SCANDCAM: Viltkamera i viltforskningen Muligheter og utfordringer. Neri Horntvedt Thorsen

Transkript

1 SCANDCAM: Viltkamera i viltforskningen Muligheter og utfordringer Neri Horntvedt Thorsen

2 SCANDCAM Team John Odden Neri H Thorsen John Linnell Erlend Nilsen Nina Myhr Solveig Haug 10+ studenter Jonas Kindberg Tim Hofmeester (postdoktor) Joris Gromsig Henrik Andrén Jens Persson Richard Bischof mfl Morten Odden Rocio Cano Martinez Simen Pedersen David Carricondo-Sanchez Länsstyrelsen i Värmland, V. Götaland og Västmanland

3 Pilotstudie med viltkamera Konflikter rundt bestandstall hos gaupe. 50 viltkamera i 1800 km 2 stort område med variabelt snødekke. Validering med GPS-merkede gauper. Alle 9 radiomerkede gauper ble fanget jevnlig på kamera.

4 Eks. hunngaupa F306 Fanget opp 26 ganger på kamera i løpet av ett år

5 SCANDCAM - viltkamera.nina.no 2011

6 SCANDCAM - viltkamera.nina.no 2012

7 SCANDCAM - viltkamera.nina.no 2014

8 SCANDCAM - viltkamera.nina.no 2015

9 SCANDCAM - viltkamera.nina.no 2016

10 SCANDCAM - viltkamera.nina.no 2017

11 SCANDCAM - viltkamera.nina.no 2018

12 SCANDCAM 2018 Ca. 750 viltkamera i 15 fylker og län i Skandinavia i 2018 Alle områder med samme design

13 SCANDCAM - studieoppsett Minst 1 viltkamera per 50 km 2 i gaupehabitat. Tilsvarer minimum 5-6 kameraer per hogaupe. Settes ikke tilfeldig, men der gaupe forventes å gå. Står oppe året rundt. Reconyx (Bushnell og Browning).

14 SCANDCAM Lokal involvering Ca. 140 (2017) lokale medarbeidere sikrer lokal forankring og demping av konflikter. Kontrolleres minimum 5 ganger i året. Minnebrikker sendes med ferdigfrankerte brev til NINA og lokale medarbeidere får tomme minnekort i retur.

15 Agder og Telemark 2018 Satt ut 70 kameraer høsten Oversikt over sesongen før først i begynnelsen av april.

16

17

18

19 Automatisk bildegjenkjenning vha. maskinlæring >15000 bilder kommer inn til NINA i døgnet. Personvern sikres ved at bilder av mennesker fjernes automatisk vha. bildegjenkjenningsprogram. I 99 av 100 tilfeller fjernes bilder av folk og biler mm. korrekt. I ca. 85% av tilfellene sorteres andre arter korrekt. Tensor flow

20 Evaluering av gaupeovervåking

21 Evaluering av overvåking radiomerkede familiegrupper 92% av GPS-merkede gauper registreres (96 FGR)

22 Familiegrupper (Norge) 14 % av grupperte familiegrupper i studieområdene har ikke blitt fanget opp på sporsnø.

23 Identifisering av individ lar oss beregne tetthet av gauper i et område

24 Validering av individgjenkjenning

25 Validering av individgjenkjenning There was a 12.5% probability that a capture event would be incorrectly classified, with the majority of mistakes coming from splitting errors The mean (±SD) difference in the number of individuals identified compared to the true number (16 individuals) was 2.3 (±1.7) snow leopards for experts and 3.0 (±0.8) for non-experts

26 SCANDCAM forskning og overvåking av større deler av pattedyrsamfunnet?

27 Evaluering av overvåking av andre store rovviltarter

28 Spredning av villsvin Kameraene har kun fanget opp yngling i Aremark og Halden.

29 Pelsskifte hos hare (fenologi) Romlig variasjon i pelsskifte hos skogshare. Med lengre tidsserier så kan vi se på effekter av klimaendringer.

30 Vilthelse Variasjon i forekomst av reveskabb i tid og rom Størst sannsynlighet for observasjon av skabb nære folk og i vintermånedene. Et mønster av små lokale utbrudd av skabb som dukker opp og forsvinner. Forekomst av elgvorter? (Fibropapillomatose) Carricondo-Sanchez et al. 2017

31 Hjortevilt Storskala trender i rom og tid SCANDCAM-designet egner seg dårlig til å si noe lokale tettheter. Kan antagelig si noe om relativ tetthet. Kan det brukes til å oppdatere byttedyrkategoriene til avstandskriteriene for gaupe?

32 UTFORDRINGER - DETEKSJON

33 Mange faktorer påvirker deteksjon. Eller mangel på deteksjon 1: Utbredningsområde 2: Landskap 3: Habitat patch 4: Microsite Sannhynligheten for at et dyr går foran kameraet: P1 Pr Dyr går foran kamera Hofmeester et al. (in review)

34 Mange faktorer påvirker deteksjon P2: Pr Dyr trigger kamera dyr går forbi Faktorer som kan påvirke deteksjon: Sensitiviteten til PIR-sensoren. Temperaturforskjellen mellom dyret og omgivelsene. Størrelsen på dyret. Vegetasjon. Hofmeester et al. (2017) RSEC

35 Mange faktorer påvirker deteksjon P2: Pr Dyr trigger kamera dyr går forbi Hva påvirker deteksjonen av dyr på viltoverganger 3 transekter. Vegetasjonsmålinger. Måler avstand til dyr som passerer.

36 Mange faktorer påvirker deteksjon P3: Pr Dyr identifiserbar dyr går forbi, trigger kamera Korrekt identifisering av. F. eks lavere deteksjon om natten fordi dyr er vanskeligere å identifisere, og dyret kan trigge kameraet utenfor rekkevidden til blitsen. Hastighet på dyret.

37 Konklusjon Viltkamera fungerer godt som et supplement til bestandsregistreing av gaupe. Tetthetsestimater av gaupe vha. fangst-gjenfangst avhenger av korrekt individgjenkjenning. SCANDCAM-designet kan brukes til å studere andre pattedyr. F.eks utbredelse, vilthelse, storskala endringer i rom og tid. Utforske hva som påvirker arters fordeling i rom og tid, og hvilken rolle mennesket spiller her. Utfordringer med deteksjon bør løses før en begynner å stille økologiske spørsmål.

38 Samarbeid og kunnskap for framtidas miljøløsninger Foto. A. Staverløkk