UAS LiDARを用いた半自然草地における低木の侵食の検出
インタビュー
Bjarkeさん、こんにちは！この度はインタビューをお受けいただきありがとうございました！ 生物多様性の調査業務でYellowScan Surveyorをご利用いただいていることと思います。 先生と先生の研究内容について、もう少し詳しく教えてください。
デンマークのオーフス大学から来たビャーケ・マドセンです。 生物学専攻のEcoinformatics and Biodiversityで3,5年間博士課程に在籍しています。 ここでは、植生ダイナミクスグループの@Vegdynと、UAS4Ecologyラボの@UAS4Ecologyで活動しています。
私の研究テーマは、ドローンによるリモートセンシングで草原の多様性動態を理解することです。 ドローンを使ったリモートセンシングデータの効果的な実施方法、処理方法、解析方法を開発し、生物多様性のモニタリングに携わっています。 私は、時間と空間を通して、植物の多様性のさまざまな要素を検出しようとしています。
Urs A. Treier、András Zlinsky、Arko Lucieer、Signe Normandと共同で行った私の論文 「Detecting shrub encroachment in seminatural grasslands using UAS LiDAR」の最初の部分でYellowScan Surveyorを使用しています。
UASのLiDARを使って、どのように低木を検出したのでしょうか？
YellowScan SurveyorUAS LiDARを操作して、最近、いわゆる再野生化実験で馬と牛が再導入された草原地帯をスキャンしました。 一部の地域で侵入が問題となっている特定の低木種（Cytisus scopariusまたはScotch broom）を検出し、監視しています。 本種は成長が早く、光を独占して周囲の植物と競合することができるため、植物の多様性に悪影響を及ぼす可能性があります。 そこで、UAS LiDARのポイントクラウドに含まれる低木の個体をスキャンし、分類した。 私たちは、この種を他の低木と区別するための3D変数のセットを開発しました。 葉や枝の配置など、低木の種によって異なる形態的特徴を検出するための変数を対象としました。 例えば、今回取り上げた低木（C. scoparius）は、Juniperus communisなどのように密度が高くない生育形態であるため、光の透過性や複雑さを表すポイントベースの変数で分けることができます。
生態学的知識を用いて、低木の生育特徴を最もよく表す異なる変数を作り、点ベースの機械学習技術を使って、3D点群に直接異なる種を分類しました。 分類モデルの精度は少なくとも86%に達しました。 この高精度な測定により、対象低木のバイオマスを算出し、この測定値を6.7haのランドスケープ全体に投影することができました。
MikroKopter MK8-3500 UASとYellowScan Surveyorの調査対象エリア – Photo credit. Bjarke Madsen（ビャルケ・マドセン）。
低木や樹木のある野生の風景 – Photo credit. Bjarke Madsen（ビャルケ・マドセン）。
最初の結果はどうだったのでしょうか？
2017年秋と2018年春の2回、同エリアで飛行キャンペーンを実施しました。 動物が木本植生に影響を与えるのはこの時期だと考えられるが、同時にこの寒い時期には植物の成長はあまり期待できないため、冬期における変化を調べることができたのである。 平均すると、予想通り、秋から春にかけてバイオマスの減少が見られましたが、それもわずかでした（分類モデルによって33.4g/m2または4.9g/m2）。 しかし、低木のバイオマスの変化は、エリア全体に均等に分布していたわけではありません。 特に森林に近いエリアでは、低木のバイオマスが大きく減少していることがわかりました。
このバイオマスの減少の根本的な要因については、まだ時間をかけて調査していません。 しかし、一つの仮説として、冬は動物が森で過ごす時間が長くなるため、踏みつけや拾い食いによって、この地域の低木に影響を与えることが多いということが考えられます。 しかし、この仮説を検証するためには、前述の通り、さらなる研究が必要です。 一方、低木のバイオマスがわずかに増加した地域もあり、これは春先の生育や冬場の気温の上昇に起因していると考えられます。
もみじがさね
分類されたUAV LiDARのポイントクラウド – Cytisus Scoparius
Madsen, Bjarke, et al. “UAS LiDARを用いた半自然草地における低木の侵食の検出” エコロジーとエボリューション（2020年）
データ取得については、調査した面積や飛行回数などはいかがでしょうか？
2017年10月、YellowScan Surveyorの初飛行のひとつを行いました。 できるだけ多くの場所をカバーすることを目的とせず、草地植生の小規模な変動を検出するために必要な詳細度を重視しました。 LiDARのデータ収集は3フライトで行いましたが、これは半日あればなんとかなります。 地上40メートルという比較的低いところを飛びました。 この設定で、6.7ヘクタールの面積をマッピングすることができました。
この1年間でワークフローとルーチンをしっかりと確立し、そのプロセスに慣れ親しんでいます。 同僚のUrs A. TreierはUASのパイロットで、重い技術的な部分を担当し、私はすべてのフライトで副操縦士としてフライトプランを立て、地上管制ステーションを監視しています。
現在は、2カ月ごとにUASの飛行を繰り返すことで、より詳細な時間的モニタリングに取り組んでいます。 このように取得したデータを使って、季節ごとの成長の変化や、LiDARの分類に及ぼすフェノロジーの段階の影響について、より詳しく調べることができます。
2017年調査（緑）と2018年調査（青）の分類されたシュラフポイントの分布（シュラフポイント全体に占める割合）。 Madsen, Bjarke, et al. “UAS LiDARを用いた半自然草地における低木の侵食の検出” エコロジーとエボリューション（2020年）
ポイントクラウドのデータ処理についてはどうでしょうか？ 精度の面ではどのような仕上がりになっているのでしょうか？
LiDARのポイントクラウドをYellowScanソフトウェアで生成した後、TU Wienの研究者が開発したOPALSソフトウェアパッケージでポイントクラウド操作を行いました。 OPALSを使用して、ポイントクラウドに直接、半自動的なポイントベースの分類を行い、各ポイントに様々な付加的な特徴を持たせることができるようにしました。 この分類が機能するためには、大きく分けて2つの入力が必要でした。
まず、GNSSシステムで正確な位置を測定することにより、11種類の低木から180個の観測データをエリア全体で手動でサンプリングした参照・検証データ。
次に、ラベル付けされた潅木の点群変数を抽出することができるようになりました。 その後、再帰的分割アルゴリズムによる機械学習アプローチを適用し、LiDAR変数で表される形態学的特徴に基づき、ポイントクラウド内の各ポイントを分類しました。
点群分類の総合精度は、秋と春のデータでそれぞれ86.9 %と95.2 %と良好でした。 低木をよりよく表現するために、3つのフライトから得られた点群の位置関係を調整し、データを統合しました。 結果は上々です。 私たちの要求である絶対精度10cmを常に大きく下回っているのです。
YellowScanのソリューションを利用した経験をどのように表現しますか？
システムを購入する際、すぐに使えるターンキーソリューションを探していましたが、それが実現しました！ そのほかにも、サーベイヤーはしっかりと仕事をしていますし、POSPacやYellowScanのソフトウェアとの連携も素直です。 正直なところ、大きな問題は覚えていませんし、私はかなり多くのLiDARデータを後処理してきました！
調査チームの印象では、サーベイヤーから提供される2つのリターン（またはエコー）でも、多くのポイントが得られ、植生をよく表現できているようです。 私たちのデータは非常に良く、正確で、データ出力に多くのノイズがあるようには見えません。 もちろん、非常に細かいスケールの植生特徴を見ているので、林業に応用するわけではありません。
植生を検出するUAS LiDARマッピングについて、何か補足はありますか？
植物の多様性研究のために、空間分解能の面で実際に何が可能なのかを確かめたかったのです。 草原の生物多様性に取り組むには、正確さと精度が重要です。 UASのLiDARを使うと、風景の違いがよくわかりますね。
私たちがドローンでLiDARを使うのは、従来の土地管理活動のほとんどが、ローカルな区画スケールに基づくものだったからです。 これは、必ずしも風景全体で起こっていることを表しているわけではありません。 それが私たちの研究で示されたことです。 その意味では、バイオマスの変化がエリアによって増減するという、異なる傾向を観察することができたと言えるでしょう。 UASのLiDARがなければ、このような植生動態を風景スケールで捉えることはできなかったでしょう。 このように、より広い範囲をカバーして生物多様性をモニタリングすることで、自然管理や保全の取り組みに役立てることができるようになりました。
この洞察と研究成果を共有していただき、ありがとうございます。 卒論防衛、頑張ってください！
NB：著者ジュリアン・BO。
