Landscape scale mapping of tundra vegetation structure at ultra-high resolution using UAVs and computer vision

Ilmastomuutoksella on voimakkain vaikutus suurten leveysasteiden ekosysteemeissä, jotka ovat sopeutuneet viileään ilmastoon. Jotta suurella mittakaavalla havaittuja muutoksia tundrakasvillisuudessa ja niiden takaisinkytkentävaikutuksia ilmastoon voidaan ymmärtää ja ennustaa luotettavammin, on syytä tarkastella mitä tapahtuu pienellä mittakaavalla; jopa yksittäisissä kasveissa. Lähivuosikymmenten aikana tapahtunut teknologinen kehitys on mahdollistanut kustannustehokkaiden, kevyiden ja pienikokoisten miehittämättömien ilma-alusten (UAV) yleistymisen. Erittäin korkearesoluutioisten aineistojen (pikselikoko <10cm) lisääntyessä ja tullessa yhä helpommin saataville, ympäristön tarkastelussa käytetyt kaukokartoitusmenetelmät altistuvat paradigmanmuutokselle, kun konenäköön ja -oppimiseen perustuvat algoritmit ja analyysit yleistyvät. Menetelmien käyttöönotto on houkuttelevaa, koska ne mahdollistavat joustavan ja pitkälle automatisoidun aineistonkeruun ja erittäin tarkkojen kaukokartoitustuotteiden tuottamisen vaikeasti tavoitettavilta alueilta, kuten tundralla. Luotettavien tulosten saaminen vaatii kuitenkin huolellista suunnittelua sekä prosessointialgoritmien ja -parametrien pitkäjänteistä testaamista. Tässä tutkimuksessa tarkasteltiin, kuinka tarkasti tavallisella digitaalikameralla kerätyistä ilmakuvista johdetuilla muuttujilla voidaan kartoittaa kasvillisuuden rakennetta maisemamittakaavalla. Kilpisjärvellä Pohjois-Fennoskandiassa kerättiin dronella kolmensadan hehtaarin kokoiselta alueelta yhteensä noin 10 000 ilmakuvasta koostuva aineisto. Lisäksi alueella määritettiin 1183 pisteestä dominantti putkilokasvillisuus, sekä kasvillisuuden korkeus. Ilmakuvat prosessoitiin tiheiksi kolmiulotteisiksi pistepilviksi konenäköön ja fotogrammetriaan perustuvalla SfM (Structure from Motion) menetelmällä. Pistepilvien pohjalta interpoloitiin maastomalli sekä kasvillisuuden korkeusmalli. Lisäksi tuotettiin koko alueen kattava ilmakuvamosaiikki. Näiden aineistojen pohjalta laskettiin muuttujia, joita käytettiin yhdessä maastoreferenssiaineiston kanssa kasvillisuuden objektipohjaisessa analyysissä (GEOBIA, Geographical Object-Based Image Analysis). Suodatetut maanpintapisteet vastasivat luotettavasti todellista maanpinnan korkeutta koko alueella ja tuotetut korkeusmallit korreloivat voimakkaasti maastoreferenssiaineiston kanssa. Maastomallin virhe oli suurin alueilla, joilla oli korkeaa kasvillisuutta. Valaistusolosuhteissa ja kasvillisuudessa tapahtuneet muutokset ilmakuvien keruun aikana aiheuttivat haasteita objektipohjaisen analyysin molemmissa vaiheissa: segmentoinnissa ja luokittelussa. mutta kokonaistarkkuus parani 0,27:stä 0,,54:n kun luokitteluun lisättiin topografiaa, kasvillisuuden korkeutta ja tekstuuria kuvaavia muuttujia ja kohdeluokkien lukumäärää vähennettiin. Konenäköön ja –oppimiseen perustuvat menetelmät pystyvät tuottamaan tärkeää tietoa tundran kasvillisuuden rakenteesta, erityisesti kasvillisuuden korkeudesta, maisemassa. Lisää tutkimusta kuitenkin tarvitaan parhaiden algoritmien ja parametrien määrittämiseksi tundraympäristössä, jossa ympäristöolosuhteet muuttuvat nopeasti ja kasvillisuus on heterogeenistä ja sekoittunutta, mikä aiheuttaa eroja ilmakuvien välillä ja lisää vaikeuksia analyyseissä.Climate change has the strongest impact on high-latitude ecosystems that are adapted to cool climates. In order to better understand and predict the changes in tundra vegetation observed on large scales as well as their feedbacks onto climate, it is necessary to look at what is happening at finer scales; even in individual plants. Technological developments over the past few decades have enabled the spread of cost-effective, light and small unmanned aerial vehicles (UAVs). As very high-resolution data (pixel size