הבנת משבר המינים

מינים פולשניים הם אורגניזמים לא-ממשלתיים שגורמים נזק אקולוגי, כלכלי או אנושי כאשר מוצגים לסביבות חדשות. מינים אלה - החל מצמחים כמו מרמים ו kudzu לבעלי חיים כמו zebra mussels ו- אסיאתית carp - לעתים קרובות, פתרונות לזיהוי מרחוק של מינים מקומיים עבור משאבים כגון אור, מים, ומרחב.העלות הכלכלית של מינים פולשניים ברחבי העולם עולה על פני 1.4 טריליון דולר יקר, אך הם נחשבים יותר ויותר מאי פעם אחר שיטות זיהוי איטיות גבוהה של תאים בינוניים, אך ורקמות, אך ורקמות, אך ורקדיונים, אך ורקמות, איטיים, כלומר, כלומר, כלומר, שיטות בקרה גבוהה יותר, כלומר, איטיות גבוהה יותר, כלומר, שיטות בקרה, איטיות יותר, איטיות, איטיות, יותר, לעומת זאת, תרופות, תרופות, איטיות, וגרסאות גבוהות יותר, יותר, על פני השטח של תאים בינוניות, איטיות, אך ורקמות, יותר, יותר, יותר, על פני השטח, הם נחשבים יותר, על פני השטח של תאים בינוניות יותר, על פני השטח, על פני השטח, הם, כלומר, על פני השטח, על פני השטח, על פני השטח של חומרים אלה, על ידי ירידה גבוהה יותר, כלומר, כלומר

מה זה Sensing?

חישה מרחוק היא המדע של איסוף מידע על אובייקטים או אזורים מרחוק, באמצעות חיישנים הרכובים על פלטפורמות כגון לווינים, מטוסים, או כלי רכב אוויריים בלתי מאוישים (UAVs) אלה מדד אנרגיה שמשתקף או פולט מן פני כדור הארץ על פני פני פני אורכי גל שונים של ספקטרום אלקטרומגנטי.בהתאם לסוג החיישן, רגישות מרחוק יכול ללכוד אור, קרוב ל-Freshreshreshreshreshreshre, קצר, גלי חום, כולל חומרים כימיים או ניתוח קיסרי, כולל תכונות כימי, או קרינה אינפרא אדום, או קרינה אינפרא אדום, כולל קרינת כדור הארץ.

פלטפורמות אבטחה מרחוק

  • (FLT:0SatellitessigFLT:1) - פלטפורמות כמו Landsat, Sentinel ו-MoDIS מספקים כיסוי עולמי עם זמני בדיקה מחדש החל מ 1 עד 16 ימים.הם מציעים רזולוציה בינונית עד גבוהה מרחבית (10-30 מ"ל עבור רב-ספקטרום) והם אידיאליים עבור ניתוחים בקנה מידה הנוף לאורך עשרות שנים.
  • (FLT:0) כלי אוויר בלתי מאוישים (כלי רכב או ד"ר) 1Feloph:1 - Drones מציעים פתרון שטח גבוה אולטרה-גבוה (מונים עד תת-מטר) ופריסה גמישה. הם יכולים לשאת רב-ספקטרום, היפר-ספקטרום, או חיישניים תרמיים והם שימושיים במיוחד עבור מיפוי קטן או hetereogenous infestations.
  • (FLT:0)מנדט מטוסים 1LT (מארגן אווירי) - קמפיינים באוויר מספקים פתרון גבוה יותר מאשר לווינים ויכולים לכסות אזורים גדולים יותר מאשר מל"טים, לעתים קרובות בשימוש בסקרים אזוריים או כאשר ענן מגביל את תמונות הלוויין.
  • (FLT:0Ground-based Sensors) 103 ( ⁇ spectroרדיומטרים ניידים על טריפודים או כלי רכב ללכוד ספקטרום התייחסות, חיוני עבור קלברות ואימות נתונים אוויריים או לווייניים.

כיצד מסייעות סאנסינג מרחוק לעקוב אחר מינים פולשניים

העיקרון הבסיסי הוא כי מינים צמחיים שונים יש דפוסים ייחודיים של רפלקטיביים - טווח (FLT:0spectralחתות FLT:1 - בשל הבדלים במבנה עלים, תוכן מים, ריכוז כלורופיל, ותכונות ביוכימיות אחרות מתעדות חיישנים מרוחקים את החתימות הללו, וטכניקות ניתוח מתקדמות (כגון אלגוריתמים סיווג, ניתוח ספקטרום, ולמידה) יכולות להבדיל בין צמחייה.

גילוי מוקדם וממפה

גילוי מוקדם של פלישות חדשות הוא קריטי כי חיסול הוא אפשרי ביותר כאשר אוכלוסיות קטנות ומקומיות. חישה מרחוק מאפשרת סריקה חוזרת של אזורים גדולים, המאפשר למנהלים לזהות כתמים אטומיים של חודשים צמחייה או שנים לפני שהם יושמו על הקרקע.לדוגמה, לנדסאט זמן שימש כדי לזהות את ההתרחבות של FLT:0 ⁇ aragm atralirs atralissalris in atralissives.

המונחים: phengology

על ידי השוואת תמונות מרובות-זמניות, החוקרים יכולים לכמת את שיעור התפוצה, הדינמיקה עונתית, ותגובה להתערבות ניהולית.מינים פולשניים לעתים קרובות יש פנולוגיה ייחודית - למשל, הם עשויים לעלות מוקדם יותר או סאנס מאוחר יותר מאשר צמחים ילידים.

זיהוי כישוף Infestations

כמה צמחים פולשניים גדלים תחת קאנוכיות יער או צמחייה מעורבת, מה שהופך אותם לבלתי נראים לחיישנים אופטיים סטנדרטיים. (FLT:0) Hypertral הדמיהFLT:1, אשר לוכד מאות להקות ספקטרום צר, יכול להבחין הבדלים עדינים בכימיה עלים ומבנה.A קמפיינים היפר-ספקטרוםיים באוויר יש ממפה בהצלחה מינים פולשניים כגון חרדל (FLT2ioria ⁇ ) ו-DFwephiphánberaphiphiphiphánbn) תחת עץ: 3.

ניהול יישומים באמצעות נתונים מרחוק

ברגע שמינים פולשניים מזוהים וממפותחים, נתונים מרחוק חושפים ישירות אסטרטגיות ניהול. Integrated Management תוכניות להיות יעילים יותר עם מידע מפורש מרחבי על היקף ההפחדה, צפיפות, וסמיכות לבתי גידול רגישים.

בקרה ממוקדת וביטול

(המפות ברזולוציה גבוהה שנוצרו ממל"ט או מדמיון לווייני מאפשרות למנהלי קרקע לתעד את אזורי הטיפול במקום לרסיס את הבקר על חבילות שלמות, הם יכולים להשתמש ב-FLT:0precision Management FigtureFLT:1 - יישום שליטה רק כדי למנוע תיקונים בלתי מזוהים (Samsted transfer) לאורך מסדרונות כימיים, מורידים עלויות, ומפחיתים את ההשפעות על מינים שאינם target לדוגמה, UFred) עבור שירות U.

יעילות הטיפול

חוזרים על סקרים מרחוק לאחר יישום ה- herbicide, הסרת מכנית או שחרור בקרה ביולוגית מספקים אמצעי אובייקטיבי של הצלחה.מנהלים יכולים להשוות מראש ופוסט-טיפול צמחייה כדי לכמת את ההפחתה בכיסוי פולשני, שיעורי הregrowth, ו recolonization על ידי מינים מקומיים.זה לולאה משוב הסתגלות משפר את החלטות ניהול עתידיות.

תכנון שיקום

נתונים מרוחקים גם מסייעים לשיקום של מודלים של גובה דיגיטלי, לחות אדמה אינדיקציות, ומפות הפצה מינים לעזור לזהות אתרים מתאימים להתחדשות הילידים.לאחר הסרת פולשנית, ניטור באמצעות חישה מרחוק מבטיח כי מטרות שיקום הם נפגשו וכי החייאה מזוהה במהירות.

שילוב עם טכנולוגיות אחרות

רגישות מרחוק היא החזקה ביותר בשילוב עם כלים משלימים ומקורות נתונים. גישה סינרגטית משפרת את הדיוק ואת הרלוונטיות התפעולית.

מערכות מידע גיאוגרפיות (GIS)

GIS מספקת פלטפורמה לשלב תמונות מרחוק עם נתונים ימיים כגון שימוש בקרקע, סוגי אדמה, הידרולוגיה, ומסדרונות חיות בר. ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

סקרי שדה ואמת קרקע

אין תוצאה רגישה מרחוק היא אמינה ללא אימות על הקרקע.צוותי שדה אוספים מיקומים GPS, הערכות כיסוי של אחוזים וזיהוי מינים להכשיר אלגוריתמים סיווג והערכה דיוק המפה. integrating נתונים שדה עם לווין או רחפנים מגשרים את הפער בין ניטור בקנה מידה רחב לבין המציאות בקנה מידה מקומי.

Machine Learning and Cloud מחשוב

ערכות נתונים מרוחקות מודרניות הן אלגוריתמים מסיביים ללמידה מכונה (יער מולד, מכונות וקטורת תמיכה, רשתות עצביות עמוקות מהפכתיות) לומדים באופן אוטומטי תבניות ספירטרליות ומרחביות מורכבות כדי להפלות מינים פולשניים.

מדע האזרח ואפליקציות ניידות

יישומים כמו iNaturalist ו- EDDMapS מאפשרים לציבור לדווח על מינים פולשניים מראה. נקודות אלה שמקור ההמונים יכולים לאמת גילויים מרחוק או למלא פערים שבהם התמונה אינה זמינה, יצירת רשת תצפית היברידית.

מחקרים ב-Sensing of Invasive Species

מפלסמות באגן הגדול

פלישות בגרות שינתה את משטרי האש ברחבי מיליוני דונם בפנים מערב ארצות הברית. חוקרים השתמשו ב-MoDIS NDVI NDVI כדי ללכוד את תחילת הירוקה-up ואת הסינescence מהיר כי להבחין מרמים מן המברשת הילידים ועשבים ennial.מפות אלה עכשיו להנחות תכנון אש שנקבעו וניהול רינג, כמו גם לפני ההקדמה של הטיפולים שלה על ידי הלשכה לניהול הקרקע.

מיפוי ⁇ בGreat Lakes

(FLT:0)Phragmites australisFreaLT:1) הוא חידוש אגרסיבי כי degrades רטוב בתי גידול יבשתיים סביב האגמים הגדולים. A צוות של סקר הגיאולוגי של ארה"ב שילב לנדsat 8 תמונות ורזולוציה גבוהה נתונים היפר-ספקטרוםיים באוויר כדי למפות Phragmites עומד על פני חופי רטובות עם יותר מ 85% דיוק.

עקבו אחרי Saltcedar לאורך נהר קולורדו

Saltcedar (ראה:0)TamarixFLT3 1 spp.) צורכת כמויות גדולות של מים ופירוק יערות הכותנה הילידים-willow. Aerial Multispectral סקרים לאורך נהר קולורדו זיהו סטיות צפופות וכינו את ההפחתה בזמינות מים.המידע המודרך בשחרור הביולוגי (tama Bele) ועזר להעריך מאוחר יותר oliation ושיקום של צמחייה Native.

אתגרים ומגבלות

למרות הבטחתו, חישה מרחוק לניהול מינים פולשנית ניצבת בפני כמה מכשולים שיש לטפל בהם לאימוץ נרחב.

החלטה ספציפית וספציבית של קונסולינטים

מינים פולשניים רבים הם נדירים או מתרחשים בכתמים קטנים (למשל, פחות מ -10 מטרים בקוטר) תמונות לוויין חינם (Landsat, Sentinel-2) יש פתרון מרחבי של 10-30 מ', אשר עלול להחמיץ סטיות קטנות או לערבב אותם עם פיקסלים סביב פיקסלים. High-resolution לוויינים מסחריים (למשל, WorldView at 0.3 מ') הם יקרים, וחיישנים מרכזיים עדיין יכולים למלא את הסיקור מוגבל.

קיצור אטמוספירי ו-Cloud Cover

Optical remote sensing cannot see through clouds. In tropical and temperate regions with persistent cloud cover, obtaining cloud‑free images during key phenological windows can be difficult. Synthetic aperture radar (SAR) passes through clouds and can detect structural properties, but analyzing SAR data for invasive species is still an active research area.

ניתוח נתונים

עיבוד נתונים מרחוק - איכות, תיקון אטמוספירי, סיווג ואימות - ידע מיוחד של עקרונות, תוכנה וסטטיסטיקה מרחוק.מנהלי משאבים טבעיים רבים חסרים את ההכשרה לשלב חישה מרחוק לתוך זרימת העבודה שלהם. פלטפורמות ידידותיות למשתמש וכלי תמיכה בקבלת החלטות נדרשים כדי להוריד את המחסום לכניסת הכניסה.

מעורבות וחדשנות ספקטרלית

בנוף heterogeneous, האות ספקטרלי של צמחים פולשניים עשוי להיות מוצפת על ידי צמחייה הילידים co-curring.ספקטרום בלבול עולה כאשר מינים שונים יש עקומות רפלקציה דומה, במיוחד כאשר משתמשים רק להקות רב-ספקטרום (למשל, אדום, ירוק, כחול, כחול, קרוב-infratral נתונים עזרה אבל הם לא חסומים, ואמת קרקעית נשאר חיוני.

כיוונים עתידיים וטכנולוגיות מתפתחות

התחום מתפתח במהירות.כמה התפתחויות מבטיחות להגדיל את הדיוק, את הכדאיות, ואת נגישות של חישה מרחוק לניהול מינים פולשניים.

משימות לוויין חדשות

חיישנים קרובים כמו המשימה של נאס"א לביולוגיה וגיאולוגיה (SBG) ומשימה של סוכנות החלל האירופית של קופרניקוס Hyperspectral Imaging Mission (CHIME) יספקו נתונים גלובליים, תכופים, תכופים, אשר יאפשרו מיפוי תפעולי של מינים פולשניים מהחלל ללא עלות של קמפיינים באוויר.

שילוב של LiDAR

גילוי אור ו Ranging (LiDAR) מספק מידע תלת-ממדי על מבנה צמחייה -height, צפיפות קאנופי, גובה הקרקע.שלב LiDAR עם נתונים ספקטרליים יכול לשפר את האפליה בין מינים פולשניים ו Native, במיוחד עבור פולשים עץ. לדוגמה, שיח פולשני כמו FLT:0Rhams CatharticaFLT:1 (common hornt) יש ארכיטקטורה שונה מאשר צמחים ילידים יכול ללכוד.

מתקדם ב Machine Learning ו-AI

מודלים למידה עמוקה, במיוחד רשתות עצביות אבולוציה (CNN) ומניפסטי ראייה, שיפרו באופן דרמטי את היכולת לסווג תכונות בקנה מידה בסדר בתמונה ברזולוציה גבוהה.מודלים אלה יכולים ללמוד תבניות מרחביות מעבר רק לחתימות ספקטרליות.למידת נתונים מפלטפורמות כמו תיבת תוויות והשימוש בהעברה מאפשר פריסה מהירה לסביבות חדשות.

מעקב בזמן אמת עם האינטרנט של דברים (IoT)

חיישנים קבועים על הקרקע או על מגדלים יכולים תמיד למדוד רפלקציה, טמפרטורה ולחות, מעוררים התראות כאשר התנאים מצביעים על פלישה. בשילוב עם מזל"טים שניתן לפרוס באופן אוטומטי, זה יוצר מערכת התראה מוקדמת כמעט-מציאותית.

כלי תקשורת אזרחיים ושילוב מוביל

אפליקציות שמאפשרות לבעל קרקע או לעובד שדה לצלם ולקבל חיזוי הסתברות של מינים פולשניים מיידיות נמצאים בפיתוח.כלים אלה מסתמכים על מודלים מבוססי ענן מאומן על נתונים מרחוק, מערער את הפער בין אנליסטים מרחוק מומחה לחישה מרחוק וממשתמשי קצה.

מסקנה

חישה מרחוק עברה ממחקר ניסיוני לכלי תפעולי במאבק נגד מינים פולשניים.היכולת שלו לכסות אזורים גדולים שוב ושוב לזהות הבדלים עדינים בצמחייה הופכת אותו יקר ערך עבור גילוי מוקדם, מיפוי, ו ניטור של פלישות.כאשר משולב עם GIS, למידת מכונה ואימות שדה, חישה מרחוק נתונים מעצימים מנהלי קרקע כדי לקבל החלטות יעילות, ממוקדות כי bio Nativeersity ושירותים אקולוגיים.

אתגרים נשארים - פערים ברזולוציה, שמיים מעוננים, בלבול ספקטרלי, והצורך באנליסטים מיומנים אינם טריוויאליים.עם זאת, המסלול ברור: שיפור חיישנים, אלגוריתמים חזקים יותר, וגישה לנתונים גדולה תמשיך להרחיב את התפקיד של חישה מרחוק.עבור כל ארגון או סוכנות המחויבים לניהול מינים, השקעה ביכולת של חישה מרחוק אינה רק מטושטשת - חיוני להפצתו.

כדי ללמוד עוד על תוכניות ספציפיות ומקורות נתונים, לחקור את ה-Invasive Species Program of the ProveFLT:2NASA Applied Sciences - Invasive SpeciesFLT 3: 3, and the FLT:4Copernicus Earth Program:5