EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 7: 1286 - 1295

DOI: https://doi.org/10.12082/dqxxkx.2021.210075

Using UAVs Remote Sensing for Population and Distribution of Grazing Livestock in the Source Region of the Yellow River

  • LIU Shuchao , 1, 2 ,
  • SHAO Quanqin , 1, 3, * ,
  • YANG Fan 1, 2 ,
  • GUO Xingjian 1, 2 ,
  • WANG Dongliang 1 ,
  • HUANG Haibo 1 ,
  • WANG Yangchun 4 ,
  • LIU Jiyuan 1 ,
  • FAN Jiangwen 1 ,
  • LI Yuzhe 1
Expand
  • 1. Key Laboratory of Land Surface Pattern and Simulation, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. School of Public Administration, Hainan University, Haikou 570228, China
  • 4. Institute of Mountain Hazards and Environment, Chinese Academy of Sciences, Chengdu 610041, China
* SHAO Quanqin, E-mail:

Received date: 2021-02-11

  Request revised date: 2021-05-25

  Online published: 2021-09-25

Supported by

National Natural Science Foundation Program of China(42071289)

Strategic Priority Research Program of Chinese Academy of Sciences(XDA23100203)

National Key Research and Development Program of China(2017YFC0506501)

Copyright

Copyright reserved © 2021
Fold

Abstract

The source region of the Yellow River has a unique ecosystem and biological resources, which is an important water conservation area and ecological barrier in China. In recent years, the traditional husbandry in this area faces the development problems of overgrazing, grassland degradation, seasonal imbalance by the increase in the population of grazing livestock. It is important to scientifically grasp the situation of grazing livestock, we used UAVs to investigate the population and distribution of grazing livestock (yaks, Tibetan sheep and horses) in Maduo County. According to the library of UAV image interpretation of yaks, Tibetan sheep and horses, visual interpretation was carried out. Five methods were used to estimate the population of grazing livestock in Maduo County, and the relationship between distribution of livestock and environmental factors was analyzed by selection index. The results showed that: (1) Yaks, Tibetan sheep and horses were found in 9 of 14 UAV flight strips in April 2017, and the grazing livestock were all located in the cold season grassland. A total of 1351 yaks, 2405 Tibetan sheep and 19 horses were found. In the cold season, the densities of yaks, Tibetan sheep and horses were 4.12, 7.34 and 0.06 per km2, respectively. (2) According to the estimation method of five kinds of livestock, it is the most accurate to estimate the livestock quantity in Maduo County based on the grassland in cold and warm seasons. In 2017, there were 70 800 yaks, 102 200 Tibetan sheep and 12 000 horses, and the error of estimating the population of yaks, Tibetan sheep and horses were -0.93%, 2.27% and -13.23% respectively. (3) The environmental factors of the three livestock, which tended to slope was less than 12°, the grassland coverage was more than 0.6, the distance from residential area was less than 1 km, the water source was less than 3km, the road is more than 3 km. Yaks and Tibetan sheep were mainly group activities, and horses usually were not large clusters. UAVs remote sensing has great potential in animal husbandry, and provides new ideas for studying the characteristics and balance of grazing livestock in pastoral areas

Key words： Yellow River source area; UAV remote sensing; livestock; population; distribution patterns

Cite this article

LIU Shuchao , SHAO Quanqin , YANG Fan , GUO Xingjian , WANG Dongliang , HUANG Haibo , WANG Yangchun , LIU Jiyuan , FAN Jiangwen , LI Yuzhe . Using UAVs Remote Sensing for Population and Distribution of Grazing Livestock in the Source Region of the Yellow River[J]. Journal of Geo-information Science, 2021 , 23(7) : 1286 -1295 . DOI: 10.12082/dqxxkx.2021.210075

1 引言

草地生态系统是我国面积最大的陆地生态系统,我国拥有各种天然草地面积近4亿hm2,约占全国国土面积的41%,占世界草地面积的13%[1]。我国草地具有地带性分布特点,青藏高原的天然草地面积约占全国草地面积的1/3,是我国天然草地分布面积最大的一个区[2],黄河源区位于青藏高原的东北部,草地生态系统是黄河源区的主体生态系统,约占黄河源区面积的80%,是当地牧民生活的物质基础,黄河源区也是我国主要的畜牧业生产基地之一。由于人为因素和气候变化的共同影响,从20世纪70年代末到本世纪初,黄河源区生态系统持续退化,水源涵养功能严重下降,该地区传统草地畜牧业面临过度放牧、草地退化和沙化等问题[3]。2005年以来,由于生态治理工程和减畜措施的全面部署实施,叠加气候转入暖湿周期影响,黄河源区生态系统持续退化的趋势总体上得到遏制,局部有所好转,与20世纪70年代相比仍有较大差距,草地生态问题亟待解决。目前黄河源区放牧家畜的数量是多少?主要分布在哪些区域?依靠传统地面调查难以弄清,用于核定草畜平衡的放牧家畜数量常采用上报的统计数据,难以掌握精确的放牧家畜数量及其空间分布情况。科学掌握黄河源区放牧家畜的数量和空间分布,是制定合理的牧区家畜养殖规划,调节草畜平衡,维护黄河源区草地生态系统良性循环的重要前提,对提升黄河源区水源涵养功能具有重要的意义。
目前家畜数量和空间分布的调查,依据平台主要分为地面调查和遥感调查,其中地面调查方法是常用方法。地面调查允许调查人员近距离观察家畜的行为,详细获取畜种畜群的结构信息[4,5];但有些区域地面调查方式难以到达,存在视线遮挡、调查效率低、成本高、抽样代表性不足等问题[6,7]。家畜的统计数据常被研究人员用于分析家畜数量的时空变化特征[8,9],应用统计数据方便计算和分析,但家畜的统计数据往往与真实数据相差较大,统计数据空间化不能体现家畜的真实空间分布特征。
遥感技术的出现,为快速调查家畜的数量和空间分布提供了新的方法。目前遥感调查方法多用于野生动物调查,对家畜的相关调查较少。遥感调查方法主要分为卫星遥感调查和航空遥感调查。卫星遥感调查动物开始于20世纪70年代,应用中低空间分辨率卫星观测记录动物的生境特征[10],分析和预测动物的分布、迁徙,但受卫星的空间分辨率和时间分辨率的限制[11,12]。随着高分卫星技术发展,各国专家学者利用亚米级卫星影像（如GeoEye-1, Quickbird-2, IKONOS等,全色波段空间分辨率 <1 m）进行大型动物（体长>1 m）识别研究,研究结果表明在特定条件下可能识别大型动物,整体识别精度较低[13]。我国目前发射的高分系列遥感卫星,GF-1影像常用于研究野生动物的生境特征[14,15],GF-2和GF-7卫星影像在全色波段空间分辨率分别为0.8 m和≤0.8 m,不能有效识别放牧家畜。卫星遥感能够对动物进行大面积快速调查,但要求调查目标与环境背景有较大反差,亚米级卫星影像不足以辨识羊等体型较小动物或幼年动物,多数大型动物也仅有1~5个像素,不适用对放牧家畜的调查。航空遥感是利用有人机或无人机对动物调查。应用航空遥感调查动物开始于20世纪60年代末期,早期航空调查多使用有人机,由调查人员在飞机两侧舷窗观测记录飞行路径上的动物种类、数量和位置,辅助必要的航空录像和空中摄影[16]。我国早在1981年对乌裕尔河流域下游地区的丹顶鹤及其它珍贵水禽进行了航空调查,得到比较好的结果[17]。Bourn等[18]发表的尼日利亚畜牧业资源调查报告,利用两架飞机在样方区平行飞行,调查人员目视记录放牧家畜的数目;舍饲家畜数目通过空中调查和地面补点调查相结合获得,最终得到尼日利亚全国家畜的数量。有人机航空调查方法的优势是续航时间长、影像分辨率高,可用于动物的长期、大范围监测[19],但需要高性能飞机、经验丰富的飞行员和观察记录员,飞行手续复杂、成本高,风险大。
无人机技术是新兴的遥感技术,具有体积小、重量轻、操作简便和高效等特点。无人机技术已经逐步应用于哺乳动物[20]、鸟类[21]、昆虫[22]等的调查研究。邵全琴等[3]利用无人机对三江源区家畜牦牛、藏羊、马,野生动物藏野驴、藏原羚和岩羊的数量及分布进行调查,并构建了大型食草动物的解译标志库。吴方明等[23]在三江源区利用无人机对藏羊、牦牛、藏野驴、藏原羚的数量进行调查,提出一种无人机自动检测方法。Wang等[24]在隆宝湿地国家级自然保护区利用无人机调查了放牧家畜牦牛和羊的数量,并与WorldView-2高空间分辨率卫星影像结合,与地面调查相比,无人机影像和卫星影像调查的牦牛数量分别偏差了2.69%和2.86%。已有的研究成果表明无人机是一种可靠、低预算的动物调查技术,将无人机技术应用于牧区放牧家畜的调查具有广阔的应用前景。目前,利用无人机对放牧家畜的调查多与野生动物调查同时进行,缺乏对家畜空间分布特征的研究。
本研究应用无人机遥感技术,在黄河源区的玛多县调查放牧家畜牦牛、藏羊、马的数量和空间分布特征,将无人机技术与GIS相结合,估算玛多县全县放牧家畜的数量,探究家畜的空间分布特征及其与环境因子的空间耦合关系,并对无人机技术在牧区家畜调查中的应用进行讨论分析。为今后研究牧区放牧家畜的数量、家畜的空间分布和无人机样带调查提供方法参考,也为制定科学的家畜养殖规划、调节草畜平衡、维护草地生态系统稳定提供新的思路。

2 研究区概况与研究方法

2.1 研究区概况

玛多县位于青海省果洛藏族自治州西北部,地理范围为96°50′E—99°20′E,33°50′E—35°40′N,南北宽约207 km,东西长约228 km,全县总面积约 25 253 km2。玛多县属高平原地区,地势自西北向东南倾斜,全县平均海拔高度为4200 m;气候属高山草原气候,一年无明显四季之分,夏季时间短、温凉、多雨,冬季漫长而寒冷、干燥、多风;年平均气温-4.1℃,年降水量为303.9 mm。玛多县是黄河源的主要产流区,境内河流密集、湖泊众多,全县共有大小湖泊4077个,有“千湖之县”之称。植被类型以草地为主,适宜养殖家畜,畜牧业是全县第一产业,主要包括牦牛、藏羊、马、骆驼等。玛多县人口稀少,全县总人口约1.44万人,是全省人口最少的县,藏族是主体民族,占总人口的90%以上。全县牧区草场分包到户,各牧户的草场多用网围栏分隔,牧户随草场而居,在不同的季节草场轮流放牧。

2.2 研究方法

2.2.1 无人机调查
本研究分别于2016年7月和2017年4月在玛多县开展无人机遥感调查。2016年7月11日~30日,共飞行9个架次,航拍时间为每天的7:00— 15:00,飞行航高为700 m,获取影像空间分辨率为15.0~18.5 cm,经人工解译仅能识别影像中较大的个体：牦牛和藏野驴,但成群的牦牛和藏野驴不容易区分;藏羊的体积较小,在获取的影像上无法识别,影像中也未能识别出马,整体影像的利用率较低,效果较差。在2016年无人机遥感调查的基础上进行改进,2017年4月9日~18日,无人机航拍时间为每天7:00—11:00,有效飞行架次14个（图1,表1）,飞行航高为200~350 m,影像空间分辨率为4~7 cm,经人工解译,牦牛、藏羊和马在影像上可以清晰的识别和计数。2次无人机调查样带的航向重叠度为80%,旁向重叠度为60%。本研究利用2017年的无人机航拍数据对玛多县放牧家畜的数量和空间分布进行分析。
图1 2017年玛多县无人机调查样带分布图

注：数字1-14为无人机飞行架次编号。

Fig. 1 The distribution of UAV flight path in Maduo county in 2017

表1 2017年4月无人机飞行架次

Tab. 1 UAVs flight strips in April 2017

飞行日期 4月9日 4月13日 4月14日 4月15日 4月16日 4月17日 4月18日
飞行架次编号 1 2 4 3,5,6,13,14 8,9,10 11 12
获取的无人机影像采用Pix4D mapper、LiMapper与飞马智拼图等软件进行拼接处理。经过影像拼接处理, 2017年4月有效拍摄面积356 km2,有效利用面积326.6 km2。
2.2.2 家畜解译标志
依据获取的无人机影像,结合外业调查观察到的家畜放牧和空间分布规律,以遥感解译的七要素为基础,建立了无人机影像的家畜解译标志[3],如表2所示。
表2 无人机影像要素的家畜识别特征

Tab. 2 Image recognition signs for livestock by UAVs

要素 牦牛 藏羊 马
颜色 主要为黑色,偶见赭红色、白色、黑白拼接色个体 主要为白色、灰白色、污白色,偶见黑色、黑白拼接色个体 主要为黑色、棕黑、棕红,偶见白色个体,偶见白色或纯色拼接个体
纹理 纯色无明显纹理或大块拼接状纹理 纯色无明显纹理或大块拼接状纹理 主要纯色无明显纹理,偶见色块拼接纹理
阴影 晴空非正午拍摄,有较明显的牦牛形态阴影 晴空非正午拍摄,有较明显的藏羊形态阴影 晴空非正午拍摄,有较明显的马形态阴影。其中,头颈部阴影较其它家畜明显更长
大小 成年牦牛体长多在1.6 ~ 2.2 m。以4 cm分辨率航片为例,个体长度多在40 ~ 50像素。幼年牛犊可小至0.8 m,一般不会离群单独出现 成年羊体长多在1.0 ~ 1.4 m。以4 cm分辨率航片为例,个体长度多在25 ~ 35像素。幼年羊可小至0.4 m,一般不会离群单独出现 成年马体长多在1.6 ~ 2.2m。以4 cm分辨率航片为例,个体长度多在40 ~ 55像素。幼年家马较小,但一般不会离马群及母马出现
形状 整体形状近椭圆形、长方形。长宽比多在1.5:1 ~ 3:1之间,清晰的影像中或可见双角 整体形状近椭圆形、水滴形。长宽比多在1.5:1 ~ 3:1之间,清晰的影像中或可见双角 整体形状近长条块状或长柄长圆形。长宽比多在3:1 ~ 5:1之间,无角
图案 椭圆形、长方形图案 椭圆形、水滴形图案 长条块状或长柄长图案
位置
关系 		多成群分布,在附近可找到居民点等人类活动地物、痕迹 多成群分布,在其附近能找到居民点等人类活动地物、痕迹 多成群分布,也偶见散布少数个体
易混淆情况 易与鉴别特征较差的马,大小近似的水坑、土墙阴影等混淆 易与个体大小较小的牛,大小近似的水洼、地形阴影等混淆 易与驴、图片质量不佳的骆驼等混淆
群体
影像
个体.
影像
2.2.3 家畜数量估算
本研究采用目视解译的方法识别和统计样带内各类型家畜,依据样带调查结果,分别采用直接估算法、扣除非植被区估算法、基于冷暖季草场估算法、基于高程分带估算法和基于草地类型估算法5种方法估算玛多县放牧家畜的数量。
依据无人机飞行样带内牦牛、藏羊和马的记录数据对玛多县内家畜的密度做统计估算[25],并将放牧家畜数量换算为标准羊单位[26]。
D i ∧ = ∑ 1 n p i ∑ 1 n z i
式中：i为第i条飞行样带; D i ∧ 为全部飞行样带内某一种家畜的密度; p i 是为第i条飞行样带内该类家畜的数量; z i 为第i条飞行样带的覆盖面积;n为飞行样带的数量。
直接估算。基于无人机飞行样带调查结果,根据玛多县国土面积与家畜样带密度,直接估算玛多县的家畜数量。
Q i = A D i ∧
式中：A为玛多县的国土面积; D i ∧ 为全部飞行样带内某一种家畜的密度; Q i 为估算的该类家畜的数量。
扣除非植被区估算。在玛多县国土面积中扣除非植被类型（如裸石砾地、水体、冰川、城镇、高速和国道道路等）的面积,估算玛多县放牧家畜的数量。
Q i = A - A n D i ∧
式中：A为玛多县的国土面积; D i ∧ 为全部飞行样带内某一种家畜的密度; Q i 为估算的该类家畜的数量; A n 为非植被区域的面积。
基于冷暖季草场估算。放牧家畜在夏秋季趋向在凉爽、牧草丰富、人类干扰相对较少的高海拔区域（往往是暖季草场分布区）栖息采食,冬春季趋向在地势较低、更为避风温暖的低海拔地区（往往是冷季草场分布区）栖息采食,利用1:10万玛多县冷暖季草场分布数据,推算玛多县家畜的数量[19]。
Q i = Q SW × A SW A W + Q SC × A SC A C
式中： Q i 为估算的某种家畜的数量; Q SW 为调查样带中该种家畜位于暖季草场的数量; A SW 为调查样带中暖季草场的总面积; A W 为研究区中暖季草场的总面积; Q SC 为调查样带中该种家畜位于冷季草场的数量; A SC 为调查样带中冷季草场的总面积; A C 为研究区中冷季草场的总面积。
基于高程分带估算。考虑放牧家畜在海拔高程上的分布特点,根据玛多县海拔高程分布,将家畜出现位置的高程分为5个等级：4000 m≤h<4100 m、4100 m≤h<4200 m、4200 m≤h<4300 m、4300 m≤h<4400 m、4400 m≤h<4500 m,在每个等级中估算某一类家畜的数量,累加得到玛多县各家畜数量。
基于草地类型估算。考虑放牧家畜在植被类型中的分布特点,根据玛多县1:50万植被类型分布数据,主要包括：高山嵩草+杂类草草地型、高山嵩草+紫花针茅草地型、禾叶风毛菊草地型、紫花针茅草+杂类草草地型、藏嵩草+苔草草地型、藏嵩草草地型、高山嵩草草地型、赖草草地型与紫花针茅草地型等9种草地类型。估算每种草地类型中某一类家畜的数量,累加得到玛多县各家畜的数量。
2.2.4 选择指数计算
为揭示海拔高度、地形坡度、草地类型、植被覆盖度、距离居民点的距离、距离水源的距离等多个环境因子对放牧家畜空间分布的影响,结合玛多县家畜的放牧规律,采用选择系数 W i 和选择指数 E i 来衡量牦牛、藏羊和马对其生态环境因子的偏好或回避[27]。本研究使用的环境因子数据中,玛多县地面数字高程模型（DEM）来自ASTER GDEM,空间分辨率为30 m,坡度数据由DEM数据计算得到[28];草地类型数据来自中国1:100万植被类型数据集[29];植被覆盖度数据由中国测绘科学研究院提供,根据Landsat的NDVI数据计算得出,空间分辨率为 30 m;居民点、水系、道路等玛多县土地利用数据,由青海省生态环境遥感中心提供。选择系数 W i 和选择指数 E i 计算方法如下：
W i = r i p i ∑ ( r i / p i )
E i = ( W i - 1 / n ) ( W i + 1 / n )
式中： W i 为选择系数; E i 为选择指数;i为某一类环境因子特征; p i 为调查样带中具有i环境特征的总样方数,本研究中将各环境因子数据转化为30 m×30 m的栅格数据,每一个栅格像元作为一个样方; r i 为调查样带内家畜选择分布的具有i类环境特征的样方数;n为某一类环境特征划分的等级数（n=1,2,…,n）; E i 介于[–1,1], E i =–1为不选择该环境因子,–1< E i <–0.1为负向选择, E i =0为随机选择,–0.1≤ E i ≤0.1为近乎随机选择,0.1< E i <1为正向选择,当 E i =1为特别偏好该环境因子。

3 结果与分析

3.1 家畜的样带密度

2017年4月的14条无人机飞行样带,在9条样带中发现了牦牛、藏羊和马,且放牧家畜的位置均位于冷季草场。9条样带中,牦牛10~100只的集群共发现10群,100~200只共发现3群,200只以上共发现2群;藏羊以大规模集群为主,600只以上共发现3群;马未发现较大集群。共发现牦牛1351只,计5404羊单位,样带密度为4.12只/km2;藏羊2405只,计2405羊单位,样带密度为7.34只/km2;马19匹,计57羊单位,密度为0.06只/km2,总计家畜3775只,折合7866羊单位。

3.2 家畜数量估算结果

本研究共采用5种家畜的数量估算方法,对2017年4月玛多县的放牧家畜数量进行估算,结果如表3所示。
表3 2017年玛多县放牧家畜估算数量

Tab. 3 Estimated population of grazing livestock in Maduo County in 2017

估算方法 牦牛/万只 藏羊/万只 马/万只 合计/万只
直接估算 10.42 18.57 0.15 29.14
扣除非植被区 9.36 16.64 0.13 26.13
基于冷暖季草场 7.08 10.22 0.12 17.42
基于高程分带 7.68 39.03 0.37 47.08
基于草地类型 7.51 10.89 0.14 19.52
从表3中得出,基于高程分带法估算的玛多县放牧家畜的数量最多,估算牦牛7.68万头,藏羊39.03万只,马0.37万匹,共有家畜47.08万只,折合70.89万只羊单位,该方法估算的藏羊数量显著高于另外4种方法;直接估算法、扣除非植被区估算法和基于草地类型估算法估算玛多县家畜的数量分别为29.14万只、26.13万只和19.52万只,折合标准羊单位分别为60.72万只、54.45万只和41.35万只;基于冷暖季草场估算玛多县家畜数量最少,估算牦牛7.08万只,藏羊10.22万只,马0.12万只,总计家畜17.42万只,折合38.91万只羊单位,该方法估算的牦牛、藏羊和马的数量均最少。
玛多县统计资料表明,2017年牦牛的年末存栏量为58 177头,出栏量为12 689头;藏羊的年末存栏量为73 254只,出栏量为26 914只;马的存栏量为1383匹。对比玛多县2017年家畜的统计数量,基于冷暖季草场估算牦牛、藏羊和马的误差分别为-0.93%、2.27%和-13.23%,在5种方法中估算的结果最准确。

3.3 放牧家畜空间分布

利用选择指数计算得出样带内玛多县放牧家畜牦牛、藏羊和马对环境因子的选择倾向,如表4。
表4 放牧家畜对不同等级环境因子的选择性

Tab. 4 The selection on environmental factors in different level by livestock

环境因子 等级 牦牛 藏羊 马
Wi Ei Wi Ei Wi Ei
高程/m 4000~4100 0.07 -0.47 0.67 0.54 0 -1
4100~4200 0.08 -0.43 0 -1 0 -1
4200~4300 0.16 -0.10 0.02 -0.84 0.01 -0.88
4300~4400 0.61 0.51 0 -1 0.15 -0.16
4400~4500 0.07 -0.47 0.31 0.22 0.84 0.62
坡度/° ≤ 2 0.26 -0.13 0.08 -0.40 0 -1
2~5 0.43 0.12 0.20 -0.09 0.21 -0.23
5~12 0.32 -0.03 0.60 0.37 0.44 0.14
>12 0 -1.00 0.12 -0.29 0.35 0.02
植被覆盖度 0≤FC<0.2 0 -0.96 0.04 -0.68 0 -1
0.2≤FC<0.4 0.04 -0.68 0.08 -0.43 0.05 -0.59
0.4≤FC<0.6 0.27 0.15 0.21 0.01 0.05 -0.6
0.6≤FC<0.8 0.23 0.06 0.26 0.13 0.78 0.59
0.8≤FC<1 0.46 0.40 0.42 0.35 0.12 -0.26
距居民点/km ≤ 1 0.50 0.20 0.63 0.31 0.66 0.33
1~3 0.32 -0.03 0.15 -0.37 0.21 -0.22
≥ 3 0.18 -0.29 0.22 -0.21 0.12 -0.47
距水源/km ≤ 1 0.38 0.07 0.97 0.49 0.09 -0.59
1~3 0.40 0.09 0.03 -0.85 0.91 0.47
>3 0.22 -0.21 0 -1 0 -1
距公路/km ≤1 0.26 -0.12 0 -1 0 -1
1~3 0.25 -0.14 0 -1 0.79 0.41
≥ 3 0.49 0.19 1 0.50 0.21 -0.22
由表4得出,牦牛主要分布在高程4300~4400 m（ E i =0.51）,坡度为2°~5°（ E i =0.12）,植被覆盖度高于0.4（在0.6~0.8之间 E i 值较低）,距居民点小于1 km（ E i =0.2）,距水源3 km以内（牦牛数量占样带调查总数的99.85%,但 E i 值较低）,距公路大于3 km（ E i =0.19）的区域。藏羊主要分布在高程4000~4100 m（ E i =0.54）和4400~4500 m（ E i =0.22）,坡度为5°~12°（ E i =0.37）,植被覆盖度高于0.6,距农村居民点小于1 km（ E i =0.31）,距水源小于1 km（ E i =0.49）,距公路大于3 km（ E i =0.5）的区域。马主要分布在高程4400~4500 m（ E i =0.62）,坡度为5°~12°（ E i =0.14）,植被覆盖度为0.6~0.8（ E i =0.59）,距农村居民点小于1 km（ E i =0.33）,距水源于1~3 km（ E i =0.47）,距公路1~3 km（ E i =0.41）的区域。
综上3种家畜的环境偏好,玛多县放牧家畜主要分布于坡度平缓,草地覆盖度高,距离居民点近,距离水源近,距离公路较远的区域。

4 讨论

本研究对玛多县放牧家畜进行了2次无人机遥感调查。对比两次无人机航拍影像,无人机影像分辨率为15~18.5 cm时,经人工目视解译,影像中成年牦牛（体长1.6~2.2 m）个体长度为9~15个像素,成年藏羊（体长1.0~1.4 m）个体长度为5~9个像素,成群的藏羊勉强识别,影像中未发现马;幼年牦牛、藏羊个体相比成年藏羊体型更小,不易识别,但不会离群单独出现。无人机影像分辨率为4~7 cm时,成年牦牛和藏羊的个体长度分别为23~50像素和15~35像素,成年马（体长1.6~2.2 m）个体长度为23~50个像素;家畜的幼畜可以识别,每个幼畜的个体长度均超过10个像素。本研究调查家畜过程中,未获取分辨率低于18 cm、7~15 cm和高于4 cm区间的无人机影像,今后需继续研究家畜在不同影像分辨率中的识别特征。无人机调查放牧家畜,应根据调查家畜的种类、体型等因素设计无人机影像的空间分辨率,家畜的个体长度至少为10个像素。应用无人机在草地生态系统进行家畜调查,因环境背景单一和调查面积较大,地面用于影像拼接的特征点较少,不适用影像拼接,本研究采用单张影像逐张解译;基于无人机影像不拼接的情形,设计无人机飞行样带时应区别于野生动物调查,建议减少航向和旁向重叠度,节约飞行能量。本研究采用目视解译的方法识别家畜的类别和数量,该方法识别家畜的精度较高,但耗时耗力,今后应利用深度学习、目标检测等算法进行无人机影像家畜信息的自动提取,将研究性质的自动检测落实到实际生产中,提高解译工作效率。
无人机航拍时,家畜沿样带和垂直样带等方向运动,或出现在相邻影像的非重叠区域,可能导致计数重复。本研究采用人工目视解译,解译精度较高,且已有的研究表明,家畜移动对估算结果的影响较小,如Wang等[24]在隆宝湿地国家公园进行无人机调查时发现,15组拼接的图像中动物的数量高估了6.72%;与4条飞行条带记录的数据相比,动物运动导致最终拼接的图像中牦牛数量被低估了1.14%,羊的数量被高估了1.66%。对比本研究5种家畜数量的估算方法,直接估算法和扣除非植被区估算法计算简便,计算时未考虑放牧家畜的生活习性,由样带面积与玛多县全县的国土面积比例估算,结果偏差较大。基于高程分带估算法考虑了家畜在不同高程分布的差异,缺点是本研究飞行样带未覆盖玛多县全部的高程范围（缺少高程>4500 m的数据）。基于草地类型估算法考虑了放牧家畜的采食偏好,缺点是本研究飞行样带没有覆盖玛多县的20种植被类型（样带覆盖9种植被类型）,存在一定的局限性。基于冷暖季草场估算法考虑了家畜在冷暖季草场放牧的活动规律和生活习性,在2017年4月调查中,冷季草场面积占59.9%,暖季草场面积占40.1%,符合统计要求,估算结果精度最高。本研究采用了系统抽样法在玛多县抽取调查样带,假设放牧家畜在调查区域和非调查区域为均匀分布,并认为调查区域和非调查区域的权重相同,实际调查中家畜是随机分布,抽样研究方法仍需改进。无人机遥感调查应依据实地调查结果设置调查区域和非调查区域的权重,并进行多年的重复调查验证调查结果,降低家畜数量的估算误差[30]。
玛多县放牧的牦牛、藏羊以群体活动为主,马未见较大集群。牦牛、藏羊和马对环境因子的选择与牧民生活息息相关,因家畜多为牧民集中放牧,各家草场有网围栏分隔,限制了家畜的活动和选择。冷季草场多位于平缓地区,暖季草场多位于高山地区,冬春、夏秋季节在对应的冷、暖季草场放牧,符合牧民的放牧管理特点。牧民在放牧时常常靠近水源地,或者自家打井供水,远离公路,本研究的调查结果与牧民生活规律相符。本研究在2017年的冷季进行了放牧家畜的无人机遥感调查,仅研究了家畜空间分布与环境因子的单要素关系,家畜对环境的选择是多种自然因素和人类扰动因素共同影响的结果,应进一步研究家畜空间分布与多要素的综合关系,并在暖季草场进行调查,探究暖季家畜对环境因子的选择特征。
放牧家畜的数量是影响草地生态系统草畜平衡的重要因素,传统草畜平衡主要集中于草地产量、家畜采食量和载畜量的计算等几个方面[31],常通过现实载畜量和理论载畜量的比值计算草地载畜压力,现实载畜量采用的是各地方统计数据,结果不能反映草地实际载畜压力。本研究应用无人机技术调查得到玛多县实际放牧家畜的数量及空间分布,使草畜平衡估算方法更准确。今后可以通过研究无人机影像上家畜的体尺信息提取,构建家畜体重与体尺信息的关系,分析不同体型的家畜对草地资源消耗的差异,为牧区的家畜数量管理、草畜平衡调节提供数据支持。

5 结论

本研究提出一种应用无人机遥感技术调查牧区放牧家畜数量和空间分布特征的方法,应用无人机飞行样带对牧区放牧家畜进行抽样调查,基于冷暖季草场估算了2017年玛多县放牧家畜的数量,探究牧区放牧家畜的空间分布规律,讨论无人机遥感技术在牧区放牧家畜调查中的应用条件,主要结论如下：
① 在玛多县冷季无人机航拍样带内共发现家畜3775只,牦牛、藏羊和马的样带调查密度分别为4.12、7.34和0.06只/km2。② 基于冷暖季草场估算玛多县有牦牛7.08万头,藏羊10.22万只,马0.12万匹;经验证,无人机调查牦牛、藏羊和马的误差分别为-0.93%、2.27%和-13.23%。③ 玛多县牦牛、藏羊和马的空间分布与牧民生活相关,主要分布于坡度小于12°,植被覆盖度大于0.6,距居民点小于1 km,距水源小于3 km,距公路大于3 km的区域,牦牛和藏羊以群体活动为主,马未见较大集群。
本研究结果表明无人机遥感调查技术在畜牧业有较大的应用潜力,为今后放牧家畜调查、草畜平衡调节等研究提供一种可靠、有效的技术方法。

在野外调查和无人机遥感图像处理中,得到了西北高原生物研究所李英年研究员、青海省草原总站严振英高级工程师、天峻县农牧局唐永鹏,以及研究团队其他人员的帮助,在此一并表示感谢！

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
张镱锂, 刘林山, 摆万奇, 等. 黄河源地区草地退化空间特征[J]. 地理学报, 2006, 61(1):3-14.

[ Zhang Y L, Liu L S, Bai W Q, et al. Grassland degradation in the source region of the Yellow River[J]. Acta Geographica Sinica, 2006, 61(1):3-14. ]

[2]
董世魁, 汤琳, 张相锋, 等. 高寒草地植物物种多样性与功能多样性的关系[J]. 生态学报, 2017, 37(5):1472-1483.

[ Dong S K, Tang L, Zhang X F, et al. Relationship between plant species diversity and functional diversity in alpine grasslands[J]. Acta Ecologica Sinica, 2017, 37(5):1472-1483. ]

[3]
邵全琴, 郭兴健, 李愈哲, 等. 无人机遥感的大型野生食草动物种群数量及分布规律研究[J]. 遥感学报, 2018, 22(3):497-507.

[ Shao Q Q, Guo X J, Li Y Z, et al. Using UAV remote sensing to analyze the population and distribution of large wild herbivores[J]. Journal of Remote Sensing, 2018, 22(3):497-507. ]

[4]
宋仁德, 汪永洲, 李国梅, 等. 玉树州畜种畜群结构调查与对策初探[J]. 家畜生态学报, 2014, 35(2):53-57.

[ Song R D, Wang Y Z, Li G M, et al. Preliminary study and analysis of livestock breed and structure in Yushu prefecture[J]. Acta Ecologae Animalis Domastici, 2014, 35(2):53-57. ]

[5]
闫琦. 青藏高原典型牧区畜群结构及载畜量研究[D]. 兰州:兰州大学, 2019.

[ Yan Q. Study on herd structure and carrying capacity in areas of Qinghai-Tibetan Plateau[D]. Lanzhou: Lanzhou University, 2019. ]

[6]
Betts M G, Mitchell D, Diamond A W, et al. Uneven rates of landscape change as a source of bias in roadside wildlife surveys[J]. The Journal of Wildlife Management, 2007, 71(7):2266-2273.

[7]
Sauer J R, Link W A, Fallon J E, et al. The North American breeding bird survey 1966-2011: Summary analysis and species accounts[J]. North American Fauna, 2013, 79:1-32.

DOI

[8]
陈晓霞, 石福孙, 孙飞达, 等. 川西北典型牧业县放牧家畜数量及结构的空间分布特征[J]. 应用与环境生物学报, 2019, 25(1):63-69.

[ Chen X X, Shi F S, Sun F D, et al. Spatial distribution characteristics of livestock population and structure of typical animal husbandry counties in northwestern Sichuan[J]. Chinese Journal of Applied and Environmental Biology, 2019, 25(1):63-69. ]

[9]
朝宝. 近70年巴林右旗五畜数量结构时空变化及其影响因素分析[D]. 呼和浩特:内蒙古师范大学, 2017.

[ Chao B. Temporal and spatial changes of the quantitative structure of five domestic animals in Balinyou banner over the recent 70 years and analysis of influencing factors[D]. Hohhot: Inner Mongol Normal University, 2017. ]

[10]
Schwaller M R, Olson C E, Ma Z Q, et al. A remote-sensing analysis of Adelie penguin rookeries[J]. Remote Sensing of Environment, 1989, 28:199-206.

DOI

[11]
LaRue M A, Rotella J J, Garrott R A, et al. Satellite imagery can be used to detect variation in abundance of Weddell seals (Leptonychotes weddellii) in Erebus Bay, Antarctica[J]. Polar Biology, 2011, 34(11):1727-1737.

DOI

[12]
LaRue M A, Stapleton S, Anderson M. Feasibility of using high-resolution satellite imagery to assess vertebrate wildlife populations[J]. Conservation Biology, 2017, 31(1):213-220.

DOI

[13]
Platonov N G, Mordvintsev I N, Rozhnov V V. The possibility of using high resolution satellite images for detection of marine mammals[J]. Izvestiia Akademii Nauk Seriia Biologicheskaia, 2013(2):217-226.

[14]
宋晓阳, 申文明, 万华伟, 等. 基于高分遥感的可可西里自然保护区藏羚羊生境适宜性动态监测[J]. 资源科学, 2016, 38(8):1434-1442.

[ Song X Y, Shen W M, Wan H W, et al. Dynamic monitoring of Tibetan antelope habitat suitability in the Hoh-Xil Nature Reserve using remote sensing images[J]. Resources Science, 2016, 38(8):1434-1442. ]

[15]
马琰, 郭颖, 邓广, 等. 基于国产GF-1影像的川金丝猴生境评价研究[J]. 北京林业大学学报, 2016, 38(7):81-90.

[ Ma Y, Guo Y, Deng G, et al. Habitat suitability evaluation for Rhinopithecus roxellanae based on GF-1 satellite[J]. Journal of Beijing Forestry University, 2016, 38(7):81-90. ]

[16]
李绍纲. 航空调查野生动物资源[J]. 吉林林业科技, 1985, 14(5):50-51.

[ Li S G. Aerial survey of wildlife resources[J]. Journal of Jilin Forestry Science and Technology, 1985, 14(5):50-51. ]

[17]
赵忠琴, 李金录, 冯科民. 大型水禽航空调查方法[J]. 野生动物, 1985, 6(4):25-27.

[ Zhao Z Q, Li J L, Feng K M. Aerial survey method of large waterfowl[J]. Wild Animal, 1985, 6(4):25-27. ]

[18]
Bourn D, Wint W, Bloneh R, et al. Nigerian livestock resources volume Ⅲ: State Reports[R]. Garki Abuja: Federal Ministry of Agriculture and Natural Resources, 1992.

[19]
Stoner C, Caro T, Mduma S, et al. Assessment of effectiveness of protection strategies in Tanzania based on a decade of survey data for large herbivores[J]. Conservation Biology, 2007, 21(3):635-646.

DOI

[20]
Fust P, Loos J. Development perspectives for the application of autonomous, unmanned aerial systems (UASs) in wildlife conservation[J]. Biological Conservation, 2020, 241:108380.

DOI

[21]
黄仁超. 基于无人机图像的输电线杆塔上的鸟巢识别技术[D]. 广州:广东工业大学, 2018.

[ Huang R C. Bird nest identification technology based on UAV images for power transmission pole towers[D]. Guangzhou: Guangdong University of Technology, 2018. ]

[22]
Ivosevic B, Han Y G, Kwon O. Monitoring butterflies with an unmanned aerial vehicle: Current possibilities and future potentials[J]. Journal of Ecology and Environment, 2017, 41(1):1-6.

DOI

[23]
吴方明, 朱伟伟, 吴炳方, 等. 三江源大型食草动物数量无人机自动监测方法[J]. 兽类学报, 2019, 39(4):450-457.

[ Wu F M, Zhu W W, Wu B F, et al. Method of automatic counting of large herbivores from UAV images in the Source Region of Three Rivers[J]. Acta Theriologica Sinica, 2019, 39(4):450-457. ]

[24]
Wang D L, Song Q J, Liao X H, et al. Integrating satellite and unmanned aircraft system (UAS) imagery to model livestock population dynamics in the Longbao Wetland National Nature Reserve, China[J]. Science of the Total Environment, 2020, 746:140327.

DOI

[25]
郭兴健, 邵全琴, 杨帆, 等. 无人机遥感调查黄河源玛多县岩羊数量及分布[J]. 自然资源学报, 2019, 34(5):1054-1065.

[ Guo X J, Shao Q Q, Yang F, et al. Using UAV remote sensing for a population census of blue sheep (Pseudois nayaur) in Maduo county, source region of the Yellow River[J]. Journal of Natural Resources, 2019, 34(5):1054-1065. ]

[26]
杨帆, 邵全琴, 郭兴健, 等. 玛多县大型野生食草动物种群数量对草畜平衡的影响研究[J]. 草业学报, 2018, 27(7):1-13.

[ Yang F, Shao Q Q, Guo X J, et al. Effects of wild large herbivore populations on the grassland-livestock balance in Maduo County[J]. Acta Prataculturae Sinica, 2018, 27(7):1-13. ]

[27]
Lechowicz M J. The sampling characteristics of electivity indices[J]. Oecologia, 1982, 52(1):22-30.

DOI PMID

[28]
地理空间数据云. DEM 数字高程数据[DB/OL]. http://www.gscloud.cn/sources/?cdataid=302&pdataid=10.

[Geospatial Data Cloud. DEM digital elevation data[DB/OL]. http://www.gscloud.cn/sources/?cdataid=302&pdataid=10.]

[29]
资源学科创新平台. 中国1:100万植被数据[DB/OL]. http://www.data.ac.cn/database/zgzb.html.

[Resource Discipline Innovation Platform. Vegetation data of China(1:1000000)[DB/OL]. http://www.data.ac.cn/database/zgzb.html.]

[30]
李欣海, 郜二虎, 李百度, 等. 用物种分布模型和距离抽样估计三江源藏野驴、藏原羚和藏羚羊的数量[J]. 中国科学:生命科学, 2019, 49(2):151-162.

[ Li X H, Gao E H, Li B D, et al. Estimating abundance of Tibetan wild ass, Tibetan gazelle and Tibetan antelope using species distribution model and distance sampling[J]. Scientia Sinica (Vitae), 2019, 49(2):151-162. ]

[31]
黄麟, 翟俊, 祝萍, 等. 中国草畜平衡状态时空演变指示的草地生态保护格局[J]. 地理学报, 2020, 75(11):2396-2407.

DOI

[ Huang L, Zhai J, Zhu P, et al. Spatiotemporal evolution characteristics of livestock-carrying pressure in China and its implications for grassland ecosystem conservation pattern[J]. Acta Geographica Sinica, 2020, 75(11):2396-2407. ]

Options
Outlines

/

〈 〉