Simple Science

Hochmoderne Wissenschaft einfach erklärt

# Biologie # Ökologie

Fernerkundung: Ein neuer Blick auf Vogelhabitate

Technologie nutzen, um Vogelhäuser mit Hilfe von Sensordaten zu schützen.

Rachel J Kuzmich, Ross A Hill, Shelley A Hinsley, Paul E Bellamy, Ailidh E Barnes, Markus Melin, Paul M Treitz

― 7 min Lesedauer


Vögel und Vögel und Fernerkundungsdaten studieren und zu schützen. Technik nutzen, um Vogelhabitaten zu
Inhaltsverzeichnis

Fernsehsensorik ist wie eine Superkraft, die uns erlaubt, die Erde von oben zu betrachten. Wissenschaftler fangen an, diese Fähigkeit zu nutzen, um mehr über die Umwelt zu lernen, besonders wenn es darum geht, wo Vögel gerne abhängen. Diese Technologie hilft dabei, wichtige Daten über Wälder und andere Ökosysteme zu sammeln, was entscheidend ist, um herauszufinden, wie wir unsere gefiederten Freunde und ihre Heimat besser schützen können.

Was ist Fernsehsensorik?

Fernsehsensorik bedeutet, Informationen über ein Gebiet zu sammeln, ohne physisch dort sein zu müssen. Denk dran, das ist wie hochmoderne Fotografie. Drohnen, Satelliten und andere fliegende Maschinen machen Bilder und sammeln Daten über die Erdoberfläche. Diese Bilder kommen in verschiedenen Farben und können genutzt werden, um den Gesundheitszustand von Pflanzen, die Dicke von Bäumen und andere Umweltprobleme zu beurteilen. Es ist ein bisschen so, ALS könnte man sehen, ob das Haus eines Freundes von oben unordentlich oder ordentlich ist!

Wie Fernsehsensorik Ökologen hilft

Ökologen, die lebende Dinge und ihre Umgebungen studieren, fangen an, Daten aus der Fernsehsensorik häufiger zu nutzen. Diese Technologie erlaubt ihnen, grosse Flächen schnell zu überblicken, was besonders wichtig ist, weil Datensammlung zu Fuss mit einem Notizblock langsam und manchmal auch teuer ist. Mit Fernsehsensorik können sie Informationen über Vegetation, Boden, Temperatur und mehr sammeln, was ihnen hilft zu analysieren, wie verschiedene Faktoren die dort lebenden Tiere beeinflussen.

Wenn du zum Beispiel herausfinden möchtest, welche Pflanzenarten in einer Gegend am besten wachsen, könntest du statt zu jedem einzelnen Ort zu gehen, Fernsehsensorik nutzen, um Daten über ein grösseres Gebiet auf einmal zu sammeln. Es ist wie eine magische Karte, die alle besten Stellen zeigt!

Vögel und ihre Lebensräume

Vögel sind ziemlich wählerisch, wo sie leben möchten, und ihre Entscheidungen können uns viel über die Umwelt verraten. Verschiedene Vogelarten bevorzugen unterschiedliche Lebensräume, und das Verständnis dieser Vorlieben ist wichtig für Naturschutzbemühungen. Mit Hilfe von Daten aus der Fernsehsensorik können Wissenschaftler Modelle erstellen, die vorhersagen, wo Vögel am wahrscheinlichsten anzutreffen sind, basierend auf den Umweltmerkmalen ihrer Lebensräume.

Durch das Studium der Beziehung zwischen Fernsehsensordaten und Vogelhabitaten können Forscher Gebiete identifizieren, die für verschiedene Vogelarten wichtig sind. Das ist entscheidend, um informierte Naturschutzentscheidungen zu treffen. Wenn wir vorhersagen können, wo Vögel gedeihen, können wir unsere Naturschutzmassnahmen effektiver fokussieren.

Die Rolle des Normalized Difference Vegetation Index (NDVI)

Ein wichtiges Werkzeug in der Fernsehsensorik ist der Normalized Difference Vegetation Index, oder NDVI. NDVI hilft dabei, die Menge an grüner Vegetation in einem Gebiet zu messen, indem er vergleicht, wie viel Licht in verschiedenen Farben reflektiert wird. Ein hoher NDVI-Wert zeigt eine Menge gesunder grüner Pflanzen an, während ein niedriger Wert sparse Vegetation anzeigt. Diese Daten können den Forschern Informationen über die Pflanzengesundheit liefern, was direkte Auswirkungen auf die Vogelpopulationen hat.

Stell dir NDVI wie das Pflanzen-Pendant zu einem Fitness-Tracker vor. Wenn Pflanzen gesund sind, fühlen sich Vögel eher zu Hause, aber wenn nicht, fliegen die Vögel vielleicht weg, um einen besseren Platz zu finden.

Daten kombinieren: Ein besseres Bild der Biodiversität

Um ein klareres Bild von Lebensräumen zu bekommen, nutzen Wissenschaftler verschiedene Arten von Fernsehsensordaten zusammen. Zum Beispiel können Daten von Satelliten die gesamte Vegetationsbedeckung zeigen, während Daten von speziellen Sensoren detaillierte Informationen über die Höhe und Struktur von Bäumen in einem Wald liefern. Die Kombination dieser verschiedenen Informationsarten kann ein detaillierteres Verständnis eines Lebensraums schaffen.

Diese Technik, bekannt als Datenfusion, ist ein bisschen wie die Kombination von Zutaten, um ein leckeres Gericht zuzubereiten. Die Mischung aus verschiedenen Datenquellen kann die besten Erkenntnisse hervorbringen und den Forschern helfen zu verstehen, was Lebensräume für Vögel geeignet macht.

Die Herausforderung junger Wälder

Besonders junge Wälder können knifflig zu studieren sein. Diese Gebiete können sich schnell verändern, und die Vielzahl von Pflanzen macht sie schwerer zu analysieren. Traditionelle Methoden haben Schwierigkeiten mit diesen dynamischen Landschaften. Allerdings bietet die Fernsehsensorik eine Lösung. Sie erlaubt es den Forschern, Veränderungen über die Zeit zu überwachen und zu bewerten, wie sich diese Veränderungen auf die Vogelpopulationen auswirken. Indem wir festlegen, wie sich junge Wälder entwickeln, können wir besser verstehen, welche Arten von Lebensräumen Vögel bevorzugen, während diese Wälder reifen.

Die Studienstandorte

In einer aktuellen Studie wurden zwei junge Waldstandorte im Vereinigten Königreich untersucht: "New Wilderness" und "Old Wilderness." Diese Stellen waren aufgegebene landwirtschaftliche Flächen, die angefangen hatten, wieder zu Wald zu werden. Durch die Verfolgung von Veränderungen in diesen Wäldern über die Zeit wollten die Forscher verstehen, wie sich diese Lebensräume auf Vogelgemeinschaften auswirken.

Auswahl der Vogelarten

Für diese Studie wurden vier Vogelarten ausgewählt: Blau Tit, Buchfink, Zilpzalp und Trauerschwänzchen. Jede dieser Vogelarten hat unterschiedliche Präferenzen für ihre Lebensräume und repräsentiert eine Reihe ökologischer Bedürfnisse. Die Forscher nutzten Daten aus der Fernsehsensorik, um zu verstehen, wie Veränderungen in den Waldlebensräumen diese Arten beeinflussen könnten.

Datensammlung zur Fernsehsensorik

Die Forscher nutzten sowohl Airborne Laser Scanning (ALS) als auch Landsat-Daten, um Informationen über die Waldstruktur und die Vegetationstypen zu sammeln. ALS liefert präzise Messungen von Baumhöhe und -dichte, während Landsat-Daten eine breitere Sicht auf die Vegetationsgesundheit und die Landbedeckung bieten. Diese Kombination hilft, ein umfassendes Bild des Waldes zu erstellen und wertvolle Details für die Bedürfnisse jedes Vogels hervorzubringen.

Vorhersage von Vogelhabitaten mit Fernsehsensorik

Die Studie hatte zum Ziel, Modelle zu entwickeln, die Vogelhabitate anhand beider Arten von Fernsehsensordaten vorhersagen. Durch die Eingabe der strukturellen Eigenschaften des Waldes, die aus ALS-Daten abgeleitet wurden, und der spektralen Informationen aus den Landsat-Daten konnten die Forscher genauere Modelle der Vogelverteilung erstellen.

Bewertung der Modellgenauigkeit

Um festzustellen, wie gut ihre Modelle arbeiteten, verglichen die Forscher die vor Ort gesammelten Daten mit ihren Vorhersagen. Sie fanden heraus, dass ihre Modelle in der Regel genau vorhersagten, wo Vögel zu finden sein würden, was beweist, dass Fernsehsensorik eine effektive Methode zum Studieren von Vogelhabitaten ist.

Herausforderungen und Einschränkungen

Obwohl die Fernsehsensorik wertvolle Daten liefert, gibt es dennoch Herausforderungen. Zum Beispiel kann die Technologie unter bestimmten Bedingungen Schwierigkeiten haben, wie zum Beispiel bei bewölktem Wetter oder in dichten Waldgebieten, wo die Sicht eingeschränkt ist. Ausserdem können Vögel auf Umweltveränderungen auf unvorhersehbare Weise reagieren, was die Bemühungen, ihre Lebensräume genau zu modellieren, kompliziert.

Zukünftige Richtungen

Die Forschung legt nahe, dass die Kombination verschiedener Arten von Fernsehsensordaten unser Verständnis von Vogelhabitaten noch weiter verbessern könnte. Zukünftige Studien könnten sich darauf konzentrieren, neue Technologien wie Drohnen zu integrieren, die hochauflösende Bilder liefern und detailliertere Überwachungen ermöglichen.

Wichtigkeit des Naturschutzes

Letztlich ist das Verständnis von Vogelhabitaten durch Fernsehsensorik entscheidend für Naturschutzbemühungen. Indem wir herausfinden, welche Lebensräume für Vögel am wichtigsten sind, können Forscher helfen, Naturschutzstrategien zu entwickeln, die diese essentiellen Umgebungen schützen.

Fazit

Zusammenfassend lässt sich sagen, dass Fernsehsensorik ein mächtiges Werkzeug für das Studium von Vogelhabitaten ist. Durch den Einsatz fortschrittlicher Technologie zur Sammlung und Analyse von Daten können Wissenschaftler Einblicke gewinnen, wie sich Veränderungen in der Umwelt auf Vögel auswirken. Dieses Wissen ist entscheidend, um Naturschutzbemühungen zu leiten und sicherzustellen, dass wir die Räume schützen, in denen unsere gefiederten Freunde gedeihen. Also, das nächste Mal, wenn du einen Vogel siehst, denk dran, es gibt eine ganze Menge Daten, die rumfliegen, um ihn sicher und gesund zu halten!

Originalquelle

Titel: Predicting woodland bird species habitat with multi-temporal and multisensor remote sensing data

Zusammenfassung: Remote sensing data capture ecologically important information that can be used to characterize, model and predict bird habitat. This study implements fusion techniques using Random Forests (RF) with spectral Landsat data and structural airborne laser scanning (ALS) data to scale habitat attributes through time and to characterize habitat for four bird species in dynamic young forest environments in the United Kingdom. We use multi-temporal (2000, 2005, 2012/13, 2015) multi-sensor (Landsat and ALS) data to (i) predict structural attributes via pixel-level fusion at 30 metre spatial resolution, (ii) model bird habitat via object-level fusion and compare with models based on ALS, Landsat and predicted structural attributes, and (iii) predict bird habitat through time (i.e., predict 2015 habitat based on 2000-2012 data). First, we found that models predicting mean height from spectral information had the highest accuracy, whilst maximum height, standard deviation of heights, foliage height diversity, canopy cover and canopy relief ratio had good accuracy, and entropy had low accuracy. The green band and the normalized burn ratio (NBR) were consistently important for prediction, with the red and shortwave infrared (SWIR) 1 bands also important. For all structural variables, high values were underpredicted and low values were overpredicted. Second, for Blue Tit (Cyanistes caeruleus) and Chaffinch (Fringilla coelebs), the most accurate model employed Landsat data, while object-level fusion performed best for Chiffchaff (Phylloscopus collybita) and Willow Warbler (Phylloscopus trochilus). ALS mean, maximum and standard deviation of heights and Landsat tasseled cap transformations (TCT) (i.e., wetness, greenness and brightness) were ranked as important to all species across various models. Third, we used our models to predict presence in 2015 and implemented a spatial intersection approach to assess the predictive accuracy for each species. Blue Tit and Willow Warbler presences were well predicted with the Landsat, ALS, and objectlevel fusion models. Chaffinch and Chiffchaff presences were best predicted with the ALS model. Predictions based on pixel-level predicted structure surfaces had low accuracy but were acceptable for Chaffinch and Willow Warbler. This study is significant as it provides guidance for Landsat and ALS data application and fusion in habitat modelling. Our results highlight the need to use appropriate remote sensing data for each study species based on their ecology. Object-level data fusion improved habitat characterization for all species relative to ALS, but not to Landsat for Blue Tit and Chaffinch. Pixel-level fusion for predicting structural attributes in years where ALS data are note available is increasingly being used in modelling but may not adequately represent within-patch wildlife habitat. Finally, incorporating predicted surfaces generated through pixel-level fusion in our habitat models yielded low accuracy. HighlightsO_LIWe used object- and pixel-level fusion with ALS and Landsat to examine bird habitat C_LIO_LIPixel-level fusion predicted surfaces yielded low accuracy in habitat models C_LIO_LIBest models: Landsat (Blue Tit, Chaffinch); fusion (Chiffchaff, Willow Warbler) C_LIO_LIBest prediction: ALS (Chaffinch, Chiffchaff) C_LIO_LIBest prediction: ALS, Landsat, object-level fusion (Blue Tit, Willow Warbler) C_LI Graphical abstract O_FIG O_LINKSMALLFIG WIDTH=200 HEIGHT=127 SRC="FIGDIR/small/625964v1_ufig1.gif" ALT="Figure 1"> View larger version (77K): [email protected]@75133dorg.highwire.dtl.DTLVardef@420d1aorg.highwire.dtl.DTLVardef@6a5f8a_HPS_FORMAT_FIGEXP M_FIG C_FIG

Autoren: Rachel J Kuzmich, Ross A Hill, Shelley A Hinsley, Paul E Bellamy, Ailidh E Barnes, Markus Melin, Paul M Treitz

Letzte Aktualisierung: 2024-12-03 00:00:00

Sprache: English

Quell-URL: https://www.biorxiv.org/content/10.1101/2024.11.28.625964

Quell-PDF: https://www.biorxiv.org/content/10.1101/2024.11.28.625964.full.pdf

Lizenz: https://creativecommons.org/licenses/by/4.0/

Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.

Vielen Dank an biorxiv für die Nutzung seiner Open-Access-Interoperabilität.

Ähnliche Artikel