Sensoriamento Remoto: Uma Nova Visão sobre os Habitats das Aves
Usando tecnologia pra proteger os lares dos pássaros com dados de sensoriamento remoto.
Rachel J Kuzmich, Ross A Hill, Shelley A Hinsley, Paul E Bellamy, Ailidh E Barnes, Markus Melin, Paul M Treitz
― 8 min ler
Índice
Sensoriamento Remoto é como ter um superpoder que permite a gente olhar a Terra de cima. Os cientistas estão começando a usar essa habilidade pra aprender mais sobre o meio ambiente, principalmente sobre onde os pássaros gostam de ficar. Essa tecnologia ajuda a coletar dados importantes sobre florestas e outros ecossistemas, que são cruciais pra descobrir como podemos proteger melhor nossos amigos de penas e suas casas.
O Que é Sensoriamento Remoto?
Sensoriamento remoto envolve coletar informações sobre uma área sem precisar estar lá fisicamente. Pense nisso como usar fotografia de alta tecnologia. Drones, satélites e outras máquinas voadoras tiram fotos e coletam dados sobre a superfície da Terra. Essas imagens vêm em diferentes cores e podem ser usadas pra medir a saúde das plantas, a espessura das árvores e outros problemas ambientais. É meio como conseguir ver se a casa do seu amigo tá bagunçada ou arrumada do céu!
Como o Sensoriamento Remoto Ajuda os Ecologistas
Ecologistas, que estudam os seres vivos e seus ambientes, começaram a usar dados de sensoriamento remoto com mais frequência. Essa tecnologia permite que eles olhem áreas grandes rapidamente, o que é importante porque coletar dados caminhando com uma prancheta é devagar e às vezes um pouco caro. Com o sensoriamento remoto, eles conseguem reunir informações sobre vegetação, solo, temperatura e mais, ajudando a analisar como diferentes fatores influenciam os animais que vivem lá.
Por exemplo, se você quisesse descobrir que tipos de plantas crescem melhor em uma área, em vez de ir a cada lugar, você poderia usar sensoriamento remoto pra coletar dados de uma área maior de uma vez. É como ter um mapa mágico que mostra todos os melhores lugares!
Pássaros e Seus Habitats
Os pássaros são bem exigentes sobre onde gostam de viver, e suas escolhas podem nos contar muito sobre o meio ambiente. Diferentes espécies de pássaros preferem diferentes tipos de habitats, e entender essas preferências é chave pra esforços de conservação. Usando dados de sensoriamento remoto, os cientistas conseguem criar modelos que prevêm onde os pássaros são mais propensos a serem encontrados com base nas características ambientais de seus habitats.
Ao estudar a relação entre os dados de sensoriamento remoto e os habitats dos pássaros, os pesquisadores conseguem identificar áreas que são importantes para várias espécies de pássaros. Isso é crucial pra tomar decisões de conservação informadas. Se conseguirmos prever onde os pássaros vão prosperar, conseguimos focar nossos esforços de conservação de forma mais eficaz.
O Papel do Índice de Vegetação por Diferença Normalizada (NDVI)
Uma ferramenta importante no sensoriamento remoto é o Índice de Vegetação por Diferença Normalizada, ou NDVI. O NDVI ajuda a medir a quantidade de vegetação verde em uma área comparando quanto de luz é refletida em diferentes cores. Um valor alto de NDVI indica muitas plantas verdes saudáveis, enquanto um valor baixo indica vegetação escassa. Esses dados podem informar os pesquisadores sobre a saúde das plantas, que impacta diretamente as populações de pássaros.
Imagine o NDVI como a versão das plantas de um rastreador de fitness. Se as plantas estão saudáveis, os pássaros têm mais chances de se sentir em casa, mas se não estiverem, os pássaros podem voar pra encontrar um lugar melhor.
Combinando Dados: Um Quadro Melhor da Biodiversidade
Pra ter um quadro mais claro dos habitats, os cientistas usam diferentes tipos de dados de sensoriamento remoto juntos. Por exemplo, dados de satélites podem mostrar a cobertura geral da vegetação, enquanto dados de sensores especializados podem fornecer informações detalhadas sobre a altura e a estrutura das árvores em uma floresta. Combinando esses diferentes tipos de informação, é possível criar uma compreensão mais detalhada de um habitat.
Essa técnica, conhecida como Fusão de Dados, é meio como combinar ingredientes pra fazer um prato delicioso. A mistura de diferentes fontes de dados pode trazer à tona as melhores percepções, ajudando os pesquisadores a entender o que torna os habitats adequados para os pássaros.
O Desafio das Florestas Jovens
Florestas jovens, em particular, podem ser difíceis de estudar. Essas áreas podem mudar rapidamente, e a variedade de plantas dificulta a análise. Métodos tradicionais têm dificuldades com essas paisagens dinâmicas. No entanto, o sensoriamento remoto oferece uma solução. Ele permite que os pesquisadores monitorem mudanças ao longo do tempo e avaliem como essas mudanças afetam as populações de pássaros. Ao estabelecer como as florestas jovens evoluem, podemos entender melhor que tipos de habitats os pássaros preferem à medida que essas florestas amadurecem.
Os Locais do Estudo
Em um estudo recente, dois locais de florestas jovens no Reino Unido foram examinados: “Nova Wilderness” e “Velha Wilderness.” Esses lugares eram campos agrícolas abandonados que começaram a crescer de volta em florestas. Ao acompanhar as mudanças nessas florestas ao longo do tempo, os pesquisadores tinham como objetivo entender como esses habitats impactam as comunidades de pássaros.
Seleção de Espécies de Pássaros
Quatro espécies de pássaros foram escolhidas para este estudo: o Pito Azul, o Pintassilgo, o Chiffchaff e o Figueirinha. Cada um desses pássaros tem preferências diferentes para seus habitats, representando uma gama de necessidades ecológicas. Os pesquisadores usaram dados de sensoriamento remoto pra entender como as mudanças nos habitats florestais poderiam afetar essas espécies.
Coleta de Dados de Sensoriamento Remoto
Os pesquisadores usaram tanto o Escaneamento a Laser Aéreo (ALS) quanto dados do Landsat pra coletar informações sobre a estrutura da floresta e tipos de vegetação. O ALS fornece medições precisas da altura e densidade das árvores, enquanto os dados do Landsat dão uma visão mais ampla da saúde da vegetação e da cobertura do solo. Essa combinação ajuda a criar um quadro abrangente da floresta, revelando detalhes valiosos para as necessidades de habitat de cada pássaro.
Previsão de Habitats de Pássaros Usando Sensoriamento Remoto
O estudo teve como objetivo desenvolver modelos que prevêem habitats de pássaros usando ambos os tipos de dados de sensoriamento remoto. Ao inserir os atributos estruturais da floresta derivados dos dados de ALS e informações espectrais dos dados do Landsat, os pesquisadores conseguiram criar modelos mais precisos de distribuição de pássaros.
Avaliação da Precisão do Modelo
Pra determinar quão bem seus modelos funcionaram, os pesquisadores compararam os dados coletados de pesquisas em campo com suas previsões. Eles descobriram que seus modelos eram geralmente precisos em prever onde os pássaros seriam encontrados, provando que o sensoriamento remoto é um método eficaz pra estudar habitats de pássaros.
Desafios e Limitações
Embora o sensoriamento remoto forneça dados valiosos, ainda existem desafios. Por exemplo, a tecnologia pode ter dificuldade em certas condições, como durante dias nublados ou em áreas de floresta densa onde a visibilidade é limitada. Além disso, os pássaros podem reagir a mudanças ambientais de maneiras que são difíceis de prever, complicando os esforços pra modelar seus habitats com precisão.
Direções Futuras
A pesquisa sugere que combinar diferentes tipos de dados de sensoriamento remoto pode aumentar ainda mais nossa compreensão dos habitats dos pássaros. Estudos futuros poderiam se concentrar em incorporar novas tecnologias, como drones, que fornecem imagens de alta resolução e permitem um monitoramento mais detalhado.
Importância da Conservação
No fim das contas, entender os habitats dos pássaros através do sensoriamento remoto é crucial pra esforços de conservação. Ao identificar quais habitats são mais importantes para os pássaros, os pesquisadores podem ajudar a moldar estratégias de conservação que protejam esses ambientes essenciais.
Conclusão
Resumindo, o sensoriamento remoto é uma ferramenta poderosa para estudar habitats de pássaros. Usando tecnologia avançada pra coletar e analisar dados, os cientistas podem obter insights sobre como mudanças no meio ambiente afetam os pássaros. Esse conhecimento é essencial pra guiar os esforços de conservação e garantir que protejamos os espaços onde nossos amigos de penas prosperam. Então, da próxima vez que você ver um pássaro, lembre-se que tem um monte de dados voando por aí pra ajudar a mantê-lo seguro e saudável!
Título: Predicting woodland bird species habitat with multi-temporal and multisensor remote sensing data
Resumo: 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
Autores: Rachel J Kuzmich, Ross A Hill, Shelley A Hinsley, Paul E Bellamy, Ailidh E Barnes, Markus Melin, Paul M Treitz
Última atualização: 2024-12-03 00:00:00
Idioma: English
Fonte URL: https://www.biorxiv.org/content/10.1101/2024.11.28.625964
Fonte PDF: https://www.biorxiv.org/content/10.1101/2024.11.28.625964.full.pdf
Licença: https://creativecommons.org/licenses/by/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao biorxiv pela utilização da sua interoperabilidade de acesso aberto.