer y dulliau hyn. Gall model sy'n perfformio'n dda mewn cae amaethyddol unffurf neu ar goronau coed ynysig gael trafferth mewn gwlyptir llawn rhywogaethau, coridor glan afon, ymyl planhigfa, neu isdyfiant cymysg. Mae ffiniau'n aml yn raddol yn hytrach na miniog. Mae rhywogaethau'n digwydd mewn cymysgeddau yn hytrach na safleoedd pur. Gall yr un rhywogaeth ymddangos yn wahanol ar draws safle. Efallai na fydd model a hyfforddwyd mewn un tymor, rhanbarth, gosodiad synhwyrydd, neu strwythur llystyfiant yn trosglwyddo'n lân i un arall.

Mae hyn yn fwy nag anghyfleustra technegol, oherwydd nid y patrymau sydd hawsaf eu mapio sydd bob amser y patrymau sydd bwysicaf. Efallai y bydd safle mawr, trwchus o blanhigyn goresgynnol yn gymharol hawdd i'w adnabod unwaith y bydd yn weladwy yn y maes neu o ddelweddaeth. Yr her fwy yw'n aml ar yr ymylon: unigolion gwasgaredig, clytiau blêr, neu ddatblygiadau cynnar o fewn llystyfiant cymysg. Dyma'n union yr achosion lle gall gwybodaeth ofodol well fod yn fwyaf defnyddiol, oherwydd gall gulhau'r ardal chwilio, blaenoriaethu gwiriadau maes, a chefnogi ymyrraeth tra bod y broblem yn dal i fod yn lleol.

O Ddosbarthiad i Benderfyniadau Ecolegol

Mae'r un egwyddor yn berthnasol mewn lleoliadau coetir ac adfer. Gellir mapio gorchudd eang neu wyrddni ymddangosiadol yn gymharol hawdd, ond mae llawer o benderfyniadau ecolegol yn dibynnu ar gyfansoddiad, strwythur, a ph'un a yw newid yn symud i'r cyfeiriad a ddymunir. Yn y lleoliadau hyn, gwerth mapio UAV yw gwella cynrychiolaeth ofodol. Gall droi arsylwadau maes o bwyntiau ynysig, cwadratau, neu drawsluniau yn ddamcaniaethau wedi'u mapio ar draws safle cyfan. Gall ddangos lle mae cyfansoddiad yn ymddangos yn gyson, lle mae'n newid, lle mae ansicrwydd yn uchel, a ble y dylid targedu dilysiad maes. Nid y canlyniad yw eilydd ar gyfer arbenigedd ecolegol, ond fframwaith gofodol gwell ar gyfer ei gymhwyso.

Mae'r gwahaniaeth hwnnw'n bwysig. Nid map dosbarthu sy'n drawiadol yn dechnegol er mwyn y peth ei hun yw'r allbwn defnyddiol o fapio UAV. Mae'n fap sy'n newid yr hyn y gellir ei wneud: arolwg rhywogaethau goresgynnol fwy targededig, asesiad adfer mwy gofodol glir, dealltwriaeth well o gyfansoddiad coetir, neu ddarlun cliriach o ble mae newid ecolegol yn digwydd ar draws safle.

Gwneud Mapio Graddfa-Fanwl yn Ymarferol

Dyma'r gofod rydym yn gweithio ynddo yn Spectral Ecology. Ein diddordeb ni yw gwneud mapio ecolegol graddfa-fanwl yn fwy ymarferol, yn enwedig lle mae arolwg gorsbectrol llawn yn rhy ddrud neu'n gymhleth i'w ddefnyddio'n rheolaidd. Yn hytrach na thrin delweddaeth drôn fel ffotograff i'w ddehongli'n weledol, rydym yn datblygu llifoedd gwaith sy'n tynnu mwy o wybodaeth ecolegol o synwyryddion RGB ac amlsbectrol ymarferol.

Un llwybr yw dosbarthiad hybrid. Mae rhan gyntaf y llif gwaith yn defnyddio dadansoddiad gwrthrych-seiliedig i ddisgrifio strwythur llystyfiant a chyd-destun gofodol: siâp clytiau, gwead canopi, agosatrwydd, a'r berthynas rhwng gwrthrychau llystyfiant cyfagos. Mae'r ail ran yn defnyddio gwybodaeth sbectrol, wedi'i chefnogi gan ddata graddnodi maes, i wella'r gwahaniaethu rhwng rhywogaethau neu fathau o lystyfiant a all ymddangos yn debyg yn weledol. Y nod nid yw honni bod synwyryddion cost isel yn dod yn offerynnau gorsbectrol go iawn. Nid ydyn nhw. Yn hytrach, y nod yw modelu nodweddion sbectrol ychwanegol o ddata RGB ac amlsbectrol wedi'u graddnodi, a defnyddio'r nodweddion hynny ochr yn ochr â strwythur a chyd-destun. Yn ymarferol, gall hyn helpu i bontio'r bwlch rhwng arolygon UAV fforddiadwy a'r wybodaeth sbectrol gyfoethocach sydd fel arfer yn gysylltiedig â systemau mwy arbenigol.

Mae hyn yn bwysig oherwydd mae hygyrchedd yn rhan o'r her dechnegol. Os yw mapio ecolegol graddfa-fanwl yn dibynnu'n gyfan gwbl ar synwyryddion drud, llifoedd gwaith arbenigol, a gorbenion prosesu data mawr, bydd yn parhau i fod yn gyfyngedig i nifer cymharol fach o brosiectau. Y cyfle yw dod â rhai o fanteision dadansoddi sbectrol dimensiwn uwch i lifoedd gwaith sy'n realistig ar gyfer monitro ecolegol rheolaidd, rheoli tir, ac asesu adferiad.

Mapiau Defnyddiol, Nid Dim Ond Delweddau Gwell

Nid oes dim o hyn yn dileu'r cyfyngiadau ymarferol. P'un ai yw'n hedfan gosodiad ysgafnach neu reoli llwythi tâl amlsbectrol trymach ffrâm awyr fwy, mae arolygon UAV yn sensitif i'r tywydd, caniatâd, cynllunio hediadau, goleuo, graddnodi synhwyrydd, a thrin data. Mae modelau dosbarthu dim ond mor ddefnyddiol â'u data hyfforddi a'u dyluniad dilysu. Gall amseriad tymhorol bennu p'un a yw rhywogaeth i'w chanfod o gwbl, ac efallai na fydd model sy'n gweithio'n dda ar un safle yn trosglwyddo'n lân i un arall. Nid yw'r cyfyngiadau hyn yn ymylol; maent yn penderfynu a yw llif gwaith synhwyro o bell yn cynhyrchu tystiolaeth ecolegol neu'n syml yn fap sy'n edrych yn argyhoeddiadol.

Ond mae'r cyfeiriad teithio yn glir. Mae mapio ecolegol yn symud tuag at ddull haenog: arolwg maes ar gyfer cydraniad biolegol, lloerennau ar gyfer cyd-destun tirwedd, UAVs ar gyfer sylw gofodol graddfa-fanwl, a dysgu peirianyddol i gysylltu arsylwadau ar draws gofod. Addewid UAVs nid yw eu bod yn gwneud ecoleg yn awtomatig. Addewid UAVs yw eu bod yn helpu i oresgyn y cyfaddawd hirsefydlog rhwng manylder ac ehangder.

Os gellir lleihau'r cyfaddawd hwnnw, mae mapio ecolegol yn dod yn fwy na set o arsylwadau a samplwyd neu ddosbarthiadau cynefin eang. Daw'n ffordd i gynrychioli systemau byw cymhleth ar raddfeydd sy'n berthnasol i reolaeth. Dyna lle mae gan UAVs y potensial i newid y maes: nid yn unig drwy weld o'r awyr, ond drwy ein helpu i fapio manylion ecolegol yn barhaus, yn ailadroddadwy, ac ar ffurfiau a all arwain penderfyniadau ar y llawr.d.