Epsilon Archive for Student Projects

Abstract

Habitatfragmentering och konflikter mellan människor och vilda djur utgör ett betydande hot mot den afrikanska savannelefanten (Loxodonta africana). Även om vildmarkskorridorer är avgörande för att upprätthålla den ekologiska sammankopplingen mellan habitaten, behövs en djupare förståelse för vad som styr elefanternas rörelser. Syftet med denna studie var att försöka identifiera miljöfaktorerna, särskilt nederbörden, och hur dessa påverkar elefanters rörelsemönster. Studien genomfördes i Ol Pejeta Conservancy (OPC) i Laikipia-regionen i Kenya. Data från kamerafällor i två korridorer, insamlade under december och januari mellan 2020 och 2025, analyserades. Fotomaterialet bearbetades med hjälp av det öppna källkodsbaserade AIprogrammet Mbaza för att identifiera och filtrera elefantobservationer. För att utvärdera effekten av nederbörd implementerades ett tre-stegs rankningssystem, och data analyserades i Minitab v.22. Resultaten visade genomgående en tydlig ökning av elefantaktiviteten runt kamerorna i korridorerna. Antalet elefantbilder per dag var genomgående högre under perioder med högre nederbörd. Lokalt inom OPC var aktiviteten högre under perioder med måttlig nederbörd jämfört med dagar med liten eller ingen nederbörd. En liknande stark trend observerades i den regionala nederbörden på den motsatta sidan av Mount Kenya. Även om resultatet inte nådde statistisk signifikans, indikerar data en tydlig reaktion på både närliggande och avlägsna vädersystem. Detta kan potentiellt bero på akustisk detektering av infraljud från avlägsna stormar.

Habitat fragmentation and human- wildlife conflicts pose a significant threat to the african savannah elephant (Loxodonta africana). While wildlife corridors is crucial for maintaining ecological connectivity, a deeper understanding behind what drives the elephants movements is needed. This study aims to try and identify the environmental factors, specifically precipitation, and how that influences elephants. The study was carried out using wildlife corridors in Ol Pejeta Conservancy (OPC) in the Laikipia region, Kenya. Camera trap data from two corridors, collected from December and January between 2020-2025 were analysed. The photographic material was processed using the open source AI-program Mbaza to identify and filter elephant observations. To evaluate the effect of rainfall a three tier rankingsystem were implemented, and data were analysed in Minitab v.22. The results consistently showed a visual increase in elephant activity around the cameras in the corridors. Elephant images/day were consistently higher during the periods with higher precipitation. Locally within OPC, activity was higher during moderate rainfall compared to days with little to no rainfall. A similar strong trend was observed in regional rainfall on the opposite side of Mount Kenya. Although the result did not reach statistical significance, the data indicates a clear response to both immediate and distant weather systems. This could potentially be because of acoustic detection of infrasound from the remote storms.