Epsilon Archive for Student Projects

Abstract

Att övervaka älgpopulationer är viktigt för viltövervakningen. Det finns olika sätt att göra detta på och en av dem är traditionell spillningsinventering. Detta är en tidskrävande metod som är känslig för partiskhet, vilket understryker behovet av en skalbar metod som är mer objektiv. Denna studie utforskar potentialen i att använda fjärranalysverktyg, specifikt drönarbilder, för att upptäcka älgspillning.
Fältdata samlades in i fyra unga tallbestånd i södra Sverige med hjälp av tre inventerare som spred ut sig opportunistiskt för att hitta spillning både från älg och rådjur. Spillningshögarna markerades och information om art och koordinater samlades in med hjälp av en högprecisions GNSS-enhet. Efter att markdata samlats in flögs en drönare (DJI Mavic 3M) över beståndet på 15 meters höjd. Drönarbilderna processades och det skapades polygoner runt de spillningshögar som gick att hitta i bilderna. En buffert skapades runt polygonerna för att kunna jämföra medelvärde och standardavvikelserna för spillningshögarna mot den omgivande vegetationen. Ett t-test visade att den omgivande vegetationen har en högre standardavvikelse i alla spektrala egenskapindex och ett högre medelvärde i alla spektrala egenskaper och vegetationsindex.
Resultaten från denna studie kan bidra till framtida forskning som vill bygga en modell som är
tränad för att upptäcka spillningshögar, vilket minskar fältarbetet och ökar objektiviteten i inventeringen. Även om metoden för tillfället är begränsad till unga skogsbestånd samt är väderberoende, skulle en sådan modell kunna ge insikt i älgpopulationens utveckling över tid genom att allmänt tillgänglig fjärranalysteknik.

Monitoring moose populations is important for wildlife management. There are multiple ways to do this and one of them is traditional fecal pellet surveys which are time-consuming and prone to observer bias, underscoring the need for more objective and scalable methods. This study explores the potential use of remote sensing tools, specifically drone imagery, to detect moose fecal pellet groups.
Field data were collected in four young pine stands in southern Sweden where three surveyors opportunistically spread out to find fecal pellet groups (moose, roe and red deer). The pellet groups were marked and information about species and coordinates were recorded using a high- precision GNSS device. After the ground data were collected, each stand was surveyed with a DJI Mavic 3M at an altitude of 15 meters.
The images from the drone were processed and the pellet groups found in the imagery were polygonized in QGIS. A buffer was created around the polygons to be able to compare the mean value and standard deviation of the fecal pellet groups to the surrounding vegetation. A t-test showed that that the surrounding vegetation has a higher standard deviation and a higher mean value in all spectral bands and vegetation indices.
The results from this study can contribute to future research in building a model that is trained in detecting fecal pellet groups, thereby reducing field effort and increasing survey objectivity. While currently limited to young forest stands and by weather dependency, this type of model would be able to create insight in moose population trends over time using commonly available remote sensing technologies.