Simple Science

La science de pointe expliquée simplement

# Biologie # Biologie du développement

Télédétection : Une nouvelle perspective sur les habitats des oiseaux

Utiliser la tech pour protéger les nids d'oiseaux grâce aux données de télédétection.

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

― 8 min lire


Oiseaux et données de Oiseaux et données de télédétection protéger les habitats des oiseaux. Utiliser la tech pour étudier et
Table des matières

La Télédétection, c'est un peu comme avoir un super pouvoir qui nous permet de regarder la Terre d'en haut. Les scientifiques commencent à utiliser cette capacité pour en apprendre davantage sur l'environnement, surtout pour comprendre où les oiseaux aiment traîner. Cette techno aide à récolter des données importantes sur les forêts et d'autres écosystèmes, ce qui est crucial pour savoir comment mieux protéger nos amis à plumes et leurs maisons.

C'est quoi la Télédétection ?

La télédétection, c'est récolter des infos sur un endroit sans y être vraiment. Pense à ça comme utiliser de la photo haute technologie. Des drones, des satellites et d'autres engins volants prennent des photos et collectent des données sur la surface de la Terre. Ces images viennent en différentes couleurs et peuvent être utilisées pour évaluer la santé des plantes, l'épaisseur des arbres, et d'autres problèmes environnementaux. C'est un peu comme si tu pouvais voir si la maison d'un ami est en désordre ou rangée depuis le ciel !

Comment la Télédétection Aide les Écologistes

Les écologistes, qui étudient les êtres vivants et leurs environnements, commencent à utiliser plus souvent les données de télédétection. Cette techno leur permet de regarder de grandes zones rapidement, ce qui est super important car récolter des données en marchant avec une feuille de papier, c'est lent et parfois un peu cher. Avec la télédétection, ils peuvent rassembler des infos sur la végétation, le sol, la température, et plus, ce qui les aide à analyser comment différents facteurs influencent les animaux qui y vivent.

Par exemple, si tu veux savoir quels types de plantes poussent le mieux dans une zone, au lieu d'aller à chaque endroit, tu pourrais utiliser la télédétection pour récolter des données sur une plus grande surface à la fois. C'est comme avoir une carte magique qui montre tous les meilleurs coins !

Oiseaux et leurs Habitats

Les oiseaux sont assez exigeants sur où ils aiment vivre, et leurs choix peuvent nous en dire long sur l'environnement. Différentes espèces d'oiseaux préfèrent différents types d'habitats, et comprendre ces préférences est clé pour les efforts de conservation. Grâce aux données de télédétection, les scientifiques peuvent créer des modèles qui prédisent où les oiseaux sont le plus susceptibles d'être trouvés selon les caractéristiques environnementales de leurs habitats.

En étudiant la relation entre les données de télédétection et les habitats des oiseaux, les chercheurs peuvent identifier des zones importantes pour diverses espèces d'oiseaux. C'est crucial pour prendre des décisions de conservation éclairées. Si on peut prédire où les oiseaux vont s'épanouir, on peut concentrer nos efforts de conservation plus efficacement.

Le Rôle de l'Indice de Végétation par Différence Normalisée (NDVI)

Un outil important en télédétection, c'est l'Indice de Végétation par Différence Normalisée, ou NDVI. Le NDVI aide à mesurer la quantité de végétation verte dans une zone en comparant combien de lumière est réfléchie dans différentes couleurs. Une valeur NDVI élevée indique beaucoup de plantes vertes en bonne santé, tandis qu'une valeur basse indique une végétation clairsemée. Ces données peuvent informer les chercheurs sur la santé des plantes, ce qui impacte directement les populations d'oiseaux.

Imagine le NDVI comme la version végétale d'un tracker de fitness. Si les plantes sont en bonne santé, les oiseaux sont plus susceptibles de se sentir chez eux, mais s'ils ne le sont pas, les oiseaux pourraient s'envoler chercher un meilleur endroit.

Combiner les Données : Un Meilleur Aperçu de la Biodiversité

Pour avoir une image plus claire des habitats, les scientifiques utilisent différents types de données de télédétection ensemble. Par exemple, les données des satellites peuvent montrer la couverture végétale globale, tandis que les données de capteurs spécialisés peuvent fournir des informations détaillées sur la hauteur et la structure des arbres dans une forêt. Combiner ces différents types d’infos peut créer une compréhension plus détaillée d’un habitat.

Cette technique, connue sous le nom de Fusion de données, c'est un peu comme mélanger des ingrédients pour faire un plat délicieux. Le mélange de différentes sources de données peut révéler les meilleures informations, aidant les chercheurs à comprendre ce qui rend les habitats adaptés aux oiseaux.

Le Défi des Jeunes Forêts

Les jeunes forêts, en particulier, peuvent être difficiles à étudier. Ces zones peuvent changer rapidement, et la variété des plantes les rend plus difficiles à analyser. Les méthodes traditionnelles peinent avec ces paysages dynamiques. Cependant, la télédétection offre une solution. Elle permet aux chercheurs de suivre les changements au fil du temps et d’évaluer comment ces changements affectent les populations d'oiseaux. En établissant comment évoluent les jeunes forêts, on peut mieux comprendre quels types d'habitats les oiseaux préfèrent à mesure que ces forêts mûrissent.

Les Sites d'Étude

Dans une étude récente, deux sites de jeunes forêts au Royaume-Uni ont été examinés : "Nouvelle Wilderness" et "Ancienne Wilderness". Ces endroits étaient des champs agricoles abandonnés qui avaient commencé à repousser en forêts. En suivant les changements dans ces forêts au fil du temps, les chercheurs voulaient comprendre comment ces habitats impactent les communautés d'oiseaux.

Sélection des Espèces d'Oiseaux

Quatre espèces d'oiseaux ont été choisies pour cette étude : Mésange bleue, Pinson des arbres, Pouillot véloce et Fauvette des saule. Chacun de ces oiseaux a des préférences différentes pour leurs habitats, représentant une gamme de besoins écologiques. Les chercheurs ont utilisé les données de télédétection pour comprendre comment les changements dans les habitats forestiers pourraient affecter ces espèces.

Collecte de Données de Télédétection

Les chercheurs ont utilisé à la fois le Scannage Laser Aérien (ALS) et les données Landsat pour rassembler des informations sur la structure de la forêt et les types de végétation. L'ALS fournit des mesures précises de la hauteur et de la densité des arbres, tandis que les données Landsat donnent une vue plus large de la santé de la végétation et de la couverture du sol. Cette combinaison aide à créer un tableau complet de la forêt, révélant des détails précieux pour chaque besoin d'habitat des oiseaux.

Prédire les Habitats des Oiseaux avec la Télédétection

L'étude visait à développer des modèles qui prédisent les habitats des oiseaux en utilisant les deux types de données de télédétection. En entrant les attributs structurels de la forêt dérivés des données ALS et les informations spectrales des données Landsat, les chercheurs pouvaient créer des modèles plus précis de distribution des oiseaux.

Évaluation de l'Exactitude du Modèle

Pour déterminer l'efficacité de leurs modèles, les chercheurs ont comparé les données recueillies lors des enquêtes sur le terrain avec leurs prédictions. Ils ont découvert que leurs modèles étaient généralement précis pour prédire où les oiseaux seraient trouvés, prouvant que la télédétection est une méthode efficace pour étudier les habitats des oiseaux.

Défis et Limitations

Bien que la télédétection fournisse des données précieuses, des défis subsistent. Par exemple, la technologie peut avoir du mal dans certaines conditions, comme par temps nuageux ou dans des zones forestières denses où la visibilité est limitée. De plus, les oiseaux peuvent réagir aux changements environnementaux de manière difficile à prédire, compliquant les efforts pour modéliser leurs habitats avec précision.

Directions Futures

La recherche suggère que combiner différents types de données de télédétection pourrait améliorer encore notre compréhension des habitats des oiseaux. Les études futures pourraient se concentrer sur l'incorporation de nouvelles technologies, comme les drones, qui fournissent des images à plus haute résolution et permettent un suivi plus détaillé.

Importance de la Conservation

En fin de compte, comprendre les habitats des oiseaux grâce à la télédétection est crucial pour les efforts de conservation. En identifiant quels habitats sont les plus importants pour les oiseaux, les chercheurs peuvent aider à façonner des stratégies de conservation qui protègent ces environnements essentiels.

Conclusion

En résumé, la télédétection est un outil puissant pour étudier les habitats des oiseaux. En utilisant la technologie avancée pour rassembler et analyser des données, les scientifiques peuvent obtenir des idées sur comment les changements de l'environnement affectent les oiseaux. Ce savoir est essentiel pour guider les efforts de conservation et s'assurer que l'on protège les espaces où nos amis à plumes s'épanouissent. Alors, la prochaine fois que tu vois un oiseau, souviens-toi qu'il y a plein de données en l'air pour l'aider à rester en sécurité !

Source originale

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

Résumé: 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

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

Dernière mise à jour: 2024-12-03 00:00:00

Langue: English

Source URL: https://www.biorxiv.org/content/10.1101/2024.11.28.625964

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

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

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à biorxiv pour l'utilisation de son interopérabilité en libre accès.

Articles similaires