Nieuw afstandsmeetingssysteem brengt unieke vegetatie van Antarctica in detail in kaart
Onderzoekers van de QUT hebben een geavanceerde methode voor afstandswaarneming ontwikkeld om de kwetsbare groei van mos en korstmossen in Antarctica nauwkeurig te detecteren en in kaart te brengen, de fundamenten van de fragiele ecosystemen op het continent. Het onderzoeksteam heeft ook een manier ontwikkeld om de vegetatie in Antarctica non-invasief te onderzoeken, waardoor nauwkeurige surveys sneller en goedkoper kunnen worden uitgevoerd dan voorheen. Het onderzoek is gepubliceerd in het tijdschrift Scientific Reports.
De eerste auteur en onderzoeksmedewerker Dr. Juan Sandino van de School of Electrical Engineering & Robotics van QUT beschrijft mos en korstmossen als de groene “stressbarometers” van Antarctica. “Vorstbestendige vegetatie zoals mos en korstmossen in Antarctica is essentieel voor biogeochemische cycli, bodemisolatie en het ondersteunen van biodiversiteit,” zei Dr. Sandino. “Ze drijven nutriëntencycli en vormen de basis van de ecosystemen in Antarctica, maar ze zijn de eersten die lijden onder opwarming, extreme weersomstandigheden en menselijke verstoring. Het bijhouden van hun gezondheid is van vitaal belang, maar extreem moeilijk onder sub-zero veldomstandigheden.”
Dr. Sandino verklaarde dat de onderzoekers een UAV (onbemande luchtvaartuig) met een hyperspectrale camera hebben gebruikt, die honderden kleuren voor elke pixel vastlegt, gecombineerd met een Global Navigation Satellite System Real-Time Kinematic (GNSS-RTK) om elke pixel nauwkeurig aan zijn exacte locatie te koppelen. Ook werden hoogwaardige RGB UAV-beelden vastgelegd om een vertrouwde visuele context te bieden.
“Deze drie gegevensstromen werden samengevoegd in een gestroomlijnde workflow, zodat er geen mosbedden werden verstoord,” zei hij. “Dit onderzoek valideerde de zes voorgestelde spectrale indices die zijn ontworpen voor poolplanten, die we in ons vorige artikel presenteerden. We trainden modellen met deze indices die beter presteerden dan traditionele metrics en ontdekten dat ze bovenaan elke ranglijst van feature-importance stonden.”
“Dit nieuwe geïntegreerde systeem overtreft conventionele digitale afbeeldingen (rood-groen-blauw of RGB) en ook de satellietgebaseerde Normalized Difference Vegetation Index (NDVI) die wordt gebruikt om de gezondheid en dichtheid van vegetatie te beoordelen.”
De onderzoekers vergeleken 12 verschillende AI-modellen voor het labelen van de vegetatie en de beste opties bereikten een nauwkeurigheid van ongeveer 99%, terwijl ze consistent bleven in strenge tests. “Dit geeft ons het vertrouwen dat ze ook zullen werken met toekomstige gegevens.”
Professor Felipe Gonzalez, ook van de School of Electrical Engineering and Robotics van QUT, zei dat testvluchten op 30 meter en 70 meter hoogte aantonen dat hogere vluchten het in kaart gebrachte gebied voor regionale overzichten uitbreiden, terwijl lagere vluchten fijne details vastlegden, waardoor hun aanpak soepel kan opschalen van lokale percelen naar hele valleien. “Dit werk bewijst dat een lichte versie met alleen acht belangrijke golflengten betrouwbare kaarten zal genereren, wat resulteert in snellere en kosteneffectievere vegetatie-onderzoeken, en de deur opent voor kleinere UAV’s, goedkopere sensoren en kleinere hyperspectrale gegevens,” aldus professor Gonzalez.
