Examensarbete
Viltinventering med hjälp av drönare utrustad med termisk- och RGB kamera
Identifiering och artbestämning av älg och annat klövvilt
Wildlife inventory with drone equipped with RGB and thermal camera
Identification and species determination of moose and other cloven-hoofed animals
Författare: Annette Eilert & Katrin Magnusson Handledare: Erika Olofsson
Examinator: Johan Bergh
Datum: 2020-06-09
Kurskod: 4TS30E, 30 hp
Sammanfattning
I Sverige används i dag flera etablerade viltinventeringsmetoder för att skatta storleken på populationen av olika viltstammar. Resultatet från inventeringen används som beslutsunderlag till olika adaptiva förvaltningsplaner. En svaghet med de etablerade viltinventeringsmetoderna är att de baseras på trender och index av populationer mer än att få fram en siffra på antalet djur. Det kan leda till felaktiga skattningar av populationers storlek och därmed felaktiga beslut.
Ny teknik i form av drönare öppnar upp nya möjligheter att samla in fältdata på ett sätt som inte varit möjligt tidigare. Med positiva erfarenheter från tidigare fältförsök vid inventering av älg med drönare och termisk kamera så fanns möjligheten att utveckla metoden vidare tack vare ekonomiskt bidrag från Gösta Edströms Hedersfond. Från att enbart ha använt en termisk kamera har nu två kameror (termisk och RGB) används för att ytterligare höja säkerheten vid identifiering och artbestämning av vilt.
Fältarbetet utfördes på fastigheten Toftaholm (Dörarp 5;127) i Kronobergs län, Ljungby kommun. En totalinventering av 506 ha utfördes genom att skapa provrutor i kml-format som drönaren programmerades att flyga.16 identifieringar om totalt 29 djur gjordes i fält. Vid 9 tillfällen upptäcktes flera djur i samma identifiering.
Resultatet visar att artbestämning av vilt är säkrare med hjälp av två kameror (termisk och RGB) monterad på drönaren. Med enbart termisk kamera kunde 3 djur säkert artbestämmas. Med kombinationen termisk- och RGB kamera kunde 15 djur säkert artbestämmas. Ett Chi-två-test verifierade att det var en signifikant skillnad mellan fördelningen säkra och osäkra artbestämningar för enbart termisk kamera respektive termisk och RGB.
Svårigheten att upptäcka vilt under täta krontak, främst gran, kan påverka resultatet och därför behöver metoden utvecklas vidare för att öka
tillförlitligheten. Utvecklingen av hård- och mjukvaror för drönare går framåt i snabb takt vilket kommer att gynna metoden. Drönarens begränsande batteritid samt gällande regelverk från Transportstyrelsen gör att metoden i nuläget är begränsad till mindre arealer. En större förändring av regelverket sker under senare delen av 2020 med förhoppning om att det kommer att underlätta användningen av drönare för insamling av fältdata.
Slutsatsen är att metoden har potential att vara ett komplement till traditionella
viltinventeringsmetoder, men behöver utvecklas ytterligare genom vidare
fältstudier.
Summary
In Sweden, several established wildlife inventory methods are used today to estimate the size of different wildlife populations. The result from the inventories are used as decision support for further management plans. One weakness of the established wildlife inventory methods is that they are based on trends and index of populations rather than obtaining a number of animals. This can lead to incorrect population estimates and incorrect decisions.
New technology in the form of drones opens new opportunities to collect field data in a way that has not been possible before. With positive experience from previous field trials of moose inventory with drones and thermal cameras, there was an opportunity to develop the method further thanks to financial support from the Gösta Edström Hedersfond. Using only a thermal camera before, two cameras (thermal and RGB) have now been used to further enhance the estimations of wildlife identification and species determination.
The field work was carried out on the Toftaholm property (Dörarp 5; 127) in Kronoberg County, Ljungby municipality. A total inventory of 506 ha was carried out by creating test squares in kml-format, which the drone was programmed to fly.16 identifications including totally 29 animals were made in the field. On 9 occasions, several animals were detected in the same identification. The result shows that species determination of wildlife is more accurate using two cameras (thermal and RGB) mounted on the drone. A Chi-square test verified that there was a significant difference between the distribution of accurate and uncertain species determinations for only thermal and thermal and RGB.
The difficulty in detecting wild animals under dense tree canopies, especially spruce, can affect the result, therefore the method needs to be further developed to increase reliability. The development of hardware and software for drones is moving forward at a rapid pace, which will favor the method. The drone's limiting battery life and current regulations from the Swedish Transport Agency mean that the method is currently limited to smaller areas. A major change to the regulations will take place in the later part of 2020 with the hope that it will facilitate the use of drones for the collection of field data.
The conclusion is that the method has the potential to be a complement to
traditional wildlife inventory methods but needs to be further developed through
further field studies.
Abstract
Betesskador på skog kostar både skogsägare och industri stora summor pengar.
Ett sätt att minska betesskador kan vara bättre kontroll över populationsstorleken av klövvilt. I Sverige används flera olika etablerade viltinventeringsmetoder.
Svagheten är att de baseras på trender, index och avskjutningar mer än att få fram en siffra på antalet djur. En tillförlitlig inventeringsmetod är av stor vikt som beslutsunderlag till förvaltningsplaner.
Drönare är ett obemannat luftfartyg som kan utrustas med olika kameror och sensorer. Tidigare fältstudier har visat att värme från vilt kan plockas upp av en drönare utrustad med termisk kamera. Svårigheten har varit att få tillförlitlighet vid artbestämning av vilt med enbart termiska kamera.
I denna studie utfördes en viltinventering av ett 506 ha stort område norr om Ljungby i Kronobergs län under januari 2020. Med hjälp av en drönare utrustad med både termisk och RGB kamera utfördes en totalinventering av området.
Resultatet visar att kombinationen av både termisk och RGB kamera ökar
tillförlitligheten vid artbestämning av vilt. Metodens svagheter är täta krontak av gran, gällande regelverk från transportstyrelsen samt drönarens begränsande batterikapacitet.
Slutsatsen är att vilt säkrare kan identifieras och artbestämmas med
kombinationen av termisk- och RGB kamera jämfört med enbart termisk kamera men att metoden behöver vidareutvecklas.
Nyckelord: viltinventering, betesskador, älg (Alces alces), klövvilt, drönare, termisk kamera, RGB kamera.
Keyword: wildlife inventory, grazing damages, moose (Alces alces), cloven-
hoofed animals, drones, thermal camera, RGB camera.
Förord
Vi som har skrivit detta examensarbete heter Annette Eilert och Katrin Magnusson. 2017 examinerades vi från Skogskandidat programmet vid
Linnéuniversitetet i Växjö. Efter examen har vi arbetat som drönarpiloter både hos Skogsstyrelsen, Södra Skog HK i Växjö samt i våra egna företag. Vi har
specialiserat oss på att samla in fältdata från jord- och skogsbruk med hjälp av drönare utrustad med olika sensorer och kameror.
Detta examensarbete har varit möjligt att genomföra tack vare att vi sökte ekonomiskt bidrag från Södras Gösta Edströms Hedersfond som utlyses en gång om året. Vi beviljades anslag från fonden 2019 vilket även resulterade i
projektanställning hos Södra Skog HK i Växjö. Under perioden 1 september 2019 till 31 mars 2020 har vi arbetat heltid med vårt viltinventeringsprojekt där
momenten metodutveckling, provflygningar, insamling och tolkning av fältdata har ingått. I detta examensarbete har allt fältdata samlats in på Södras fastighet Toftaholm (Dörarp 5:127) i Ljungby kommun, Kronobergs län, Sverige.
Vår förhoppning är att vårt examensarbete ska tillföra kunskaper om ny teknik i form av drönare, kameror samt mjukvara och hur dessa kan användas vid viltinventering.
Vi har många att tacka och listan kan göras lång men vi vill börja med Södra Skog HK i Växjö och våra chefer Johan Jonsson och Mats W Johansson. Stort tack för all stöttning och att ni redan från start trodde på vår inventeringsmetod. Sedan vill vi extra mycket lyfta fram Erik, Hugo samt Anders på drönarföretaget Swedron.
Utan er support med hård- och mjukvara samt er outtröttliga lust att i tid och otid svara på frågor så hade detta projekt aldrig kunnat genomföras. Utan trevliga och hjälpsamma kollegor klarar man sig aldrig speciellt långt därför vill vi även tacka Johan Malmqvist, drönarpilot och GIS expert samt Kristian Constantinescu på IT- avdelningen, Södra Skog HK, Växjö. Vi vill även tacka Alex på AMKVO AB för stor hjälp med mjukvarusupport. Förlåt för att vi har ringt och väckt dig ett par gånger…
Sist men inte minst vill vi tacka vår handledare universitetslektor Erika Olofsson, Linnéuniversitetet Växjö, för ditt pedagogiska sätt och engagemang som både med humor och pekpinnar har drivit detta examensarbete framåt till mål.
En gång LNU:are, alltid LNU:are…
Annette Eilert och Katrin Magnusson
Vimmerby och Sätila 14 juni 2020
Innehållsförteckning
1. Introduktion_________________________________________________ 1
1.1 Bakgrund _______________________________________________________ 1 1.2 Älg och annat klövvilt _____________________________________________ 1 1.3 Inventeringsmetoder ______________________________________________ 3 1.4 Drönare ________________________________________________________ 4 1.5 Regelverk ______________________________________________________ 6 1.6 Lantmäteriet och spridningstillstånd __________________________________ 6 1.7 Sensorer och kameror _____________________________________________ 7 1.7.1 Termisk kamera ______________________________________________ 7 1.7.2 RGB kamera_________________________________________________ 7 1.8 Fältförsök Västmanland 2018 _______________________________________ 8 1.8.1 Landskapets karaktär __________________________________________ 8 1.8.2 Fältarbete Västmanland ________________________________________ 9 1.9 Teknisk metodutveckling __________________________________________ 9 1.10 Syfte och frågeställningar ________________________________________ 11 1.10.1 Frågeställningar ____________________________________________ 11 1.11 Avgränsningar _________________________________________________ 11 2. Material och metoder ________________________________________ 13
2.1 Metodik _______________________________________________________ 13 2.2 Material _______________________________________________________ 14 2.3 Genomförande__________________________________________________ 14 2.3.1 Toftaholm __________________________________________________ 14 2.3.2 Förberedelse på kontor ________________________________________ 15 2.3.3 I fält ______________________________________________________ 16 2.3.4 Efterarbete på kontoret ________________________________________ 18 3. Resultat och analys __________________________________________ 19
3.1 Teknisk metodutveckling och landskapets påverkan ____________________ 19 3.2 Identifiering och artbestämning ____________________________________ 19 3.3 Säkert och osäkert _______________________________________________ 21 4. Diskussion _________________________________________________ 24
4.1 Resultatdiskussion_______________________________________________ 24 4.2 Metoddiskussion ________________________________________________ 25 4.3 Materialdiskussion ______________________________________________ 26 4.3.1 Regelverk __________________________________________________ 28 5. Framtidsspaning ____________________________________________ 29
6. Slutsats ___________________________________________________ 29 5. Referenser _________________________________________________ 30 8. Bilagor____________________________________________________ 34
Bilaga 1 __________________________________________________________ 34
Bilaga 2 Kamerans tekniska specifikation _______________________________ 35
Bilaga 3 Karta över Toftaholm ________________________________________ 36
1. Introduktion
1.1 Bakgrund
Betesskador på skog kostar både skogsägare och industri stora summor pengar varje år (Örlander 2017). Orsaken till omfattande betesskador är en obalans mellan tillgång på foder och antalet klövvilt (Hörnberg 2001). Ett sätt att minska betesskador kan vara att ha bättre kontroll över
populationsstorleken av klövvilt och därigenom se till att tillgång på foder och antalet vilt är i balans. En pålitlig viltinventeringsmetod för att kunna kartlägga olika populationers storlek är nödvändigt för att kunna utarbeta bättre förvaltningsplaner.
I dag används flera olika inventeringsmetoder i Sverige. För älg används älgobs samt spillningsinventering i provytor för att få en uppfattning om populationens storlek. Spillningsinventering ger ingen information om populationens köns- eller ålderssammansättning (Sveriges
lantbruksuniversitet 2019a). Även populationsskattningar av rådjur, kron- och dovhjort samt vildsvin utförs varje år. Dessa skattningar baseras på avskjutningsstatistik som är inrapporterat till Länsstyrelsen (Länsstyrelsen 2019).
Svagheten med de etablerade viltinventeringsmetoderna är att de är baserade på trender, avskjutning och index av populationer mer än att få fram en siffra på antalet djur i ett specifikt område. Det kan leda till felaktiga skattningar av populationers storlek lokalt och därmed felaktiga beslut i
förvaltningsplaner. Ny teknik i form av drönare öppnar upp nya möjligheter att samla in fältdata på ett sätt som inte kunnat göras tidigare.
Det finns i princip ingen vetenskaplig forskning eller studier där drönare utrustad med termisk och RGB kamera har använts vid viltinventering. Ett första fältförsök genomfördes i Västmanland, Sverige 2018 med en drönare försedd med
enbart termisk kamera. Resultatet visade att det var möjligt att upptäcka värmesignaturer från älgar och övrigt vilt men att metoden behöver utvecklas vidare (Eilert & Magnusson 2019).
1.2 Älg och annat klövvilt
Älg, kron- och dovhjort tillhör släktet hjortdjur. Dessa djur inklusive
vildsvin är partåiga vilket beskriver de två tår som bildar klövarna och
därmed kallas de även för klövvilt (Jägarskolan 2019). Klövvilt trivs i barr-
och blandskogar och söker föda och skydd både i gammal och ung skog.
Klövviltstammarna storlek påverkas av flera olika faktorer, dels av jakt men även av trafikolyckor, födslar och naturlig avgång genom ålderdom. Även predation av varg och björn påverkar stammarnas storlek (Bjärvall &
Ullström 1995, Ekman et al. 1992).
Klövvilt är idisslare vilket innebär att det foder dom äter tuggas två gånger.
Älg, kron- och dovhjort samt rådjur kan delas in i tre grupper:
kvalitetsbetare, anpassningsbar mellan grupp samt grovbetare (Figur 1). Älg och rådjur hör till gruppen kvalitetsbetare då de selektivt föredrar att äta näringsrika växter och växtdelar såsom örter, löv, knopp, kvist och bark medan till exempel gräs vanligen undviks (Bergquist et al. 2011). En vuxen älg äter ungefär 6–10 kg (motsvarar 3–5 kg torrvikt) foder per dygn under vinterhalvåret. Sommartid är mängden 2–3 gånger högre per dygn (Felton et al. 2020).
Kron- och dovhjort kan uppträda som både ”kvalitetsbetare” och
”grovbetare”. En stor del av huvudfödan består av relativt näringsfattig vegetation såsom ljung, lingon- och blåbärsris, lavar samt gräs, vilket kompenseras med en större mängd foder. Kron- och dovhjort äter även kvistar och knoppar av löv- och barrträd men inte i samma omfattning som älg och rådjur. Kronhjort gnager däremot gärna på granens bark vilket orsakar stora skador i produktionsskogar. Det betestryck som
skogslandskapet idag utsätts för är tydligt ”kvalitetsbetare”-präglat (Bergquist et al. 2011).
Skador på skog kan även orsakas av annat klövvilt såsom vildsvin genom
uppbökning av plantor och skogsmark (Witzell et al. 2009).
Figur 1. Klassificering av olika klövvilt (Bergquist et al. 2011).
Foderbrist uppstår när tillgång på foder och antalet vilt inte är i balans vilket gör att betesskador på främst tall och lövträd ökar. Skador från vilt kan orsaka försämrad tillväxt och i värsta fall öppna upp för att röta lättare får fäste vilket på sikt dödar trädet. Även missfärgningar av virket kan förekomma. Betesskador ger försämrad virkeskvalitet och därmed en ekonomisk förlust för skogsägaren och en sämre produkt som levereras till industri (Isaksson 2020).
För att kunna säkra viltstammar med hög kvalitet som samtidigt är i balans med fodertillgång så behövs tillförlitliga inventeringsmetoder som underlag till förvaltningsplaner (Skogsstyrelsen 2017).
1.3 Inventeringsmetoder
Älgobsen är i första hand tänkt att användas för att skatta en population storlek i form av ett relativt index och används främst för att påvisa
förändringar över tid inom ett älgförvaltningsområde. Metoden innebär att
jaktdeltagare utför observationer under de sju första dagarna då jakt bedrivs
under de första 30 dagarna från älgjaktens start. Med älgjaktens start menas
första dag det är tillåtet att jaga älg. Varje tillfälle när en jaktdeltagare sett en
älg inom jaktområdet räknas som en observation. Även de älgar som skjutits
räknas. När samma älg visar sig vid olika tidpunkter för olika passkyttar, eller när samma älg observeras olika dagar, räknas det som olika
observationer. Om flera jaktdeltagare samtidigt sett en älg räknas detta som en observation. Älgar som observeras inom jaktområdet under avbrott i jakten och vid förflyttningar räknas som observation och ska noteras. Älgar som observeras vid färd till eller från jakten skall inte antecknas (Sveriges lantbruksuniversitet 2019a).
Spillningsinventering utförs genom att med hjälp av provytor skatta hur många spillningshögar det finns per ytenhet. Detta görs säkrast genom att först rensa provytorna på hösten och på våren räknar de högar som tillkommit under vintern. Eftersom det finns en variation i hur många spillningshögar en älg lämnar efter sig varje vinterdygn
(defekationshastighet) så är metoden idag mest lämpad för att ge ett index som vid upprepade inventeringar ger en bild av förändringar över tiden.
Metoden är utvecklad, testad och verifierad för att skatta älgtäthet under vintern och lämpar sig mindre bra under andra årstider då spillningen påverkas av markvegetation och insekter. Metoden ger ingen information om köns- eller ålderssammansättning i älgpopulationen (Sveriges
lantbruksuniversitet 2019b).
Flyginventering med hjälp av flygplan/ helikopter utrustad med vanlig RGB kamera och/ eller termisk kamera samt manuell räkning är ytterligare en inventeringsmetod. Metoden används inte så frekvent beroende på höga kostnader för beställaren. Detta gör att inventeringar inte sker så ofta
(Hörnell-Willebrand & Pehrsson 2010). Det finns också en miljöaspekt att ta med i beräkningen. Flygbränsle baseras på fossila råvaror och varje flygning innebär utsläpp av koldioxid (CO2) som bidrar till en uppvärmning av klimatet (Transportstyrelsen 2013).
1.4 Drönare
Drönare kategoriseras som ett obemannat luftfartyg och delas in i två huvudgrupper: multirotor (propeller) som startar och landar vertikalt samt fixed wing (fastvinge) som startar och landar vågrätt. En drönare kan
utrustas med olika kameror och sensorer beroende på vilken typ av data som ska samlas in. Drönarens storlek, vikt, flygtid (batterikapacitet) samt
räckvidd varierar kraftigt mellan olika modeller. En drönare kan flyga en förprogrammerad rutt av sig självt (autonomt) eller styras i realtid från marken av en pilot (Tang & Shao 2015).
Enligt en rapport från Transportstyrelsen (2018) har intresset för användning av drönare ökat för varje år. Enligt rapporten bedöms marknaden för
hobbydrönare som mättad medan marknaden för kommersiell verksamhet
står inför en stark tillväxt. De kommande EU-gemensamma reglerna
tillsammans med nya anpassningar för den svenska marknaden gör att det finns skäl att räkna med en stor ökning av antalet kommersiella drönare.
Sedan 2010 har antalet svenska drönartillstånd för kommersiell verksamhet ökat stadigt (Figur 2).
Figur 2. Antal svenska drönartillstånd enligt uppgifter från Transportstyrelsen.
(Transportstyrelsen 2018).
Anledningen till det ökade intresset kan vara att utbudet av drönare och sensorer stadigt ökar tillsammans med olika typer av mjukvaror. Detta gör att det blir enklare att samla in, tolka och processa olika typer av data, framför allt fältdata från jord- och skogsbruk.
Flera skogliga organisationer, myndigheter och företag, exempelvis
Skogsstyrelsen, Södra, Skogforsk och Katam använder regelbundet drönare för att samla in skogliga fältdata. Enligt Magnusson (2017) är de främsta användningsområdena följande:
• Planering
• Uppföljning
• Inventering
• Kommunikation
• Dokumentation
• Utbildning
• Övervakning
’
1.5 Regelverk
Transportstyrelsen är den svenska myndighet som ansvarar för det regelverk som styr hantering av drönare i Sverige. Detta regelverk (TSFS 2017:110) ska tillämpas vid flygning utomhus med obemannade luftfartygssystem inom Sverige (Transportstyrelsen 2017).
Vid insamling av fältdata till denna studie har vi följt det regelverk som gäller i Sverige fram till 30 juni 2020. I korthet innebär det att piloten inte får flyga högre än 120 meter ovanför marken, inte längre bort än 500 meter eller släppa drönaren ur sikte under flygning. Utöver detta finns restriktioner i form av flygförbud över både byggnader (till exempel kungliga slottet, militära anläggningar, kärnkraftverk) samt flygplatser (Transportstyrelsen 2017).
Regelverket för drönare kommer under 2020 att genomgå en förändring. I denna studie har vi valt att inte ge någon närmare beskrivning av kommande regelverk eftersom alla detaljer inte är fastslagna enligt European Union Aviation Safety Agency (EASA). Kort kan nämnas att det nya regelverket kommer att vara gemensamt för alla länder anslutna till Europeiska unionen vilket det inte är i skrivande stund. Andra förändringar är nya viktklasser för drönaren samt högre krav på utbildning (luftfartskunskap) hos piloten. De nya reglerna har tagits fram av EASA för att underlätta utvecklingen av drönare och samtidigt behålla en hög säkerhet i takt med att trafiken i luftrummet ökar (EASA 2019).
1.6 Lantmäteriet och spridningstillstånd
Enligt lagen och förordningen om skydd för geografisk information (§9 2016:319) krävs spridningstillstånd för att publicera eller på annat sätt sprida geografisk information. Med geografisk information menas flygfoto och liknande registreringar som film, laserskannade data, data från termisk kamera samt radardata. Det innebär att all geografisk information som samlats in av drönare ska skickas in till Lantmäteriet via en webbportal för granskning. Efter godkännande erhålls ett skriftligt spridningstillstånd i pappersform. Syftet med tillståndskravet är att i möjligaste mån undvika skada för svenska totalförsvaret samt att följa dataskyddsförordningen GDPR (The general Data Protection Regulation) när det gäller
kamerabevakning (Lantmäteriet 2019).
1.7 Sensorer och kameror
1.7.1 Termisk kamera
Redan år 1900 påvisade den tyska fysikern Max Planck att alla föremål som har en temperatur över den absoluta nollpunkten (-273,15 C) avger infraröd strålning (Schörnborn et al. 2014). En termisk kamera kan uppfatta denna infraröda strålning och sedan visualisera punkter med olika värmetal genom färgerna gult, orange, grönt, mörkblått samt rött på en skärm (TV, dator eller platta) med hjälp av ett mjukvaruprogram. Dessa punkter med olika
värmetal har vi i denna studie valt att kalla värmesignaturer för att lättare kunna förklara fenomenet.
Allt levande vilt avger värme och därmed infraröd strålning. Detta kan plockas upp av drönarens termiska kamera och avbildas som en
värmesignatur på en skärm. Varje individ har sin unika signatur beroende på djurets storlek och hur mycket värme som strålar ut från olika delar av kroppen. Stora delar som buk, huvud och rygg ger en större yta av värmesignatur (Figur 3). Artbestämning via värmesignaturer sker både genom storleksbedömning samt identifiering av karakteristiska former som är artspecifika (Eilert & Magnusson 2019).
Figur 3. Värmesignaturen från en älg (Alces alces) har plockats upp av en termisk kamera och visualiserats på en Android platta monterad på drönarens handkontroll. Här syns tydligt det trekantiga huvudet som är karakteristiskt för älg.
1.7.2 RGB kamera
Ljus består av elektromagnetiska vågor. Kulörer är de elektromagnetiska
vågor som ögat kan se och skilja på. Om det inte finns synliga kulörer säger
vi att det är svart. Svart är egentligen ingen färg utan avsaknad av kulör.
Människans öga uppfattar kulörer via två strukturer i ögat: stavar
(ljusintensitet) och tappar (kulör). Det finns tre olika typer av tappar, en för röda kulörer, en för gröna kulörer och en för blå kulörer. De tre kulörerna (Röd, Grön och Blå) brukar kallas grundkulörer och benämns RGB.
RGB är ett additivt kulörsystem vilket betyder att man kan skapa nya kulörer genom att addera olika kombinationer av de tre grundkulörerna.
Människans öga kan uppfatta över 10 miljoner olika kulörer. Bildskärmar (datorer, plattor och TV-apparater) använder sig av RGB kulörsystem för att återge färg så naturligt som möjligt. En bild på en skärm har större
färgomfång än samma bild i tryck (Reese & Olsson 2016).
1.8 Fältförsök Västmanland 2018
År 2014 brann ca 14 000 hektar skog upp och berörde kommunerna Sala, Fagersta, Norberg samt Surahammar i Västmanlands län. Det norra brandområdet började återplanteras under våren 2015 och resterande
områden fram till 2018. De återplanterade ytorna inventeras varje höst för att kontrollera hur återbeskogningen fortlöper. Vid en inventering av norra brandområdet utförd av Skogsstyrelsen hösten 2018 upptäcktes ett högt betestryck, vilket visade att klövvilt (älg och rådjur) hade hittat tillbaka till området efter branden (Bergquist et al. 2019).
På grund av det höga betestrycket fanns önskemål från såväl markägare som skogsbolag att kartlägga arter och antal av klövvilt, som vistades inom det återplanterade området. Som ett led i att utforska nya användningsområden för drönare så beslöts det att göra en viltinventering med hjälp av drönare försedd med termisk kamera.
1.8.1 Landskapets karaktär
Länsstyrelsen i Västmanland utförde 2016 en landskapskaraktärsanalys för Västmanland län. Den beskriver landskapet i norra delen som kuperad, blockrik bergslagsterräng med flera bergsryggar. Det i kombination med få vägar och en mosaik av myrmarker, gör det svårt att ta sig fram i terrängen (Länsstyrelsen 2016, s 94).
Innan branden bestod området övervägande av barrskog, dominerad av tall, med normal åldersfördelning bland de olika produktionsbestånden. Drygt 1,5 miljoner skogskubikmeter skog till ett värde av 300–600 miljoner kronor skadades av branden. Södra delen har brunnit med lägre intensitet medan stora arealer i norr brunnit mycket hårt (Figur 4). Endast mindre delar inom brandområdet har inte berörts av branden.
Mellan åren 2015 - 2017 föryngrades totalt cirka 3185 hektar. Under 2018
föryngrades ytterligare några hundra hektar (Bergqvist et al 2019).
Föryngringen bestod av 1-åriga plantor av både tall och gran. Det innebar att de äldsta plantorna var 4 år när första fälttesterna med drönare utrustad med termisk kamera utfördes 2018.
Figur 4. Foto från norra delen av brandområdet i Västmanland, december 2018.
1.8.2 Fältarbete Västmanland
I en avgränsad del av norra brandområdet lades 33 provrutor (10 hektar/
styck) i kml-format ut systematiskt. Kml-filer är datafiler i rasterformat och kan lagra geografisk information.
Detta innebar att 330 hektar inventerades med hjälp av drönare utrustad med termisk kamera genom autonom flygning i stråk på 60 meters höjd. Fältdata samlades in under flygningen på flera olika sätt. Dels via foto samt manuell granskning av film i realtid på iPad platta kopplad till drönarens
handkontroll men även via manuell granskning i realtid i FPV (First
Personal View) glasögon. Alla fältdata eftergranskades i kontorsmiljö av två personer.
Studien visade att det går att särskilja älgens värmesignatur från kronhjort men svårare att särskilja kronhjort från rådjur. Dovhjort och vildsvin förekom inte i det undersökta området. Studien visade även att
tillförlitligheten av tolkningen av värmesignaturer behöver ökas för att metoden ska kunna komplettera eller ersätta traditionella
viltinventeringsmetoder (Eilert & Magnusson 2019).
1.9 Teknisk metodutveckling
I denna studie har ett antal metodutvecklingar utförts baserat på resultat och
erfarenheter från första fälttestet som utfördes i Västmanland 2018 (Tabell
1). En annan modell av drönare (Bilaga 1) med modernare teknik samt en
annan typ av sensor (Bilaga 2) utrustad med dubbla kameror (termisk samt RGB) har använts (Figur 5). En hypotes var att kombinationen av olika typer av kameror kan stärka tolkningen av insamlat fältdata då det möjliggör jämförelse av samma data på två olika sätt (termiskt samt RGB).
Drönaren som användes vid insamling av fältdata i denna studie har en större batterikapacitet än den som användes i Västmanland 2018. Ökad batterikapacitet innebär längre flygtid vilket gör att provrutornas storlek har kunnat ökas från 10 hektar till 17 hektar. Större provrutor innebär att
inventeringen blir mer tidseffektiv.
En annan typ av mjukvaruprogram har använts jämfört med Västmanland 2018. Denna mjukvara följer topografin och håller drönaren på konstant höjd (60 meter) över marken under hela den autonoma flygningen. Det innebär en ökad säkerhet vid flygning i kuperad terräng då drönaren är programmerad att känna av och följa höjdskillnader i topografin under hela flygningen. I standardmjukvaror utgår drönaren vanligtvis från höjden vid startpunkten och håller sedan konstant denna höjd under flygningen oavsett höjdskillnader i terrängen. En annan fördel med den topografiska mjukvaran är att det går att samla in rörliga fältdata (video). Video gör det möjligt att analysera viltets rörelsemönster och därmed göra en säkrare artbestämning än med enbart foto.
Tabell 1. Översikt över tekniska metodförändringar från första fälttestet i Västmanland 2018 och andra fälttestet på Toftaholm 2020.
Metod/ utrustning Västmanland 2018 Toftaholm 2020
Drönare DJI Inspire V1.
Multirotor
DJI Matrice 210 V2.
Multirotor
Kamera
DJI Flir XT 640 30Hz 19mm lins.
En kamera: termisk
DJI Zenmuse XT2 640 30Hz 19mm lins.
Dubbla kameror: termisk och RGB
Mjukvaruprogram för autonom flygning
DJI Go.
Följer ej topografin
UgCS.
Följer topografin
Insamling fältdata Foto och manuell granskning i fält på skärm
Video och manuell granskning i fält på skärm
Batterier till drönaren Flygtid: 15 min Flygtid: 30 min
Provrutans areal 10 hektar 17 hektar
Flyghöjd 60 m och följer inte
topografin 60 m och följer topografin
Figur 5. En Zenmuse XT2 kamera användes för insamling av fältdata på Toftaholm. På båda bilderna ses RGB kameran till vänster och termisk kamera till höger. Källa: Swedron 2019.
1.10 Syfte och frågeställningar
Syftet med studien var att vidareutveckla en ny inventeringsmetod för älgar och annat klövvilt genom att använda drönare utrustad med dubbla kameror (termisk- och RGB kamera).
Målet var att viltinventeringsmetoden skulle kunna bli ett tillförlitligt sätt att utifrån identifieringar på individnivå bedöma populationsstorleken av älg och annat klövvilt inom ett avgränsat område.
1.10.1 Frågeställningar
• Är det möjligt att identifiera och artbestämma antalet älg och annat klövvilt med hjälp av drönare utrustad med termisk och RGB kamera?
• Har de utförda tekniska metodutvecklingarna bidragit till förbättringar i metodens tillförlitlighet?
• Hur påverkar landskapets karaktär möjligheten att identifiera och artbestämma älgar och annat klövvilt?
1.11 Avgränsningar
Denna studie är begränsad till att undersöka om älg och annat klövvilt (rådjur, kron- och dovhjort samt vildsvin) kan identifieras samt
artbestämmas med hjälp av drönare utrustad med både termisk och RGB kamera. Övrigt vilt undersöktes inte i denna studie.
Geografiskt avgränsades studien till fastigheten Toftaholm (Dörarp 5:127) i Ljungby kommun, Kronobergs län, Sverige. Valet av fastighet föll sig naturligt då Södra Skog HK i Växjö är markägare samt förvaltare av Gösta Edströms Hedersfond som har bidragit ekonomiskt till denna studie.
I denna studie har ingen jämförelse mellan olika modeller av drönare och
kameror/ sensorer utförts. Enbart en modell av drönare utrustad med en typ
av kamera (termisk samt RGB) har använts. Det användes enbart en typ av
mjukvara för att programmera de autonoma flygningarna av drönaren. Alla
fältdata samlades in under en tidsbegränsad och avlövad period (januari
2020 - februari 2020).
2. Material och metoder
2.1 Metodik
För att besvara studiens frågeställningar valdes en kvantitativ metodik.
McCuster & Gunaydin (2015) menar att kvantitativa metoder syftar till att mäta förekomsten av något och därmed söka svar på frågor som “hur
många” och “hur mycket”. Forskaren vet på förhand vilken information som ska samlas in för att ge svar på undersökningens frågeställningar. Denna studie har genomförts som en kvantitativ observationsstudie i fält. Fältdata i sifferform lämpar sig väl för bearbetning i tabeller och diagram vilket gör insamlat data mer lättöverskådligt.
Det fanns flera möjliga inventeringsmetoder att välja på. Antingen en totalinventering av hela markytan eller varianter av stickprov, till exempel distance sampling eller en viss andel av provytor (Hörnell-Willebrand &
Pehrsson 2010). I denna studie valdes att utföra en totalinventering av hela markytan i den norra delen av Toftaholm. Det innebär att resultatet i denna studie inte är skattat eller framräknat genom något index eller formel utan baseras på antalet identifierade djur från insamlat fältdata.
Upplägget av studiens fältarbete baserades på resultat och erfarenheter från fältförsöket i Västmanland 2018. Inventeringen skedde under perioden januari 2020 - februari 2020 och enbart i dagsljus. Detta för att RGB kameran fungerar bäst i dagsljus samt att drönarens antikollisionssensorer fungerar sämre när det är mörkt. Metoden lämpar sig bäst att använda under den avlövade perioden på året. Täta krontak kan störa viltets värmesignatur till den termiska kameran (Eilert & Magnusson 2019).
Fältobservationer utfördes i provrutor med hjälp av drönare utrustad med termisk- och RGB kamera programmerad att flyga en autonomt. För att systematiskt kunna inventera hela markytan så delades fastigheten in i ett rutsystem (provrutor) av kml-filer. Dessa datafiler är av rasterformat och kan lagra geografisk information.
Identifiering och artbestämning av vilt skattades i fält som säker eller osäker beroende på dess tydlighet i skärmen. Allt fältdata granskades ytterligare en gång i kontorsmiljö.
Resultatet från insamlat fältdata prövades med Pearsons Chi-två-test. Det är
en matematisk, statistisk metod inom hypotesprövning som kan användas
för att pröva signifikansen av data (Rudberg 1993).
2.2 Material
Följande material har använts:
• Drönare, DJI Matrice 210 V2
• Termisk kamera, DJI Zenmuse XT2
• FPV glasögon, DJI Goggles
• Androidplatta, Samsung
• Laptop, Dell
• Mjukvaruprogram till laptop och Android platta, UgCS
• Mjukvaruprogram till laptop, QGIS
• Värmeväska till batterier och laptop, Asaklitt
• Powerbank, Dell
• Anteckningsblock och penna
2.3 Genomförande
2.3.1 Toftaholm
Fastigheten Toftaholms areal är totalt 1 477 hektar varav 1 209 hektar är produktiv skogsmark (Bilaga 3). Gran är det dominerande trädslaget, följt av löv, tall samt en liten andel ädellöv (Figur 6).
Figur 6. Trädslagsfördelning Toftaholm enligt skogsbruksplanen utfärdad 2019.
Enligt senaste skogsbruksplanen utfärdad 2019 utgörs 51 % (617 hektar) av den totala arealen av skog i åldersklasserna 10–19 år (Figur 7).
Ädellöv Tall Löv Gran 63%
20%
2% 15%
Trädslagsfördelning
Figur 7. Arealfördelningen av åldersklasser på Toftaholm.
Toftaholm ligger över högsta kustlinjen och topografin varierar mellan ca 145 och 175 m ö.h. (meter över havet) Terrängen utgörs till stor del av skogbevuxna moränmarker och sandiga åsar med inslag av moss- och torvmarker (Sveriges geologiska undersökning 2020).
2.3.2 Förberedelse på kontor
Mjukvaruprogrammet UgCS installerades på laptoppen och androidplattan.
Därefter delades hela Toftaholm in i numrerade provrutor (Figur 8) med hjälp av GIS programmet QGIS. Provrutorna sparades sedan i kml-format i laptoppen. Majoriteten av provrutorna var 17 hektar utom några få som hade en mindre yta på grund av fastighetsgränsen.
Provrutornas storlek anpassades efter två faktorer. Dels drönarens batterikapacitet det vill säga hur länge drönaren kunde vara uppe i luften innan batteriet tog slut. Låg batterinivå innebär att drönaren själv avslutar uppdraget och flyger tillbaka till startpunkten och landar automatiskt. Den andra faktorn var Transportstyrelsens gällande regelverk, vilket innebär att drönaren inte får vara utom synhåll och max 500 meter bort från piloten.
Slumpmässigt beslutades att fältobservationerna skulle påbörjas i den norra
delen av fastigheten och sedan gå systematisk vågrätt från vänster till höger
och provruta för provruta.
Figur 8. Fastigheten Toftaholm med rutsystem av provrutor
2.3.3 I fält
Insamlingen av fältdata påbörjades i norra delen av fastigheten. Med hjälp av mjukvaruprogrammet UgCS programmerades drönaren att flyga en autonom rutt med information från en på kontoret förberedd kml-fil. Bilden från den termiska kameran användes som huvudbild i fält eftersom det är via den som värmesignaturer kan identifieras.
Tillsamman med FPV (First Person View) glasögon och en Androidplatta gjordes identifiering och artbestämning av vilt. Detta skattades även som säker eller osäker beroende på dess tydlighet på de olika skärmarna. FPV glasögon stänger ute dagsljus, reflektioner och skuggor vilket leder till att live strömmen från drönarens termiska kamera blir enklare att tolka.
Dokumentering av alla identifieringar och artbestämningar i varje provruta registrerades manuellt med papper och penna.
Enligt Transportstyrelsens regelverk måste drönaren under flygning vara
inom synhåll och max 500 meter bort. Utifrån detta valdes den mest
optimala placeringen för piloten vid start av fältobservation i varje enskild
provruta. Figur 9 illustrerar avståndet från kant till kant i en 17 hektar stor
provruta.
Figur 9. Exempel på provruta som är 17 hektar. Ytterkanterna är markerade med röd linje.
Den blå streckade linjen visar längsta avståndet från kant till kant i provrutan (583 meter).
Drönaren flög en provruta i taget och täckte hela provrutans yta genom olika stråk (Figur 10). Drönaren programmerades via UgCS att flyga på 60 meters höjd ovan marken oavsett topografin. 60 meter valdes för att ha en
säkerhetsmarginal till trädtopparna. Via UgCS programmerades drönaren att
flyga i en konstant hastighet på 5 m/s. Hastigheten valdes för att undvika att
få släpighet i bilden vilket kan inträffa om drönaren flyger snabbare. En 17
hektar provruta tog 23 minuter att flyga (transporttid till och från provrutan
inkluderas inte) och förbrukade ett batteripar. Insamlat fältdata lagrades
automatiskt av drönaren i form av två separata filmer (en från den termiska
kameran och en från RGB kameran) på ett minneskort.
Figur 10. Exempel på en provruta (kml-fil) uppladdad i mjukvaruprogrammet UgCS.
Denna vy är en av flera vyer som kan ses både på Androidplattan som är fäst på drönarens handkontroll samt i laptoppen. Under den autonoma flygningen kan både piloten och medhjälparen följa drönarens rutt och position i realtid.
2.3.4 Efterarbete på kontoret
Totalt inventerades 36 provrutor (506 hektar). Levande vilt avger värme som den termiska kameran plockar upp och avbildar som en värmesignatur på Androidplattan. Värmesignaturen benämns i studien som en identifiering och kan innehålla ett eller flera djur beroende på deras position.
Med erfarenhet från visuell tolkning av tidigare insamlat fältmaterial från Västmanland 2018 samt en databas av eget insamlat referensmaterial (video och foto) på älg, rådjur, kron- och dovhjort samt vildsvin som stöd så identifierades och artbestämdes allt insamlat fältdata. Dels enbart med termisk kamera dels med både termisk- och RGB tillsammans.
Alla identifieringar fördes in i Excel för att göras överskådligt. Ett Pearson Chi-två-test med signifikansnivå 95 procent utfördes för att undersöka om det var någon signifikant skillnad mellan enbart termisk kamera och
kombinationen termisk och RGB kamera med avseende på säkra och osäkra
artbestämningar.
3. Resultat och analys
3.1 Teknisk metodutveckling och landskapets påverkan
En annan typ av drönare utrustad med dubbla kameror användes för insamling av allt fältdata. Dubbla kameror gjorde det möjligt att samla in data både från termisk- och RGB kamera samtidigt. RGB kameran var ett komplement till den termiska kameran för att kunna se färger och tecken på vilt vid artbestämning. En ökad batterikapacitet innebar längre flygtid och därmed kunde provrutornas storlek ökas från 10 hektar till 17 hektar. I Västmanland samlades allt fältdata in som foto. På Toftaholm samlades allt data in som video vilket gjorde det möjligt att studera viltets rörelsemönster.
Det underlättade vid en artbestämning.
På Toftaholm användes en ny typ mjukvara som följer topografin i terrängen under den autonoma flygningen. Det gav säkrare identifiering och
artbestämning då allt fältmaterial blev insamlat på samma flyghöjd oavsett hur topografin förändrades. Flyghöjden var samma som i Västmanland (60 m ö.h.).
Landskapet i Västmanland skiljer sig från Toftaholm. Västmanland blev hårt brand drabbat 2014. När fälttesterna utfördes saknades krontak från barr- och lövträd. Delar av området var återplanterat och de äldsta plantorna var 4 år gamla. Toftaholm består av produktionsskog där 51 procent är i
åldersklasserna 10–19 år. Gran är det dominerande trädslaget vilket gjorde att täta krontak av barrträd förekom. Det gjorde det möjligt att utvärdera den termiska kamerans effektivitet. Täta krontak av barr visade sig kunna
försvaga värmesignaturen från vilt.
3.2 Identifiering och artbestämning
I fält identifierades älg, rådjur och vildsvin där rådjur var det mest frekvent
förekommande viltet (Figur 11). Kron- och dovhjort förekom inte i insamlat
fältmaterial.
Figur 11. Fördelning av artbestämningar av djurarter med både termisk- och RGB kamera vid efterkontroll på kontor.
16 identifieringar om totalt 29 djur gjordes i fält. Vid 9 tillfällen förekom flera djur i samma identifiering. Antalet djur per identifiering varierade mellan 1 och 4. Med termisk kamera kunde 3 identifieringar artbestämmas.
En sammanställning av alla identifieringar redovisas i tabell 2.
Tabell 2. Översikt av alla identifieringar.
Identifiering med termisk Efterkontroll termisk och RGB kontor Identifiering Identifiering antal djur Identifiering av art Identifiering av art termisk + RGB
1 4 Älg (säker) Älg (säker)
2 1 Rådjur (säker)
3 1 Rådjur (osäker)*
4 3 Rådjur (säker)
5 2 Rådjur (säker)
6 2 Rådjur (säker)
7 2 Rådjur (säker)
8 1 Älg (osäker) Älg (säker)
9 3 Rådjur (säker)
10 1 Rådjur (säker)
11 2 Vildsvin (säker)
12 1 Rådjur (säker)
13 1 Älg (säker) Älg (säker)
14 2 Älg (säker) Älg (säker)
15 1 Vildsvin (säker)
16 2 Älg (osäker) Älg (säker)
*Oskarp bild från RGB kameran vilket gör artbestämning omöjlig.
Kombinationen av att kunna se video från både den termiska- och RGB kameran tillsammans gör att de flesta osäkra artbestämningar kan fastställas
Vildsvin Osäker art Rådjur
Älg
55%
Fördelning av djurarter
7% 3%
35%
som säkra (Tabell 3). Det finns ett undantag där data inte är av tillräckligt bra kvalitet för artbestämning. Vid identifiering 3 (Tabell 2) var videon suddig av oklar anledning. Ett Chi2 test visar att det är en signifikant skillnad och inte slumpmässigt att kombinationen av termisk och RGB kamera gör att artbestämningen blir säkrare.
Tabell 3. Översikt över säkra och osäkra artbestämningar alla djur
Artbestämning med termisk Artbestämning med termisk + RGB kontor
Säker artbestämning 3 15
Osäker artbestämning 13 1
Den termiska kameran fångar upp värmesignaturer från djuren och visar dess position och antal. Det är svårare att artbestämma med enbart termisk kamera i fält då inga färger framträder (päls, tecken på rygg, huvud och ben). Undantaget är älgar som dels på grund av sin kroppsstorlek men även sitt karaktäristiska trekantiga huvud går att artbestämma med enbart termisk kamera (Figur 3).
Med enbart RGB kamera i fält så är det svårt att identifiera djuren samt räkna antalet i terrängen då de smälter in i naturens färger. Däremot lämpar sig RGB kameran mycket bra till att artbestämma djuren då alla färger och tecken framträder vilket är nödvändigt för att kunna särskilja rådjur från dov- och kronhjort.
3.3 Säkert och osäkert
I terrängen framträder position samt antal djur tydligt med enbart termisk
kamera (Figur 12). Artbestämning av älg är möjligt med enbart termisk
kamera då älgens stora kroppsyta avger mer värme (större värmesignatur) än
annat klövvilt. Artbestämning av annat klövvilt är svårt med enbart termisk
kamera (Figur 13).
Figur 12. Bilden visar en säker identifiering av en liggande älg med enbart termisk kamera.
Identifiering nr 13 .
Figur 13. Säker identifiering av två djur med termisk kamera men artbestämningen blir osäker. På grund av kroppsstorleken kan älg uteslutas. Identifiering nr: 6.
När det gäller identifiering av antal djur och dess position så fungerar inte enbart en RGB kamera optimalt. Färger och tecken på djurens päls smälter lätt in i naturens färger vilket gör att djuren är svåra att upptäcka (Figur 14).
Det i kombination med att drönaren flyger med en hastighet av 5 m/s gör att
det är lätt att missa ett eller flera eller i värsta fall alla djur då tidsfönstret för
att uppfatta ett djur innan drönaren flugit förbi är begränsad.
Figur 14. Samma bild som figur 13 men med RGB kamera. Här framträder djurens färger
och tecken på pälsen vilket gör att en säker artbestämning kan utföras.
4. Diskussion
4.1 Resultatdiskussion
Totalt gjordes 16 identifieringar om totalt 29 djur i fält. Vid 9 tillfällen förekom flera djur i samma identifiering. Med enbart termisk kamera kunde 3 av totalt 16 identifieringar säkert artbestämmas. Med en kombination av både termisk- och RGB kamera kunde 15 av totalt 16 identifieringar säkert artbestämmas (Tabell 3).
29 djur artbestämdes där rådjur (15) var det mest frekvent förekommande viltet följt av älg (10) och vildsvin (3) (Figur 11). Identifiering nr 3 (Tabell 2) kunde identifieras med den termiska kameran men inte artbestämmas med varken termisk- RGB- eller kombination av båda kamerorna då bilden är
”suddig”. Någon förklaring till den suddiga bilden har inte hittats. Allt övrigt fältmaterial har tydliga, skarpa bilder.
Resultatet visar att kombinationen av termisk- och RGB kamera ökar tillförlitligheten vid artbestämning av vilt då färger och tecken på djurens päls framträdde tydligt. Vid användning av enbart termisk kamera vid artbestämning finns en risk för felbedömning även om älgens värmesignatur är karakteristisk.
Ett Chi-två-test visade att det är en signifikant skillnad och inte slumpmässigt att kombinationen av termisk och RGB kamera gör att artbestämningen blir säkrare.
Landskapets karaktär kan påverka resultatet från viltinventeringen. Dels kan trädslagssammansättningen i det område som ska undersökas ha betydelse.
Svårigheten att upptäcka vilt under täta krontak av barr, främst gran, kan försvaga djurens värmesignatur fram till den termiska kameran. Metoden behöver därför utvecklas vidare för att höja tillförlitligheten. Täta krontak av löv kan undvikas genom att utföra inventeringen under den avlövade
perioden under året.
Även områdets topografi kan ha betydelse för resultatet. Om mjukvaran till den autonoma flygningen inte följer topografin under insamling av fältdata kommer resultatet att påverkas då data (foto/ video) på viltet kommer att avbildas på olika höjder. En älg som står i en svacka, vilket gör att avståndet mellan djuret och kamerorna ökar, avger en mindre värmesignatur och bild på Androidplattans skärm och därmed kan artbestämningen försvåras.
Väder är en faktor som måste tas med i beräkningen vid användning av
metoden. Vid kraftig vind bör inventering undvikas då drönaren kan bli
svårare att kontrollera på grund av till exempel kastvindar. Drönaren och
kameror är IP klassade (International Protection Marking) för väta men
nederbörd och fukt gör att det blir prickar på linsen vilket leder till insamlat
fältdata inte går att använda. Tidpunkten på dygnet för insamling av fältdata har också betydelse. För att kunna nyttja RGB kameran krävs dagsljus för att den ska fungera då den inte är utrustad med någon mörkerseendeteknik.
Däremot kan den termiska kameran användas under vilken tid som helst på dygnet för att se värmesignaturer med.
Vid inventering av områden med dålig mobiltäckning kan det uppstå problem. Mjukvaruprogrammet UgCS behöver uppkoppling för att ladda upp kml-filens information till drönaren. En lösning kan vara att ha tillgång till flera mobilabonnemang hos olika operatörer med sig ut i fält då
täckningsområdet för varje operatör kan skilja sig åt.
4.2 Metoddiskussion
Med validitet avser Björklund & Paulsson (2018) att det som mäts verkligen är det som avses att mätas. Studiens metod att räkna antalet djur som ses i realtid med hjälp av termisk- och RGB kamera skiljer sig markant från andra etablerade fältinventeringsmetoder då dessa baseras på index eller
avskjutningar. Att identifiera vilt i realtid borde ge denna studies metod en hög validitet.
Björklund & Paulsson (2018) menar att reliabiliteten är tillförligheten i det som mäts, att vid upprepning av försöket så ska samma värden erhållas igen.
Reliabiliteten kan anses hög i denna studie. Resultatet i studien visar att kombinationen av både termisk och RGB kamera vid insamling av fältdata gör artbestämningar säkrare än med enbart termisk eller RGB kamera.
Utförs en ny datainsamling på annan plats med samma metodupplägg kommer resultatet att vara likvärdigt när det gäller kombinationen av både termisk- och RGB kamerorna. Skillnad kommer däremot att finnas i antalet identifierade djur samt artsammansättning eftersom viltstammen ser olika ut beroende på vart i landet inventeringen utförs.
Studiens generaliserbarhet är svårt att mäta eftersom få studier med samma metodupplägg är gjorda. Fler studier kommer att ge ett bättre underlag för bedömning angående generaliserbarheten.
Det finns några faktorer som kan påverka resultatet av
viltinventeringsmetoden. Dels har trädslagssammansättningen i det område som ska undersökas betydelse. Täta krontak av barr kan försvaga
värmesignaturen från viltet fram till den termiska kameran. Detta kan troligtvis undvikas genom att via fler fältstudier prova ut nya kameravinklar eller komplettera med fler kameror monterade på drönaren. Annan
kameravinkel kan göra att kameran även ”ser” trädet sett från sidan och inte
enbart lodrätt uppifrån.
Områdets artsammansättning kommer inte att påverka metodens resultat.
Allt levande vilt avger en värmesignatur oavsett art och kroppsstorlek därför har djurets art ingen betydelse för att den termiska kameran skall kunna uppfatta djurets värmesignatur.
När det gäller artbestämning av olika vilt så visar studien att kombinationen av termisk- och RGB kamera ger säkrare artbestämning än enbart termisk eller RGB kamera. Fälttesterna visar att det går att skilja älg från rådjur och vildsvin genom att RGB kameran återger de artspecifika färgerna och tecknen på viltets päls.
4.3 Materialdiskussion
I Västmanland inventerades 330 hektar. På Toftaholm inventerades 506 hektar, vilket blev en större utmaning. Med erfarenheter från Västmanland gjordes en teknisk metodutveckling innan insamling av fältmaterial på Toftaholm påbörjades. Storleken på provrutorna ökades från 10 hektar till 17 hektar vilket gjorde metoden mer tidseffektiv. 17 hektar är den maximala ytan som kan inventeras innan drönarens batterier tar slut. Det inte är säkerhetsmässigt ansvarsfullt att planera en rutt där flygning utförs med minimala marginaler när det gäller batteritid. Det finns en inbyggd funktion i drönaren att flyga hem till startpunkten när batterikapaciteten är under en viss procent. Det kan finnas omständigheter som gör att hemfärden till startpunkten måste avbrytas vilket kan konsumera mer batteri än beräknat.
Hörnell-Willebrand & Pehrson (2010) menar att ”flyginventeringar är dyra och fungerar heller inte i områden med lite snö eftersom det blir för svårt att hitta älgarna”. Metoden i denna studie är inte bunden till att det ska vara snö på marken. Däremot rekommenderas att temperaturen på marken i det tänkta området ska vara så sval och utjämnad som möjligt. Det inträffar vanligtvis tidigt på morgonen eller sent på kvällen. Solens strålar värmer snabbt upp marken och kan göra att bilden från den termiska kameran blir lite oskarp.
Bästa säsongen för att metoden ska fungera optimalt är under de svalare årstiderna såsom höst, vinter och tidig vår.
UgCS är ett program som behöver en del inlärningstid både på kontoret och i fält. Programmet ger stora möjligheter att utföra olika typer av avancerade programmeringar hur drönaren ska uppträda i fält. Även olika typer av geografisk information i form av datafiler kan laddas upp från ett GIS- program vilket är en mycket användbar funktion. En flygrutt kan
programmeras klart inne på kontoret och i princip kan man bara trycka på start ute i fält och börja samla in fältdata. I UgCS finns funktionen att kunna videofilma och samla fältdata under hela flygningen. Det gör att insamlad data kan spelas fram och tillbaka i kontorsmiljö för att granska allt
fältmaterial extra noga och även lagra för framtida bruk. I Västmanland
kunde drönaren enbart samla in foto, vilket gjorde att alla identifieringar inte
kunde eftergranskas i kontorsmiljö på samma sätt.
En annan stor fördel är att mjukvaran kan programmera drönaren att följa terrängen. Det gör att alla identifieringar av djur avbildas på samma höjd oavsett hur topografin är. Annars finns risken att en identifiering felbedöms om ett djur står i en ravin eller högt på en kulle. För att kunna jämföra material från olika kameror så rättvist som möjligt bör allt fältmaterial samlas in från samma höjd.
I Västmanland var flyghöjden 60 meter, vilken valdes även på Toftaholm.
60 meter valdes för att ha en säkerhetsmarginal till trädtopparna. Drönaren programmerades att flyga 5 m/sek. Ökad hastighet ger en släpighet i bilden som gör att värmesignaturerna inte blir skarpa och där med svåra att tolka.
Den termiska kameran är utrustad med en förbättrad teknik jämfört med den som användes i Västmanland 2018. Det finns fortfarande
förbättringspotential i upplösningen att önska. Kameran som användes i denna studie har en upplösning på 640 x 512 pixlar. Vid analys hade det varit till stor hjälp om upplösningen varit högre. Det hade gjort det möjligt att zooma in mer för att få en ännu tydligare bild. Kanske är det då även möjligt att köns- och åldersbestämma vilt? Vid val av utrustning bör brännvidden på de båda kamerornas linser matchas mot varandra.
Att samla in video i stället för enbart foto som gjordes vid det första
fältförsöket i Västmanland 2018 har ökat tillförlitligheten av metoden. Med video så uppträder djuret ur flera vinklar och dess rörelsemönster kan studeras på ett effektivt sätt.
Drönaren bör ha möjlighet att bära dubbla kameror utan att bli för tung och otymplig att hantera i fält. Drönaren som användes i studien vägde fullt utrustad totalt 5 kilo. På Toftaholm är det lätt att ta sig fram med bil då vägnätet är väl utbyggt, men andra fastigheter har kanske inte samma förutsättningar. Att gå långa sträckor med en otymplig drönare samt övrig utrustning kan vara fysiskt krävande. Tiden att ta sig fram till provrutan till fots i krävande terräng kan göra metoden mindre tidseffektiv. Däremot om reglerna för drönaranvändning inom skogsbruket lättas upp och tillåter flygning utom synhåll så skulle man kunna starta drönaren på lämplig plats vid väg och sedan flyga ända fram till provrutan. Dock kommer då den inventerade ytan att minska eftersom batterikapacitet läggs på transport av drönaren till och från provrutan. Kanske är det en kompromiss som är värd att genomföra för att inventera just den delen av skogen som är
svåråtkomlig. Däremot är drönaren perfekt att använda i terräng med stor topografisk skillnad eller vid blöta marker då det är svårt att ta sig fram till fots.
Gällande batterierna så går teknikutvecklingen snabbt framåt i form av lägre vikt och bättre prestanda (längre flygtid) vilket gynnar metoden. Att önska är att batterierna ska klara kallt väder bättre. I dag måste en värmeväska
(campingmodell som kopplas till uttag i bilen) användas i fält under den
kalla årstiden för att värma batterier till drönare, Androidplattan och datorn.
Vid kallt väder så sjunker batteriets kapacitet snabbt. Det kan innebära att den på kontoret uträknade flygtiden för en provruta inte stämmer i
verkligheten.
Att använda FPV glasögon vid insamling av fältdata är något som
rationaliserade bort redan dag 1 av fältarbetet då vi ansåg att glasögonen inte längre fyller någon nödvändig funktion. I Västmanland 2018 var det ett nödvändigt tillbehör då FPV glasögonen gav en mycket bättre termisk bild än vad Android plattan visade. Antingen är det Android plattans skärm eller ny teknik vid överföring av bild från kameran till handkontrollen och vidare till Android plattan som är bättre. Därför kan nu FPV glasögon uteslutas vilket ger en kostnadsbesparing runt 4 000–5 000 sek.
4.3.1 Regelverk
Det finns platser runt om i Sverige som har olika grader av begränsningar för drönarflygning. Tillstånd krävs till exempel för att flyga i närheten av flygplatser, militära anläggningar, hamnar och kärnkraftverk. Det kräver att piloten tar kontakt med flygtornets trafikledning eller den anläggning som berörs innan start av drönare (Transportstyrelsen 2017). Enligt gällande regelverk får drönaren inte vara längre bort än 500 meter från piloten.
Vägnätet på Toftaholm är väl utbyggt, vilket gjorde att drönaren kunde starta nära varje provruta. Det bidrog till att gällande regelverk kunde följas.
Andra fastigheter kan ha andra förutsättningar vilket ska tas med i beräkningen när det gäller tidsåtgång för en inventering.
I bestånd med slutavverkningsmogen skog, till exempel huggningsklass S1- 3, finns det risk för att drönaren kan försvinna utom synhåll bakom
trädtopparna för en kort sekund. Detta är inte optimalt för metoden och medför en säkerhetsrisk. För att undvika detta ska piloten placera sig på den mest optimala platsen vilket oftast är på en höjd för att undvika att drönaren flyger utom synhåll. I konversation med Transportstyrelsen diskuterades denna problemställning och vi blev rekommenderade att ansöka om ett restriktionsområde (R-område) för Toftaholm innan insamling av fältdata påbörjades. Ett restriktionsområde innebär att luftrummet är stängt för all trafik utan särskilt utfärdat tillstånd. En ansökan lämnades in men efter utredning meddelade Transportstyrelsen
1att ett tillstånd inte krävdes.
1
