Mera Bitki Örtüsünü İzlemek için Mekansal Olarak Dengeli Örnekleme ve Rota Optimizasyonu ile Birleştirilmiş Yer Seviyesinde İnsansız Hava Sistemi Görüntüleri

Özet

Bu yazıda sunulan protokol, mera ekosistemlerindeki bitki örtüsünü verimli bir şekilde izlemek için rota optimizasyonu, dengeli kabul örneklemesi ve yer seviyesi ve insansız uçak sistemi (UAS) görüntülerini kullanır. Yer seviyesi ve İHA yöntemlerinden elde edilen görüntülerden elde edilen sonuçlar karşılaştırılır.

Özet

Mera ekosistemleri, Amerika Birleşik Devletleri'nde bulunan 239 milyon hektar ile dünya çapında 3,6 milyar hektarlık bir alanı kaplamaktadır. Bu ekosistemler, küresel ekosistem hizmetlerini sürdürmek için kritik öneme sahiptir. Bu ekosistemlerdeki bitki örtüsünün izlenmesi, mera sağlığını değerlendirmek, yaban hayatı ve evcil hayvancılık için habitat uygunluğunu ölçmek, istilacı yabani otlarla mücadele etmek ve zamansal çevresel değişiklikleri aydınlatmak için gereklidir. Mera ekosistemleri geniş alanları kapsasa da, geleneksel izleme teknikleri genellikle zaman alıcı ve maliyet açısından verimsizdir, yüksek gözlemci yanlılığına tabidir ve genellikle yeterli mekansal bilgiden yoksundur. Görüntü tabanlı bitki örtüsü izleme daha hızlıdır, kalıcı kayıtlar (yani görüntüler) üretir, gözlemci yanlılığının azalmasına neden olabilir ve doğası gereği yeterli mekansal bilgi içerir. Mekansal olarak dengeli örnekleme tasarımları, doğal kaynakların izlenmesinde faydalıdır. Yer seviyesindeki kameralardan ve insansız hava sistemlerinden (UAS) elde edilen görüntülerle dengeli kabul örneklemesi (BAS) olarak bilinen mekansal olarak dengeli bir örnekleme tasarımının uygulanması için bir protokol sunulmaktadır. Zaman ve maliyet verimliliğini artırmak için 'seyahat eden satış elemanı problemini' (TSP) çözmenin yanı sıra bir rota optimizasyon algoritması kullanılır. UAS görüntüleri, elde taşınan görüntülerden 2-3 kat daha hızlı elde edilebilirken, her iki görüntü türü de doğruluk ve hassasiyet açısından birbirine benzer. Son olarak, her bir yöntemin artıları ve eksileri tartışılmakta ve bu yöntemlerin diğer ekosistemlerdeki potansiyel uygulamalarına örnekler verilmektedir.

Giriş

Mera ekosistemleri, Amerika Birleşik Devletleri'nde 239 milyon hektarı ve küresel olarak 3,6 milyar hektarı kapsayan geniş alanları kapsar¹. Meralar, çok çeşitli ekosistem hizmetleri sağlar ve meraların yönetimi birden fazla arazi kullanımını içerir. Batı ABD'de meralar, yaban hayatı habitatı, su depolama, karbon tutma ve evcil hayvanlar için yem sağlar². Meralar, istilacı türler, orman yangınları, altyapı geliştirme ve doğal kaynak çıkarma (örneğin petrol, gaz ve kömür) dahil olmak üzere çeşitli rahatsızlıklara maruz ^kalır.3. Bitki örtüsünün izlenmesi, dünya çapında meralar ve diğer ekosistemler içinde kaynak yönetiminin sürdürülmesi için kritik öneme sahiptir ^4,5,6. Meralarda bitki örtüsünün izlenmesi genellikle mera sağlığını, yaban hayatı türleri için habitat uygunluğunu değerlendirmek ve istilacı türler, orman yangınları ve doğal kaynak çıkarımı nedeniyle peyzajlardaki değişiklikleri kataloglamak için kullanılır ^7,8,9,10. Belirli izleme programlarının hedefleri farklılık gösterebilse de, istatistiksel olarak güvenilir, tekrarlanabilir ve ekonomik olmakla birlikte birden fazla paydaşın ihtiyaçlarına uyan izleme programları arzu edilmektedir ^5,7,11. Arazi yöneticileri izlemenin önemini kabul etseler de, genellikle bilimsel olmayan, ekonomik olmayan ve külfetli olarak görülür⁵.

Geleneksel olarak, mera izlemesi, oküler veya görsel tahmin¹⁰, Daubenmire çerçeveleri¹², çizim grafiği¹³ ve bitki örtüsü kesitleri boyunca çizgi noktası kesişimi¹⁴ dahil olmak üzere çeşitli yöntemlerle gerçekleştirilmiştir. Oküler veya görsel tahmin zaman açısından verimli olsa da, yüksek gözlemci yanlılığına^{tabidir 15}. Diğer geleneksel yöntemler de yüksek gözlemci yanlılığına maruz kalsa da, zaman ve maliyet gereksinimleri nedeniyle genellikle verimsizdir 6,15,16,17. Bu geleneksel yöntemlerin birçoğunu uygulamak için gereken süre genellikle çok külfetlidir ve istatistiksel olarak geçerli örneklem büyüklüklerinin elde edilmesini zorlaştırır ve bu da güvenilmez popülasyon tahminlerine neden olur. Bu yöntemler genellikle stokastik olarak değil, kolaylığa dayalı olarak uygulanır ve gözlemciler verileri nerede toplayacaklarını seçerler. Ek olarak, rapor edilen ve gerçek numune konumları sıklıkla farklılık göstermekte ve bu da arazi yöneticileri ve bitki örtüsü izleme verilerine dayanan diğer paydaşlar için kafa karışıklığına neden olmaktadır¹⁸. Son araştırmalar, görüntü tabanlı bitki örtüsü izlemenin zaman ve maliyet etkin olduğunu göstermiştir ^6,19,20. Belirli bir alanda kısa sürede örneklenebilecek veri miktarını artırmak, daha fazla zaman alan geleneksel tekniklere kıyasla verilerin istatistiksel güvenilirliğini artırmalıdır. Görüntüler, saha verileri toplandıktan sonra birden fazla gözlemci tarafından analiz edilebilen kalıcı kayıtlardır⁶. Ek olarak, birçok kamera küresel konumlandırma sistemleri (GPS) ile donatılmıştır, bu nedenle görüntüler bir toplama konumu^18,20 ile coğrafi olarak etiketlenebilir. Sahada doğru bir şekilde konumlandırılmış, bilgisayar tarafından oluşturulan örnekleme noktalarının kullanılması, görüntünün bir el kamerasıyla mı yoksa insansız bir hava sistemi tarafından mı elde edildiği, gözlemcinin yanlılığını azaltmalıdır, çünkü bireysel bir gözlemcinin örnek konumlarının nereye yerleştirilmesi gerektiğine dair görüşlerini kullanma eğilimini azaltır.

Zaman alıcı, maliyetli ve yüksek gözlemci yanlılığına maruz kalmanın yanı sıra, geleneksel doğal kaynak izleme, düşük örneklem büyüklüğü ve konsantre örnekleme konumları nedeniyle heterojen meraları yeterince karakterize etmede sıklıkla başarısız olur²¹. Mekansal olarak dengeli örnekleme tasarımları, doğal kaynakları daha iyi karakterize etmek için örnek konumlarını bir ilgi alanına daha eşit bir şekilde dağıtır 21,22,23,24. Bu tasarımlar örnekleme maliyetlerini azaltabilir, çünkü basit rastgele örneklemeye göre istatistiksel doğruluk elde etmek için daha küçük örneklem boyutları gerekir²⁵.

Bu yöntemde, dengeli kabul örneklemesi (BAS)^22,24 olarak bilinen mekansal olarak dengeli bir örnekleme tasarımı, mera bitki örtüsünü değerlendirmek için görüntü tabanlı izleme ile birleştirilir. BAS noktaları, ilgi alanına en uygun şekilde yayılır²⁶. Ancak bu, noktaların^{ziyaret 20} için en uygun rotada sıralanacağını garanti etmez. Bu nedenle, BAS noktaları, seyahat eden satış elemanı problemini (TSP) çözen bir rota optimizasyon algoritması kullanılarak ^{düzenlenir27}. Noktaları bu sırayla ziyaret etmek, noktaları birbirine bağlayan en uygun yolu (yani en az mesafeyi) belirler. BAS noktaları, bir coğrafi bilgi sistemi (CBS) yazılım programına ve ardından GPS ile donatılmış bir el tipi veri toplama ünitesine aktarılır. BAS noktaları tespit edildikten sonra GPS donanımlı bir kamera ile ve uçuş yazılımı kullanılarak çalıştırılan insansız hava sistemi ile görüntüler alınmaktadır. Sahaya girdikten sonra, bir teknisyen her BAS noktasında 0,3 mm zemin örnekleme mesafesi (GSD) ile 1^m2 monopod monteli kamera görüntüsü elde etmek için her noktaya yürürken, bir UAS aynı noktalara uçar ve 2,4 mm-GSD görüntüleri elde eder. Daha sonra, 36 noktayı/görüntüyü manuel olarak sınıflandırmak için '^{SamplePoint'28} kullanılarak bitki örtüsü verileri oluşturulur. Yer seviyesi ve UAS görüntülerinin analizinden elde edilen bitki örtüsü verileri karşılaştırılır ve her bir yöntem için rapor edilen edinme süreleri karşılaştırılır. Temsili çalışmada, iki bitişik, 10 dönümlük mera arazisi kullanılmıştır. Son olarak, bu yöntemin diğer uygulamaları ve gelecekteki projeler veya diğer ekosistemlerdeki projeler için nasıl değiştirilebileceği tartışılmaktadır.

Access restricted. Please log in or start a trial to view this content.

Protokol

1. Çalışma alanının tanımlanması, örnek noktaların ve seyahat yolunun oluşturulması ve alan hazırlığı

1. Çalışma alanının tanımı
   1. İlgilenilen alan(lar)ın etrafına çokgen grafik(ler) çizmek için bir CBS yazılım programı kullanın. Bu çalışma, ABD'nin WY eyaletindeki Laramie County'de bir otlatma alanı içindeki 10 dönümlük iki arazi üzerinde gerçekleştirilmiştir (Şekil 1).
   2. Numune çerçevesi içinde olması amaçlanmayan alanların poligonun dışında tutulduğundan emin olun (örn. su kütleleri, bina yapıları, yollar vb.). Bu, daha sonra bu alanların görüntülerinin çekilmemesini sağlayacaktır.
   3. Çokgen grafiğini CBS yazılım programında bir şekil dosyası özelliğine (.shp) dönüştürün ve şekil dosyasının istenen koordinat sisteminde oluşturulduğundan emin olun.

Şekil 1: Çalışma ilgi alanlarının bir tasviri. Bu konum, ABD'nin WY eyaletindeki Laramie County'deki Cheyenne'nin güneyinde bir otlak alanı üzerindedir (Görüntü Kaynağı: Wyoming NAIP Imagery 2017). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

2. BAS noktalarının oluşturulması ve hareket yolunun optimize edilmesi
   NOT: Kod 'Supplemental_Code.docx' olarak eklenmiştir.
   1. GIS poligonunu Program R tarafından okunabilir bir dosyaya dönüştürmek için R paketi 'rgdal'29'u kullanın.
   2. İstenen sayıda BAS noktası oluşturmak için 'SDraw'30 R paketini kullanın. Bu çalışmada, çalışma alanı başına 30 BAS puanı kullanılmıştır, ancak çeşitli büyüklük ve bitki örtüsü bileşimine sahip alanlar için en uygun örnekleme yoğunluğunu belirlemek için gelecekteki araştırmalar yapılmalıdır.
   3. BAS noktalarını sipariş etmek için R Paketi '^TSP'27'yi kullanın. Noktaların bu sırayla ziyaret edilmesi, BAS noktalarında numune almak için gereken süreyi en aza indirir.
3. Elde görüntü alımı için hazırlık
   1. Adım 1.2.1'deki noktaları GIS programına geri aktarmak için 'rgdal' R paketini kullanın.
   2. Şekil dosyasının öznitelik tablosunu, nokta kimliği alanı en iyileştirilmiş yol sırasını doğru bir şekilde yansıtacak şekilde düzenleyin.
   3. CBS poligonu ve nokta dosyasını bir el ünitesinde çalışan CBS yazılımına aktarın.
   4. İlgilenilen alan için doğru öngörülen koordinat sisteminin yerinde olduğundan emin olun.
4. UAS görüntü alımı için hazırlık
   1. Adım 1.2.1'deki noktaları GIS yazılım programına geri aktarmak için 'rgdal' R paketini kullanın.
   2. CBS yazılım programında, yol noktası öznitelik tablosunda enlem ve boylam alanları oluşturmak ve doldurmak için XY Koordinatları Ekle aracını kullanın.
   3. Enlem, Boylam ve TSP sütunlarını içeren yol noktası öznitelik tablosunu *.csv dosya biçimine aktarın.
   4. *.csv dosyasını uygun bir yazılım paketinde açın.
   5. Ara noktaları TSP tanımlayıcısına göre sıralayın.
   6. Mission Hub uygulamasını açın.
   7. Mission Hub'da rastgele bir ara nokta oluşturun.
   8. İsteğe bağlı ara noktayı *.csv dosyası olarak dışa aktarın.
   9. *.csv dosyasını bir elektronik tablo programında açın ve isteğe bağlı ara nokta tutma sütun başlıklarını silin.
   10. Adım 1.2.3'ten TSP sıralanmış ara nokta koordinat çiftlerini, adım 1.4.8'deki *.csv dosyasındaki ilgili sütunlara kopyalayın.
   11. *.csv dosyasını 1.4.10 adımındaki dosyayı yeni bir görev olarak Görev Merkezi'ne aktarın.
   12. Ayarları tanımlayın.
       1. Çevrimiçi Yükseltmeyi Kullan kutusunu işaretleyin.
       2. Yol modunu Düz Çizgiler olarak belirtin.
       3. Görev tamamlandıktan sonra dronun Eve Dönmesini sağlamak için Bitirme Eylemini RTH olarak belirtin.
   13. Tek tek ara noktalara tıklayın ve aşağıdaki parametreleri belirterek Eylem Ekle'ye tıklayın: Kalma: 2 sn (görüntü bulanıklığını önlemek için); Eğimli kamera: -90° (Nadir); Fotoğraf çekin.
   14. Görevi uygun bir adla kaydedin.
   15. Ek siteler için işlemi tekrarlayın.

2. Saha verilerinin toplanması ve son işleme

1. Çalışma alanında gözlemlenen veya beklenen bitki örtüsünün kaydedilmesi
   1. Görüntüleri almadan önce, çalışma alanında gözlemlenen bitki örtüsünün bir listesini oluşturun. Bu, daha sonra fotoğraflı tanımlamaya yardımcı olmak için el yazısıyla yazılmış bir sayfada veya dijital bir formda yapılabilir. Alanda görülmesi muhtemel türlerin tarlada gözlenmese bile envantere dahil edilmesi faydalı olabilir (örneğin, ıslah tohum karışımları içindeki türler)¹⁸.
2. Yer tabanlı görüntü elde etme
   1. Bir kamerayı dikey bir monopoda takın ve kamerayı yaklaşık 60° aşağı doğrultun. Görüntünün alanı, kameranın lens ve çözünürlük (megapiksel) özellikleri kullanılarak ve monopod standart bir yüksekliğe ayarlanarak belirlenebilir. Monopodun yüksekliği, kamera özellikleriyle birleştiğinde, zemin örnekleme mesafesini (GSD) belirleyecektir. Bu çalışmada, 12.1 megapiksellik bir kamera kullanılmış ve ~0.3 mm GSD^18'de Nadir görüntüleri elde etmek için monopod yerden 1.3 m yükseklikte sabit bir konuma ayarlanmıştır.
   2. Monopodu öne doğru eğin, böylece kamera merceği Nadir konumda olur ve açılı monopod görüntüde görünmez.
   3. 1 m² çerçevesiz çizim boyutu (veya istenen başka bir çizim boyutu) elde etmek için monopodun yüksekliğini veya lens üzerindeki yakınlaştırmayı ayarlayın. En yaygın 4:3 en-boy oranlı kameralar için, 115 cm'lik bir çizim genişliği, 1^m2'lik bir görüntü alanı sağlar. Yere çerçeve yerleştirmeye gerek yoktur; Görüntünün tamamı olay örgüsüdür. Bunu gerçekleştirmek için lens üzerindeki yakınlaştırmayı ayarlıyorsanız, yakınlaştırma ayarında yanlışlıkla değişiklik yapılmasını önlemek için boyacı bandı kullanın.
   4. Mümkünse, görüntüde bulanıklığı önlemek için fotoğraf makinesini enstantane öncelikli moda ayarlayın ve enstantane hızını en az 1/125 s'ye ayarlayın; rüzgarlı ise daha hızlı.
   5. En iyileştirilmiş yol sırasındaki ilk noktayı bulun.
   6. Monopodu 1. noktada yere yerleştirin ve kamera Nadir yönüne gelene kadar monopodu eğin. Operatörün gölgesinin görüntüde olmadığından emin olun. Hareket bulanıklığını önlemek için kamerayı sabit tutun. Görüntüyü elde edin.
      NOT: Bu adım için bir uzaktan tetikleme kablosu kullanışlıdır.
   7. Başarılı veri yakalamayı sağlamak için görüntü kalitesini kontrol edin.
   8. En iyi duruma getirilmiş yol sırasındaki bir sonraki noktaya gidin ve alım adımlarını tekrarlayın.
3. UAS görüntü alımı
   1. İHA'yı fırlatmadan önce, uçuş yolunda herhangi bir fiziksel engel olmadığından emin olmak için çalışma alanında kısa bir keşif yapın. Bu keşif tatbikatı, İHA'nın fırlatılacağı oldukça düz bir alanı bulmak için de yararlıdır.
   2. UAS'yi uçurmak için hava koşullarının uygun olduğundan emin olun: yeterli aydınlatma, minimum rüzgar (<17 knot) ve 0 °C–37 °C arasındaki sıcaklıklarla kuru, açık bir gün (>4,8 km görüş mesafesi).
   3. Yasal protokolleri takip edin. Örneğin ABD'de Federal Havacılık İdaresi politikaları izlenmelidir.
   4. Mission Hub yazılımını (Şekil 2) ve mobil cihazlar aracılığıyla erişilebilen bir görev yürütme uygulamasını (Şekil 3) kullanın.
   5. Adım 1.4'te açıklandığı gibi her BAS noktasında UAS görüntülerini toplayın.
   6. Konum değiştirmeden önce tüm görüntülerin mobil cihaz kullanılarak alındığını doğrulayın.

Şekil 2: Mission Hub'ın kullanıcı arayüzü. Harita, çalışma alanlarından biri boyunca bir dizi 30 BAS noktası boyunca drone uçuş yolunu gösterirken, açılır pencere her bir ara noktada görüntü alma parametrelerini gösterir. Şekil 2 , görünüş olarak Site 2'ye benzese de Site 1'e özgüdür. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Resim 3: Litchi'nin bir Android akıllı telefon üzerinde çalışan görev yürütme uygulamasındaki ara nokta uçuş görevi. Benzersiz ara nokta kimlikleri mor renkle gösterilir ve çalışma alanındaki çeşitli noktalarda görüntülerin çekildiği göreceli sırayı temsil eder. 7(6) gibi her bir ara noktadaki sayılar, görüntülerin çekildiği yerden yüksekliklerin (ilk sayı) ve ana noktanın veya drone fırlatma sahasının üzerindeki yüksekliklerin (ikinci sayı) tamsayı değerlerini gösterir. Haritada etiketlenmiş ardışık ara noktalar arasındaki mesafelere dikkat edin. Şekil 3 , görünüş olarak Site 2'ye benzese de Site 1'e özgüdür. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

4. Zemin seviyesinde görüntü son işleme.
   NOT: Talimatlar, eğitim bölümünde www.SamplePoint.org bir noktada mevcuttur; Ek bir .pdf dosyası ektedir.
   1. Görüntüleri USB kablosu veya SD kart ile bir bilgisayara indirin.
   2. Görüntülerin doğru yerlerde çekildiğinden emin olun. Coğrafi etiketli görüntülerdeki meta verilere dayalı olarak görüntüleri CBS yazılımına yerleştirmek için çeşitli yazılımlar mevcuttur.
   3. Görüntüler birden fazla çalışma alanında elde edilmişse, bunları görüntü analizi için ayrı klasörlerde saklayın.
5. UAS görüntü son işleme
   1. Çıkarılabilir bir microSD kartta kaydedilen görüntüleri UAS'tan bilgisayara aktarın.
   2. 2.4.2 ve 2.4.3 adımlarını tekrarlayın.

3. Görüntü analizi

NOT: Tüm Adımlar, www.SamplePoint.org'daki 'eğitim' bölümünde bulunabilir; Ek bir 'tutorial.pdf' dosyası eklenmiştir.

1. SamplePoint'te Seçenekler | Veritabanı Sihirbazı | Veritabanı oluşturun/doldurun.
2. Veritabanını çalışma alanına göre adlandırın.
3. İstenen çalışma alanı örneklerini içeren klasöre gidin ve sınıflandırılacak olanları seçin.
4. Bitti'yi tıklayın.
5. Seçenekler | Veritabanı'nı seçin ve SamplePoint'in görüntü seçimine göre oluşturduğu *.xls dosyasını seçin (bu, görüntüde olacaktır).
6. SamplePoint tarafından istendiğinde veritabanında doğru sayıda görüntünün seçildiğini onaylayın.
7. Her görüntüde analiz edilmek üzere istediğiniz piksel sayısını seçin. Bu, bir ızgara düzeninde veya rastgele yapılabilir. Bu çalışmada, toplam 36 piksel seçmek için 6 x 6'lık bir ızgara kullanılmıştır, ancak sınıflandırma için istenen ölçüm hassasiyetine bağlı olarak görüntü başına daha fazla veya daha az piksel sınıflandırılabilir. Yakın zamanda yapılan bir araştırma, geniş alanları örneklemek için görüntü başına 20-30 pikselin yeterli olduğunu buldu³¹. Izgara seçeneği, görüntü yeniden analiz edildiğinde piksellerin aynı konumda olmasını sağlarken, rastgele seçenek, bir görüntü her yeniden yüklendiğinde rastgele pikseller oluşturur.
8. Tür sınıflandırması için özel bir Button dosyası oluşturun. Bu liste, görüntü alınmadan önce tarlada kaydedilen bitki örtüsü listesinden oluşturulabilir veya çalışma alanıyla ilgili diğer bilgilere dayanabilir (örneğin, ıslah edilmiş alanlardaki tohum karışım listesi veya ekolojik alan tanımlama bilgileri, vb.). Çıplak Zemin veya Toprak ve Çöp veya Kaya gibi karşılaşılabilecek diğer olası bitki örtüsü olmayan öğeler için bir düğme oluşturulduğundan emin olun. Analistin türleri daha sonraki bir tarihte sınıflandırmasına izin vermek için bir Bilinmiyor düğmesi oluşturulması önerilir. SamplePoint'teki Açıklama Kutusu , bu seçeneğin kullanıldığı pikselleri not etmek için kullanılabilir. Ek olarak, görüntü çözünürlüğü tür seviyelerine göre sınıflandırmak için yeterince yüksek değilse, işlevsel gruplar (örneğin, Çimen, Forb, Çalı) için düğmeler oluşturmak faydalıdır.
9. Kırmızı artı işaretinin hedeflediği görüntü pikselini tanımlayan sınıflandırma düğmesine tıklayarak görüntüleri analiz etmeye başlayın. SamplePoint "Tüm noktalar bu" uyarısını verene kadar bunu tekrarlayın. Sonraki resme tıklayın." Veritabanındaki tüm görüntüler için bu işlemi tekrarlayın.
   NOT: Yakınlaştırma özelliği, sınıflandırmaya yardımcı olmak için kullanılabilir.
10. Veritabanındaki tüm görüntüler tamamen analiz edildiğinde, SamplePoint "Tüm görüntüleri tükettiniz" uyarısını verir. Bu noktada, Tamam'ı seçin ve ardından Seçenekler | İstatistik dosyaları oluşturun.
11. Veritabanını içeren klasöre gidin ve tüm görüntülere ait verilerin depolandığından emin olmak için yeni oluşturulan *.csv dosyasını açın.

4. İstatistiksel analiz

1. Bölgeler arasındaki farkları belirlemek için ki-kare analizleri
   1. Her iki bölgede de aynı sayıda görüntü (birincil örnekleme birimleri) ve pikseller (ikincil örnekleme birimleri) toplanıp analiz edildiğinden, iki site arasındaki karşılaştırma çok terimli tasarımın bir ürünü olarak kabul edilebilir.
   2. Adım 3.11'de oluşturulan *.csv dosyasını kullanarak, her sınıflandırma kategorisi için sınıflandırılan puanların toplamını hesaplayın.
   3. Nokta toplamları üzerinde ki-kare analizi yapın. Site 1 ve Site 2 birbirine benziyorsa, her bir kapak türü olarak sınıflandırılan yaklaşık olarak eşit sayıda piksel her iki sitede de belirgin olacaktır¹⁸.
2. UAS ile yer seviyesindeki görüntüleri karşılaştırmak için regresyon
   1. Adım 3.11'de oluşturulan *.csv dosyalarını kullanarak, her görüntüden ortalama yüzde kapağını kopyalayıp yapıştırın ve UAS görüntü verilerini zemin seviyesindeki görüntü verileriyle hizalayın.
   2. Bir veritabanı programında regresyon analizi gerçekleştirin.

Access restricted. Please log in or start a trial to view this content.

Sonuçlar

UAS görüntü alımı, yer tabanlı görüntü toplama süresinin yarısından daha azını alırken, yer tabanlı görüntülerde analiz süresi biraz daha kısaydı (Tablo 1). Yer tabanlı görüntüler daha yüksek çözünürlüklüydü, bu da muhtemelen daha kısa sürede analiz edilmelerinin nedenidir. Siteler arasındaki yürüyüş yolu sürelerindeki farklılıklar, muhtemelen başlangıç ve bitiş noktalarının (fırlatma alanı) Site 1'e Site 2'den daha yak...

Access restricted. Please log in or start a trial to view this content.

Tartışmalar

Doğal kaynakların izlenmesinin önemi uzun zamandır bilinmektedir¹⁴. Küresel çevre konularına artan ilgiyle birlikte, zaman ve maliyet açısından verimli olan güvenilir izleme tekniklerinin geliştirilmesi giderek daha önemli hale gelmektedir. Daha önce yapılan birkaç çalışma, görüntü analizinin zaman, maliyet ve geçerli ve savunulabilir istatistiksel veriler sağlama açısından geleneksel bitki örtüsü izleme teknikleriyle olumlu bir şeki...

Access restricted. Please log in or start a trial to view this content.

Malzemeler

Name	Company	Catalog Number	Comments
ArcGIS	ESRI	GPS Software
DJI Phantom 4 Pro	DJI	UAS
G700SE	Ricoh	GPS-equipped camera
GeoJot+Core	Geospatial Experts	GPS Software	Used to extract image metadata
Juno 5	Trimble	Handheld GPS device
Litchi Mission Hub	Litchi	Mission Hub Software	We chose Litchi for its terrain awareness and its ability to plan robust waypoint missions
Program R	R Project	Statistical analysis/programming software
SamplePoint	N/A	Image analysis software