Advancing Wildlife Monitoring
Author
Jensen, Lasse Lange
Term
4. term
Education
Publication year
2025
Submitted on
2025-05-31
Pages
35
Abstract
Dette speciale undersøger, hvordan nye metoder kan styrke overvågning af vilde dyr til brug for naturforvaltning. Traditionelle teknikker er ofte arbejdskrævende og svære at skalere, så arbejdet fokuserer på to nyere spor: (1) droner og maskinlæring til adfærds- og habitatstudier af hjorte samt (2) borgerforskning kombineret med en termisk spotter til at kortlægge bylevende harer. I det første delstudie udvikles en YOLOv8-baseret adfærdsmodel, der klassificerer “stående”, “liggende”, “fouragerer” og “bevæger sig” hos kron- og dådyr ud fra lavopløselig termisk dronevideo optaget om natten, med henblik på at udlede vegetation- og habitatbrug samt interaktioner mellem arterne. Metoden er på et tidligt udviklingstrin, og specialet diskuterer centrale tekniske udfordringer, herunder artsadskillelse i termiske optagelser og behovet for robust sporing af individer for at undgå bias mod store grupper; samtidig peges der på nye, brugervenlige værktøjer som LabGym, der kan gøre kombineret arts- og adfærdsgenkendelse mere tilgængelig. I det andet delstudie kortlægges europæisk hare i Aalborg og Aarhus ved, at borgere indrapporterer observationer via e-mail, suppleret med målretning i felten med en termisk spotter. Her fremkommer en stærk polynomiel sammenhæng mellem hare-tæthed og afstand til bymidten (R2 omkring 0,97–0,98), og tætheden er markant højere omkring boligblokke end i områder med private haver (omtrent 5,4× i Aalborg og 4,7× i Aarhus), om end mulige observatørbias diskuteres. Specialet fremhæver, at droner og AI rummer stor lovende anvendelse i natur- og faunaforvaltning, mens borgerforskning kan være særligt værdifuld i byer, hvor droner og kameraer ofte er upraktiske eller ulovlige. Samlet understreger arbejdet, at skalerbare, tilgængelige og billige overvågningsværktøjer – udviklet med blik for både tekniske begrænsninger og bias – er afgørende for fremtidig biodiversitetsforvaltning.
This thesis examines how emerging methods can strengthen wildlife monitoring in support of conservation. Because traditional techniques are labor-intensive and difficult to scale, the work focuses on two complementary avenues: (1) drone- and machine-learning–based approaches for behavior and habitat studies of ungulates, and (2) citizen science combined with a handheld thermal spotter to map urban hares. In the first paper, a YOLOv8-based behavior classifier is developed to label “standing,” “lying,” “foraging,” and “locomoting” in low-resolution thermal drone footage of red and fallow deer recorded at night, with the aim of inferring vegetation and habitat use and interspecific interactions. The method is at an early stage; the thesis discusses key technical challenges, including distinguishing species in thermal imagery and the need for robust individual tracking to avoid group-size bias, while highlighting user-friendly tools such as LabGym that may facilitate combined detection and behavior classification. In the second paper, the distribution of European hares in Aalborg and Aarhus is mapped by residents emailing sighting reports, guided in the field by a thermal spotter. The study reveals a strong polynomial relationship between hare density and distance from the city center (R2 ~0.97–0.98), and substantially higher densities around apartment blocks than in areas of private gardens (about 5.4× in Aalborg and 4.7× in Aarhus), with potential observer biases considered. Overall, the thesis underscores the promise of drones and AI for biological monitoring and the practical value of citizen participation in cities where drones and cameras are often impractical or illegal, emphasizing that scalable, accessible, and affordable tools—deployed with attention to technical limits and bias—are critical for future biodiversity management.
[This abstract was generated with the help of AI]
Documents