Evaluación del impacto de los drones en Aves Acuáticas
ESTUDIO: Forma en que los drones afectan a las aves acuáticas: Efectos en la perturbación y el reconocimiento de especies
John F. McEvoy, Graham P. Hall & Paul G. McDonald del Centro de Ecología Comportamental y Fisiológica, Zoología, Universidad de Nueva Inglaterra, Armidale, NSW, Australia.
23 de Octubre, 2024. Análisis de Investigación, por: I+D+i Soludrones.cl
McEvoy JF, Hall GP, McDonald PG. 2016. Evaluation of unmanned aerial vehicle shape, flight path and camera type for waterfowl surveys: disturbance effects and species recognition. PeerJ 4:e1831 https://doi.org/10.7717/peerj.1831
Resumen:
El presente estudio da cuenta sobre el uso de drones (UAVs / RPAs) en la observación de las aves acuáticas, que son animales muy sensibles a las perturbaciones externas. El objetivo fue averiguar si los drones molestaban a las aves mientras se les observaba y si las cámaras de los drones podían tomar fotos suficientemente claras para identificar las especies de aves. Se hicieron pruebas con drones de diferentes formas y tamaños en Australia. Descubrieron que las aves no se molestaban si los drones volaban a cierta altura (al menos 60 metros para los drones de ala fija y 40 metros para los multirrotores). Sin embargo, si los drones volaban más bajo o hacían movimientos bruscos cerca de las aves, las asustaban, y estas nadaban o volaban lejos. También comprobaron que las cámaras de los drones eran lo suficientemente buenas para identificar a las aves, incluso a las más pequeñas, como las golondrinas. Así que, con una buena planificación, los drones pueden ser una herramienta muy útil para estudiar aves sin molestarlas.
I. Introducción:
La importancia de los datos recogidos desde el aire para estudiar diferentes aspectos de la ecología, como el cambio climático y el movimiento de especies (Bartlam-Brooks et al., 2013; Blanco et al., 2008; Felix, 2000; Mueller et al., 2011; Roshier & Rumbachs, 2004), incluye el uso de imágenes satelitales y fotografías aéreas para contar las poblaciones de aves acuáticas, que son necesarias para la conservación y la gestión de estas especies (Bako, Tolnai & Takacs, 2014; Trathan, 2004).
En Australia, donde los cuerpos de agua pueden ser temporales y difíciles de encontrar, tradicionalmente se han realizado conteos de aves acuáticas (Kingsford, Porter & Halse, 2011; Servicio de Pesca y Vida Silvestre de EE. UU. División de Manejo de Aves Migratorias, 2009) utilizando aeronaves de ala fija con observadores entrenados (Kingsford, 1999; Petrie, Shannon & Wilcox, 2002). Sin embargo, la precisión de estos conteos puede depender de la habilidad de los observadores y de cómo el vuelo del avión puede asustar a las aves (Caughley, 1974; Fleming & Tracey, 2008).
También, aunque las imágenes satelitales son útiles, tienen limitaciones, como la cobertura incompleta debido a nubes o dificultad de acceso en algunos lugares con microclimas. Además, son adecuadas para especies más grandes (Yang et al., 2014), pero no para aves acuáticas, que son más pequeñas y pueden requerir métodos de observación más detallados (Conant, Groves & Moser, 2007)
Actualmente, los avances en la tecnología de reconocimiento de los drones (UAVs / RPAs) han facilitado su uso en ecología y conservación (Anderson & Gaston, 2013; Chabot & Bird, 2015; Goebel et al., 2015; Jones, Pearlstine & Percival, 2006). Los drones son más económicos, seguros y requieren menos trabajo en comparación con las conteos y encuestas aéreas tradicionales. Aunque cubren menos área en un vuelo a comparación de aviones, pueden dirigirse a zonas específicas con mayor precisión y menos riesgo para el personal.
Hoy por hoy los drones pueden aplicarse en diferentes disciplinas como la evaluación de la biodiversidad, el conteo de especies y la observación de animales para la gestión de su conservación (Getzin, Wiegand & Schoning, 2012; Grenzdörffer, 2013; Ratcliffe et al., 2015; Sarda-Palomera et al., 2012; Brooke et al., 2015; Ditmer et al., 2015; Hodgson, Kelly & Peel, 2013; Koh & Wich, 2012; Vermeulen et al., 2013). Sin embargo, al aumentar el uso de drones en estos campos, especialmente para especies vulnerables, es esencial equilibrar las posibles perturbaciones que tienen sobre los animales y los beneficios de la observación cercana.
Aunque ya, desde en 2015 se han realizado varios estudios sobre la respuesta de los animales a los drones, muchos se han centrado en un único tipo de dron: el de ala fija (Chabot, Craik & Bird, 2015; Ditmer et al., 2015; Goebel et al., 2015; Pomeroy, O’Connor & Davies, 2015; Vas et al., 2015). Es importante señalar que los diferentes tipos de drones, como los de ala fija y multirrotor, tienen características distintas que pueden influir en cómo reaccionan los animales a ellos. Por lo tanto, no se puede asumir que la respuesta de una especie será la misma frente a diferentes modelos de drones.
Existen distintas ventajas de usar drones (UAVs / RPAs) en la investigación ecológica, especialmente en la fotografía aérea. Un beneficio que no se menciona con frecuencia es que las imágenes obtenidas pueden ser almacenadas y utilizadas en el futuro para contar y verificar especies, lo que crea un método de censo más transparente (Terletzky & Ramsey, 2014; Vermeulen et al., 2013). Esto hace que la información sea más accesible y rentable, ya que otros investigadores pueden usar estas imágenes.
Aunque la fotografía aérea con otro tipo de aeronaves ha sido efectiva para monitorear grandes mamíferos terrestres, identificar aves acuáticas más pequeñas es más complicado. Esto se debe a que estas aves son más pequeñas, tienen plumajes camuflados y sus formas y colores pueden ser muy similares entre especies (especialmente entre machos y hembras) y en ciertas etapas de su plumaje (plumaje juvenil). Anteriormente, obtener imágenes de alta calidad para identificar estas aves ha sido difícil debido a las limitaciones de las cámaras digitales que se pueden usar con drones de ala fija.
Sin embargo, los avances tecnológicos de los recientes años han ayudado a solucionar estos problemas. Por lo tanto, el estudio se propuso dos objetivos principales: primero, evaluar cómo diferentes modelos de drones podrían afectar a las aves acuáticas durante la observación, lo que podría invalidar los resultados de diferentes encuestas; segundo, comprobar si las cámaras en los drones pueden capturar imágenes de suficiente calidad para identificar con claridad estas aves pequeñas.
II. Materiales y Métodos:
Este trabajo se llevó a cabo bajo permisos científicos de la Oficina de Medio Ambiente y Patrimonio de Nueva Gales del Sur (número de licencia: SL101457) y fue aprobado por el Comité de Ética Animal de la Universidad de Nueva Inglaterra (número de autoridad: AEC14-104).
Sitios de Estudio
Los investigadores llevaron a cabo estudios en dos sitios en Nueva Gales del Sur, Australia, entre marzo y mayo de 2015, visitando cada lugar seis veces.
Uno de los sitios mencionados es la Laguna Little Llangothlin, que es un humedal natural permanente y un área protegida importante para las aves acuáticas, especialmente durante períodos de sequía. La laguna tiene un área de 1 km², y aproximadamente la mitad de su superficie está cubierta de vegetación, lo que proporciona hábitats adecuados para las aves.
Durante las visitas, los investigadores observaron una variedad de especies de aves acuáticas, con un número total que superó regularmente los 2,000 individuos. Se identificaron especies comunes como el focha europeo y el pato negro del Pacífico, entre otros. Aunque las aves estaban presentes en diferentes partes de la laguna, no se distribuyeron uniformemente; por ejemplo, algunos patos preferían estar cerca de la orilla, mientras que otros, como los cisnes, optaban por las áreas de agua más abierta. Esta variabilidad en la distribución de las aves es importante para entender cómo podrían ser afectadas por el uso de drones en la investigación.
Figura 1: Laguna Little Llangothlin, NSW, Australia. Aproximadamente el 50% de la superficie está vegetada y grandes cantidades de aves (>1,000) estaban distribuidas a través de la laguna. (A) Los círculos amarillos representan los sitios de despegue. Las flechas blancas representan los ángulos de aproximación para diferentes vuelos. (B) Un ejemplo de una trayectoria de vuelo sobre el lago. El sitio de despegue estaba alejado del borde del lago y la altitud objetivo se alcanzó antes de cruzar sobre el agua. En la medida de lo posible, cualquier inclinación o cambio en la altitud se realizó lejos del agua. Datos del mapa: Google, DigitalGlobe.
Figura 2: Lago Cargelligo, NSW, Australia. El lago principal tiene aproximadamente 24 km². La mayoría de las aves acuáticas se concentran en las instalaciones de alcantarillado local donde se llevaron a cabo todas las pruebas con Drones (A) El círculo amarillo representa el sitio de despegue. Las flechas blancas representan los ángulos de aproximación para diferentes vuelos. (B) Un ejemplo de una trayectoria de vuelo sobre las instalaciones de alcantarillado. El sitio de despegue estaba alejado del borde del agua y la altitud objetivo se alcanzó antes de cruzar sobre el agua. En la medida de lo posible, cualquier inclinación o cambio en la altitud se realizó lejos del agua. Datos del mapa: Google, DigitalGlobe.
Segundo sitio de estudio, el Lago Cargelligo. Aquí hay algunos puntos clave:
- Ubicación y Tamaño: El Lago Cargelligo se encuentra en el sureste de Nueva Gales del Sur y tiene una superficie de 24 km². Mantiene niveles de agua estables durante todo el año.
- Fauna Acuática: El lago alberga poblaciones de pelícanos y darters o aningas australianos, pero la mayoría de las aves acuáticas se concentran en las instalaciones de alcantarillado cercanas, que son ricas en nutrientes y están protegidas de perturbaciones cercanas.
- Instalaciones de Alcantarillado: Estas instalaciones (0.2 km²) incluyen estanques de turbidez variable separados por desniveles de tierra y grava que sirven como áreas de descanso para las aves acuáticas. Además, están rodeadas por juncos, creando un hábitat favorable.
- Observación de Aves: Durante las visitas, se mantuvo un número estable de alrededor de 40 aves acuáticas, incluyendo varias especies. A diferencia del sitio de Little Llangothlin Lagoon, donde las aves se encuentran en la superficie del agua, aquí la mayoría de las aves se posan en los desniveles o terraplenes de tierra y grava durante el día.
- Depredadores: Ambos sitios son visitados por depredadores como el águila de mar de vientre blanco y el aguilucho de los pantanos, que se alimentan de aves acuáticas más pequeñas.
- Reproducción: Es importante señalar que ninguna de las especies observadas en los sitios estaba en periodo de reproducción, lo que sugiere que el estudio se centró en la población no reproductiva de las aves acuáticas.
Tabla 1: Modelos de UAV utilizados para vuelos de prueba y sus características asociadas.
| UAV | Forma del cuerpo | Masa (kg) | Método de despegue | Diámetro (m) | Velocidad máxima (km/h) | Tiempo de batería (min) |
|---|---|---|---|---|---|---|
| UAVER Avian-P | 
| 4.7 | Lanzamiento con bungee | 1.6 | 63 | 60–90 |
| Skylark II | 
| 4 | Mano + bungee | 3 | 40 | 60–90 |
| Metrex Topodrone-100 | 
| 4.5 | Rampa de lanzamiento + bungee | 2 | 80 | 60 |
| DJI Phantom | 
| 1.2 | Vertical | 0.4 | 10 | 15 |
| FoxTech Kraken-130 | 
| 6 | Vertical | 1.8 | 10 | 15 |
En este estudio se probaron en total 5 modelos diferentes de UAV de distintas formas y tamaños para determinar si la forma del modelo utilizado provocaría respuestas diferentes en las aves (Tabla 1). La variabilidad en el tiempo de vuelo y la velocidad también podría influir en la efectividad de los UAV en estudios de fauna, especialmente en términos de cobertura del área y la precisión en la observación de especies.
Figura 3: Ejemplos de modelos de UAV con diferentes perfiles de ala (A) UAV / RPA de ala fija Avian-P (B) UAV / RPA de ala fija Skylark II (C) UAV / RPA de ala fija Topodrone-100, que se asemeja a un ave de presa (D) UAV / RPA multirotor Kraken-130 (E) UAV multirotor Phantom (F) Águila de mar de vientre blanco, un depredador aviar común activo en cada uno de los sitios de estudio.
En Little Llangothlin Lagoon, los Drones fueron lanzados desde dos ubicaciones: una a menos de 10 metros de la orilla y otra a 500 metros de la orilla, ubicada detrás de un pequeño montículo y, por lo tanto, fuera de la vista de las aves en la laguna. Los UAV fueron lanzados directamente hacia bandadas de aves en la laguna o se acercaron a la laguna en un ángulo tangencial (ver Figura 1).
Altitud de Vuelo: Los vuelos se realizaron a una altitud máxima de 120 metros y mínima de 40 metros sobre la laguna.
Trayectoria de Vuelo: Durante los vuelos, cada dron estaba programado para cruzar la laguna en una dirección lineal norte-sur a una altitud determinada antes de cambiar de altitud en 10 metros sobre tierra, aproximadamente a 50 metros del borde de la laguna. Luego, el RPA regresaba en la ruta norte-sur opuesta para el siguiente paso (ver Figura 1).
Pruebas de Altitud: Se probaron altitudes en orden ascendente y descendente para determinar si las aves respondían de manera diferente a altitudes más bajas o más altas.
Cada dron realizó dos vuelos de prueba para cada combinación de ángulo de aproximación y condiciones de lanzamiento. Este diseño experimental permitió evaluar cómo las diferentes configuraciones de lanzamiento y enfoques afectaban la reacción de las aves, proporcionando datos valiosos sobre la interacción entre UAV y fauna en el contexto de estudios de conservación.
Tabla 2: Muestra la respuesta de bandadas mixtas de aves acuáticas a drones de diferentes formas volando a diversas altitudes sobre el agua. Las respuestas observadas se clasifican en tres categorías:
- NR (No discernible respuesta): Las aves no mostraron cambios en su comportamiento.
- V (Respuesta de vigilancia): Las aves mostraron señales de alerta, manteniendo una postura vigilante.
- F (Respuesta de vuelo): Las aves abandonaron su ubicación, despegando o nadando lejos del RPA
UAVER Avian-P y Skylark II: Las aves no mostraron respuesta a altitudes más altas (100 m a 60 m), pero cuando volaron a 50 m, las aves comenzaron a mostrar una respuesta de vigilancia (V). A la altura de despegue (15 m), se registró una respuesta de vuelo (F).
Drone Metrex Topodrone-100: Las respuestas de las aves fueron más variables, mostraron comportamiento de vigilancia a 80 m y respuestas de vuelo a 60 m y menores. Esto sugiere que este modelo puede ser más perturbador a altitudes más bajas.
DJI Phantom: No fue utilizado en vuelos a altitudes más altas y solo mostró respuestas de vigilancia a 50 m y 15 m, lo que indica que su tamaño y diseño podrían ser más efectivos para el monitoreo sin provocar reacciones significativas.
FoxTech Kraken-130: No mostró respuestas discernibles en altitudes más altas, pero al llegar a 50 m, las aves mostraron comportamiento de vigilancia.
No se observaron diferencias en las medidas de perturbación ambiental según si el RPA / UAV estaba descendiendo o ascendiendo en cada pase por las lagunas; por lo tanto, para simplificar, los resultados presentados se combinaron en ambas direcciones (Tabla 2).
Se usaron diferentes cámaras para el monitoreo de las aves acuáticas:
Estabilizadores: Se usaron cuatro tipos de cámaras, montadas en un sistema (gimbal) que mantenía las cámaras estables mientras volaban, incluso si el drone experimentaba turbulencias.
Limitaciones de los UAV / RPA: Cada drone tiene un límite en cuanto a cuánto peso puede levantar, lo que afecta el tipo de cámara que se puede usar.
Proceso de Captura: Las imágenes se guardaron en tarjetas de memoria SD dentro del drone y se transfirieron a una computadora para revisarlas después del vuelo.
Revisiones y Aceptación de Imágenes: Los autores revisaron las imágenes para identificar las especies de aves. Si no se ponían de acuerdo sobre qué especie era, la imagen no se utilizaba. Esto aseguraba que solo se usaran imágenes precisas para el estudio.
Tabla 3: Especificaciones de los modelos de cámara utilizados en los vuelos de prueba.
| Cámara | Drone | Longitud focal | Resolución (megapíxel) | Sensor |
|---|---|---|---|---|
| Sony RX-1 | UAVER Avian-P y Drone Metrex Topodrone-100 — Ala Fija | 35 mm | 24.3 | Full Frame CMOS |
| mvBlueCOUGAR-X | Skylark II — Ala Fija | 100 mm | 10.1 | Full Frame CCD |
| Sony A7-R | FoxTech Kraken-130 — Multirotor | 35–70 mm | 36.4 | Full Frame CMOS |
| Phase 1 | FoxTech Kraken-130 — Multirotor | 80 mm | 50 | Medium Format CMOS |
| GoPro Hero Video Camera | DJI Phantom — Multirotor | 21 mm | 5.0 | CMOS |
Tabla 4: Efectos de las perturbaciones en bandadas mixtas de aves acuáticas para drones lanzados desde diferentes sitios de despegue y volados con varios ángulos de aproximación.
Los drones volaron directamente a las bandadas de aves asentadas o en una trayectoria de vuelo tangencial paralela a la bandada principal de aves. La ubicación del estudio involucró aves en un cuerpo de agua grande (Llangothlin) o pequeño (Cargelligo).
| Ubicación | Drone | No. de vuelos | Ubicación/dirección de despegue | Ángulo de aproximación | Efectos de la perturbación |
|---|---|---|---|---|---|
| Little Llangothlin Lagoon | Avian-P | 2 | cerca de la costa/lejos del lago | Perpendicular a la bandada | Los pájaros volaron lejos de la costa al despegar, sin perturbación durante el vuelo. |
| Little Llangothlin Lagoon | Avian-P | 2 | cerca de la costa/lejos del lago | Paralelo a la bandada | Los pájaros nadaron lejos de la costa al despegar. Los pájaros volaron durante el descenso rápido de 80 m a 60 m. |
| Little Llangothlin Lagoon | Topodrone-100 | 2 | 700 m lejos de la costa, fuera de la vista/hacia el lago | Paralelo a la bandada | Sin perturbación a altitudes superiores a 60 m. |
| Little Llangothlin Lagoon | Topodrone-100 | 2 | 700 m lejos de la costa, fuera de la vista/hacia el lago | Perpendicular a la bandada | Los pájaros volaron lejos de la costa en la aproximación a 80 m, pero se acostumbraron al dron. Los pájaros volaron cuando el dron se inclinó y bajó a 60 m. |
| Little Llangothlin Lagoon | Phantom | 2 | cerca de la costa/despegue vertical | Perpendicular a la bandada | Los pájaros estaban vigilantes y nadaron lentamente lejos del dron. |
| Little Llangothlin Lagoon | Skylark II | 2 | cerca de la costa/directamente a la bandada de aves | Paralelo a la bandada | Los pájaros volaron lejos al despegar y al inclinarse a 60 m. |
| Little Llangothlin Lagoon | Skylark II | 2 | 700 m lejos de la costa, fuera de la vista/hacia el lago | Perpendicular a la bandada | Sin perturbación. |
| Lake Cargelligo Sewage Works | Skylark II | 2 | 100 m lejos de la costa, fuera de la vista/lejos del agua | Paralelo a la bandada | Sin perturbación a ninguna altitud. |
| Lake Cargelligo Sewage Works | Kraken-130 | 2 | 100 m lejos de la costa, fuera de la vista/despegue vertical | Paralelo a la bandada | Los pájaros estaban vigilantes y miraron hacia el dron a altitudes inferiores a 60 m, pero no se movieron de su ubicación. |
III. Resultados
Las aves acuáticas si reaccionaron a la presencia de los drones, así como también a rapaces en los dos lugares donde se realizó el estudio. La mayoría de las veces, las aves no mostraron una reacción significativa a los drones, especialmente si estos no se acercaban demasiado o volaban a una altitud más alta. Sin embargo, cuando el dron se lanzaba directamente hacia un grupo de aves y a baja altitud, las aves podían asustarse y volar brevemente.
En contraste, cuando las aves rapaces depredadoras (como halcones o águilas) volaban sobre las aves acuáticas, estas respondían de manera mucho más dramática. En este caso, las aves volaban rápidamente y se mantenían en el aire por más tiempo, lo que indica que consideraban a las rapaces como una amenaza real. En resumen, los drones no causaron pánico entre las bandadas como si lo ocasionaban las rapaces, y la mayoría de las veces, las aves simplemente se alejaban un poco y luego regresaban.
El dron que más perturbó a las aves fue el Topodrone-100, que tiene un diseño de ala delta. Este RPA causó que las aves se asustaran y huyeran más, especialmente cuando se acercaba a ellas directamente o hacía maniobras similares a las de un ave de presa (como cuando un halcón se inclina para cazar).
La similitud en el diseño del RPA y la forma de las rapaces puede confundir a las aves, haciéndolas pensar que están siendo atacadas por un depredador. En otras palabras, las aves reaccionaron más fuertemente a este dron porque su forma y manera de volar se parecían a las de un ave que podría cazarlas. Esto sugiere que los diseñadores de RPAs para investigaciones ambientales deben considerar la forma del vehículo, ya que puede afectar su impacto en la vida silvestre.
En cuanto a la reacción de diferentes RPA multirotores. En el caso del DJI Phantom, cuando voló a solo 15 metros de altura, las aves nadaron lejos, pero no volaron; simplemente se mantuvieron alerta y se movieron para evitar la cámara del UAV.
Por otro lado, el Kraken-130, que es un UAV más grande con ocho rotores, no perturbó a las aves en gran medida, incluso a diferentes altitudes. La única reacción observada fue que a 40 metros de altura, algunas aves giraron la cabeza para mirar hacia el UAV, pero no volaron ni dejaron de hacer sus actividades normales, como descansar o acicalarse. Esto indica que, en general, los UAV de múltiples rotores pueden ser menos amenazantes para las aves en comparación con otros tipos de UAV, como el que tiene forma de ala delta, que causa más reacciones de huida.
Figura 4: Ejemplos de imágenes tomadas con la cámara digital de formato medio Phase-1. Las especies que son similares en tamaño y forma pueden ser claramente diferenciadas en fotos tomadas desde 60 m sobre la bandada con un objetivo de 80 mm (A y B). Aves más pequeñas, como los zambullidores (grebes) y los andarríos de alas negras (black winged stilt), también se pueden identificar fácilmente (C y D). Un pato negro del Pacífico (Pacific black duck) puede verse inclinando la cabeza para mirar directamente hacia la cámara (C). Esta imagen fue capturada con un ISO = 400, velocidad de obturación = 1/800 s y f-stop = 11. La huella del área de esta imagen es de 40 m × 30 m con una cobertura del suelo de 5.5 mm/píxel.
En el estudio se probaron cuatro tipos diferentes de cámaras montadas para capturar imágenes de aves acuáticas. Sin embargo, solo dos de esas cámaras funcionaron bien: la Phase 1 y la Sony A7-R.
Phase 1: Esta cámara es de formato medio, tiene un objetivo de 80 mm y un sensor de 50 megapíxeles, lo que le permite tomar imágenes de alta resolución. Esto significa que se pudieron identificar claramente diferentes especies de patos y otras aves más pequeñas.
Sony A7-R: También dio buenas imágenes, aunque con un poco menos de calidad que la Phase 1, ya que su resolución era un poco más baja (36 megapíxeles y un rango de 50-70 mm).
Las otras cámaras no funcionaron bien por varias razones:
Sony RX-1: Tenía una mala resolución, lo que significa que no podía capturar detalles finos en las imágenes.
mvBlueCOUGAR-X: Tenía problemas técnicos. No podía ajustar sus configuraciones automáticamente durante el vuelo, lo que causaba problemas cuando la luz cambiaba, como cuando una nube cubría el sol. Esto llevó a que produjera imágenes de baja calidad que no podían usarse para identificar las especies.
Figura 5: Ejemplos de imágenes tomadas con la cámara digital Sony A7-R.
Las especies que son similares en tamaño y forma pueden ser claramente diferenciadas en fotos tomadas desde 50 m sobre el grupo con un objetivo de 70 mm (A, B y C). Aves más pequeñas, como las golondrinas (swallows) y fochas (coots), también pueden ser fácilmente identificadas (D y E). La huella del área de esta imagen es de 30 m × 20 m, con una cobertura del suelo de 7.2 mm/píxel. Esta imagen fue capturada con un ISO = 200, velocidad de obturación = 1/640 s y f-stop = 6.3.
IV. Discución
Se ha investigado previamente cómo los humanos y vehículos, afectan a las aves (McLeod et al., 2013; Moller et al., 2014). Con la creciente popularidad de los drones en el campo de la investigación, se están realizando más estudios sobre su impacto en los animales (Ditmer et al., 2015; Dulava, Bean & Richmond, 2015; Vas et al., 2015; Weissensteiner, Poelstra & Wolf, 2015).
Las aves acuáticas son particularmente sensibles a las perturbaciones, como han demostrado estudios sobre la Distancia de Iniciación de Vuelo (FID), un indicador de qué tan rápido las aves reaccionan a la presencia de perturbaciones (Bregnballe et al., 2009; Korschgen & Dahlgren, 1992; Madsen, 1995; Weston et al., 2012).
Investigaciones Anteriores: Otros estudios han mostrado que los drones pueden causar perturbaciones mínimas en aves acuáticas si se manejan correctamente. Por ejemplo, Chabot & Bird (2012) y Vas et al. (2015) mostraron que los drones industriales pueden acercarse a ciertas aves, como gansos canadienses y patos, sin causarles estrés. De igual manera, Drever et al. (2015) encontró que un dron de rotor único volando a más de 60 m de altitud también causó perturbaciones mínimas.
Contribuciones del Estudio Actual: Este estudio es el primero en comparar varios tipos de drones y cámaras en diferentes cuerpos de agua y con diferentes especies de aves. Los resultados muestran que, aunque los drones multirotores causan menos perturbaciones a las aves, los drones de ala fija son mejores para la fotografía aérea en estudios a gran escala, siempre y cuando se vuelen de manera que minimicen estas perturbaciones.
Los resultados, basados en vuelos repetidos a diferentes altitudes y con varios modelos de drones, indican que los RPAs pueden ser una solución eficaz para realizar el monitoreo aéreo de poblaciones de aves acuáticas, siempre que se manejen con cuidado y se presten atención a las posibles fuentes de perturbaciones (Tabla 2). Específicamente, si el despegue y el aterrizaje ocurren fuera del campo visual de las especies objetivo y el dron alcanza su altitud de vuelo antes de entrar en su campo visual, la perturbación será mínima, manteniendo un nivel de ruido en vuelo inferior al de aviones tripulados de ala fija (Fleming & Tracey, 2008). Se observó que las bandadas mixtas de aves silvestres tomaban vuelo en respuesta a un UAV / RPA que se lanzaba desde el sitio de despegue hacia la bandada a baja altitud (<40 m). Sin embargo, toleraban que el dron descendiera desde 120 m hasta 40 m, siempre que no se realizaran maniobras de viraje y descenso directamente sobre la bandada (Tabla 4).
Históricamente, se ha creído que las aves, y en particular las acuáticas, reaccionan de manera diferente a los contornos de depredadores (por ejemplo, rapaces) y no depredadores (por ejemplo, gansos) que vuelan sobre ellas. Estudios tempranos (Tinbergen, 1939) descubrieron que las aves inexpertas reaccionaban de manera distinta a las siluetas de 'halcón' y 'ganso', pero estos hallazgos fueron reevaluados posteriormente (Schleidt, Shalter & Moura-Neto, 2011) y se concluyó que la reacción inicial era a formas novedosas que desaparecían con la experiencia.
Los drones multirotores de 4 y 8 rotores utilizados en este estudio presentaron siluetas que no se asemejaban a ningún grupo de aves identificable a simple vista. Estos drones no causaron una respuesta de vuelo en las aves acuáticas, solo una leve respuesta de nado a altitudes muy bajas (15 m). En cambio, dos de los RPAs de ala fija, particularmente el modelo "Avian-P" (Fig. 3A), presentaban una silueta que, para observadores humanos con experiencia en identificación de aves acuáticas, se parecía mucho a la de un cisne no depredador. Estos drones del tipo planeador no causaron disturbios en grandes bandadas cuando volaban a una altitud constante, incluso en vuelos al límite inferior del UAV (60 m sobre el nivel del agua).
Por otro lado, el UAV / RPA de ala delta (Fig. 3C) presentaba una silueta que se asemejaba a rapaces que cazan habitualmente aves acuáticas en los sitios de estudio, especialmente cuando realizaba maniobras de viraje y cambio de altitud, lo que provocaba que las aves huyeran de la orilla hacia aguas abiertas. Este es un comportamiento típico ante un depredador que se abalanza, común en estas especies (J McEvoy, obs. pers., 2015).
Este estudio también nos permitió evidenciar la respuesta de las aves a depredadores reales, como las águilas marinas de vientre blanco (Fig. 3F), que tienen una envergadura y forma de alas muy similar a los drones utilizados. Aunque algunos drones presentaban una silueta que podía parecerse a la de un depredador, la llegada de un depredador real provocaba una respuesta de despegue masivo de las bandadas mixtas que era mucho más marcada que las respuestas provocadas por los RPAs.
Los hallazgos del presente estudio sugieren que, aunque los drones representan objetos nuevos en el aire, las aves silvestres no reaccionan a ellos con tanta intensidad como lo hacen ante los depredadores aéreos típicos.
Aunque ha habido un rápido crecimiento en la industria comercial de los drones, en la ejecución del presente estudio se descubrió que muchas de las empresas actuales, al menos en el sureste de Australia, solo se enfocan en aplicaciones industriales, como la minería o proyectos de ingeniería civil, que tienen requisitos técnicos muy diferentes a los del trabajo de campo ecológico. Como consecuencia, uno de los obstáculos iniciales para realizar eficazmente el presente estudio de encuesta poblacional aéreas fue el poder comunicar de manera efectiva a los operadores comerciales de drones los diferentes requisitos de trabajar con fauna móvil, en contraste con la obtención de imágenes de características geográficas estáticas.
Es importante que los futuros investigadores tengan en cuenta esta diferencia y mantengan conversaciones detalladas con las empresas sobre los temas de perturbación, ángulos de aproximación y sitios de despegue y aterrizaje, para evitar retrasos costosos y la recolección de datos inexactos.
(ya lo saben, en soludrones entendemos esta problemática de la ecología y estamos aquí para ayudar)
Una de las mayores ventajas de utilizar drones para recolectar imágenes digitales de alta calidad es que permiten a los investigadores archivar los resultados de cada monitoreo para referencias futuras, reevaluación, validación o metanálisis. Si bien los sistemas automatizados para contar aves a partir de fotografías aéreas se han utilizado desde hace algún tiempo (Bajzak & Piatt, 1990), generalmente están limitados a contar individuos de una sola especie o aves coloniales que muestran un fuerte contraste con su fondo visual (Abd-Elrahman, Pearlstine & Percival, 2005; Descamps et al., 2011; Groom et al., 2011; Trathan, 2004). La tarea de identificar automáticamente especies de tamaño, forma y coloración similares en grandes bandadas mixtas sigue siendo un desafío importante. Desarrollar algoritmos versátiles para identificar y contar una variedad de especies de aves acuáticas en diferentes hábitats será una clave en futuras investigaciones en este campo.
Basándonos en los hallazgos del presente estudio, los mejores resultados para realizar monitoreos exitosos en un humedal de tamaño medio (>1 km²) e identificar aves acuáticas con facilidad, provendrían de una combinación de una cámara digital con un sensor de fotograma completo de al menos 36 megapíxeles, junto con un dron de ala fija o multirotor que permita cubrir grandes áreas de humedales en una sola inspección e imágenes de alta calidad adecuadas para la identificación de especies con una resolución aproximada de 7.2 mm por píxel, la cual fue necesaria para alcanzar la precisión deseada en la identificación actual.
Finalmente, siempre antes de desplegar un dron para un monitoreo de aves acuáticas, es fundamental considerar cuidadosamente todos los compromisos mencionados previamente, ya que diferentes condiciones o la disponibilidad de equipos pueden requerir un enfoque ligeramente diferente. Siempre que sea posible, los sitios de despegue y aterrizaje deben seleccionarse cuidadosamente para permanecer fuera de la vista de las aves objetivo, y las rutas de vuelo deben programarse para aproximarse de forma tangencial al grupo principal de aves. Asimismo, cualquier maniobra de giro o descenso brusco en altitud debe realizarse lejos de la costa, volando a una altitud fija sobre el área de estudio para minimizar cualquier posibilidad de perturbación animal.
Agradecemos profundamente a las investigadoras e investigadores que llegaron hasta aquí en su lectura, sabemos que les apasiona este mundo tanto como a nosotros. Antes de las referencias, les proporcionaremos un link para que nos contacten en caso de que necesiten ejecutar un proyecto similar u otro de esta envergadura, nos encantaría ayudar en la investigación o programa medioambiental del que sean parte.
Un gran y esperanzado saludo.
Equipo de I+D+i, Soludrones.cl
Si te gustó el Blog, síguenos en Redes Sociales📲 INSTAGRAM
Haz todas tus dudas y consultas que tengas sobre drones!
Si tienes en mente un proyecto aéreo, te ayudamos a ejecutarlo:
👉 Leer más artículos del Blog Soludrones
V. Referencias
Abd-Elrahman, A., Pearlstine, L., & Percival, F. (2005). Development of pattern recognition algorithm for automatic bird detection from unmanned aerial vehicle imagery. Surveying and Land Information Science, 65(1), 37-46.
Allan, B. M., Ierodiaconou, D., Nimmo, D. G., Herbert, M., & Ritchie, E. G. (2015). Free as a drone: Ecologists can add UAVs to their toolbox. Frontiers in Ecology and the Environment, 13(6), 354-355.
Anderson, K., & Gaston, K. J. (2013). Lightweight unmanned aerial vehicles will revolutionize spatial ecology. Frontiers in Ecology and the Environment, 11(3), 138-146.
Bajzak, D., & Piatt, J. F. (1990). Computer-aided procedure for counting waterfowl on aerial photographs. Wildlife Society Bulletin, 18(2), 125-129.
Baker-Gabb, D. (1984). The feeding ecology and behaviour of seven species of raptor overwintering in coastal Victoria. Wildlife Research, 11(3), 517-532.
Bako, G., Tolnai, M., & Takacs, A. (2014). Introduction and testing of a monitoring and colony-mapping method for waterbird populations that uses high-speed and ultra-detailed aerial remote sensing. Sensors, 14(7), 12828-12846.
Bartlam-Brooks, H. L. A., Beck, P. S. A., Bohrer, G., & Harris, S. (2013). In search of greener pastures: Using satellite images to predict the effects of environmental change on zebra migration. Journal of Geophysical Research: Biogeosciences, 118(4), 1427-1437.
Berni, J. A. J., Zarco-Tejada, P. J., Suarez, L., & Fereres, E. (2009). Thermal and narrowband multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle. IEEE Transactions on Geoscience and Remote Sensing, 47(3), 722-738.
Blanco, P. D., Rostagno, C. M., Del Valle, H. F., Beeskow, A. M., & Wiegand, T. (2008). Grazing impacts in vegetated dune fields: Predictions from spatial pattern analysis. Rangeland Ecology & Management, 61(2), 194-203.
Bregnballe, T., Speich, C., Horsten, A., & Fox, A. D. (2009). An experimental study of numerical and behavioural responses of spring staging dabbling ducks to human pedestrian disturbance. Wildfowl Special Issue, 2, 131-142.
Brooke, S., Graham, D., Jacobs, T., Littnan, C., Manuel, M., & O'Conner, R. (2015). Testing marine conservation applications of unmanned aerial systems (UAS) in a remote marine protected area. Journal of Unmanned Vehicle Systems, 3(4), 237-251.
Caughley, G. (1974). Bias in aerial survey. The Journal of Wildlife Management, 38(4), 921-933.
Chabot, D., & Bird, D. M. (2012). Evaluation of an off-the-shelf unmanned aircraft system for surveying flocks of geese. Waterbirds, 35(1), 170-174.
Chabot, D., & Bird, D. M. (2015). Wildlife research and management methods in the 21st century: Where do unmanned aircraft fit in? Journal of Unmanned Vehicle Systems, 3(4), 137-155.
Chabot, D., Carignan, V., & Bird, D. M. (2014). Measuring habitat quality for least bitterns in a created wetland with use of a small unmanned aircraft. Wetlands, 34(3), 527-533.
Chabot, D., Craik, S. R., & Bird, D. M. (2015). Population census of a large common tern colony with a small unmanned aircraft. PLoS ONE, 10(4), e0122588.
Conant, B., Groves, D. J., & Moser, T. J. (2007). Distribution and abundance of wildlife from fixed-wing aircraft surveys in Nunavut, Canada, June 2006. US Fish and Wildlife Service, Juneau, Alaska.
Descamps, S., Béchet, A., Descombes, X., Arnaud, A., & Zerubia, J. (2011). An automatic counter for aerial images of aggregations of large birds. Bird Study, 58(3), 302-308.
Ditmer, M. A., Vincent, J. B., Werden, L. K., Tanner, J. C., Laske, T. G., Iaizzo, P. A., & Garshelis, D. L. (2015). Bears show a physiological but limited behavioral response to unmanned aerial vehicles. Current Biology, 25(17), 2278-2283.
Drever, M. C., Chabot, D., O'Hara, P. D., Thomas, J. D., Breault, A., & Millikin, R. L. (2015). Evaluation of an unmanned rotorcraft to monitor wintering waterbirds and coastal habitats in British Columbia, Canada. Journal of Unmanned Vehicle Systems, 3(4), 256-267.
Dulava, S., Bean, W. T., & Richmond, O. M. W. (2015). Applications of Unmanned Aircraft Systems (UAS) for waterbird surveys. Environmental Practice, 17(3), 201-210.
Felix, N. K. (2000). Satellite-observed sensitivity of world land ecosystems to El Niño/La Niña. Remote Sensing of Environment, 74(3), 445-462.
Fleming, P. J. S., & Tracey, J. P. (2008). Some human, aircraft and animal factors affecting aerial surveys: How to enumerate animals from the air. Wildlife Research, 35(3), 258-267.
Getzin, S., Wiegand, K., & Schoning, I. (2012). Assessing biodiversity in forests using very high-resolution images and unmanned aerial vehicles. Methods in Ecology and Evolution, 3(3), 397-404.
Goebel, M. E., Perryman, W. L., Hinke, J. T., Krause, D. J., Hann, N. A., Gardner, S., & LeRoi, D. J. (2015). A small unmanned aerial system for estimating abundance and size of Antarctic predators. Polar Biology, 38(5), 619-630.
Grenzdörffer, G. J. (2013). UAS-based automatic bird count of a common gull colony. In Grenzdorffer, G., & Bill, R. (Eds.), Uav-G2013 (pp. 169-174). Göttingen: Copernicus Publications.
Groom, G., Krag Petersen, I., Anderson, M. D., & Fox, A. D. (2011). Using object-based analysis of image data to count birds: Mapping of Lesser Flamingos at Kamfers Dam, Northern Cape, South Africa. International Journal of Remote Sensing, 32(15), 4611-4639.
Hamilton, A. J., & Taylor, I. R. (2004). Distribution of foraging waterbirds throughout Lake Borrie ponds at the Western Treatment Plant, Victoria (Australia). Victorian Naturalist, 122(2), 68-78.
Hodgson, A., Kelly, N., & Peel, D. (2013). Unmanned Aerial Vehicles (UAVs) for surveying marine fauna: A dugong case study. PLoS ONE, 8(11), e79556.
Jones, G. P., Pearlstine, L. G., & Percival, H. F. (2006). An assessment of small unmanned aerial vehicles for wildlife research. Wildlife Society Bulletin, 34(3), 750-758.
Junda, J., Greene, E., & Bird, D. M. (2015). Proper flight technique for using a small rotary-winged drone aircraft to safely, quickly, and accurately survey raptor nests. Journal of Unmanned Vehicle Systems, 3(4), 222-236.
Kingsford, R. T. (1999). Aerial survey of waterbirds on wetlands as a measure of river and floodplain health. Freshwater Biology, 41(3), 425-438.
Kingsford, R. T., Porter, J. L., & Halse, S. A. (2011). National Waterbird Assessment. Waterlines Report. Canberra: National Water Commission.
Koh, L. P., & Wich, S. A. (2012). Dawn of drone ecology: Low-cost autonomous aerial vehicles for conservation. Tropical Conservation Science, 5(2), 121-132.
Korschgen, C. E., & Dahlgren, R. B. (1992). Human disturbances of waterfowl: Causes, effects, and management. Fish and Wildlife Leaflet, 13, 1-6.
Krause, D. J., Hinke, J. T., Perryman, W. L., Goebel, M. E., & Costa, D. P. (2017). An accurate and adaptable photogrammetric approach for estimating the mass and body condition of pinnipeds using an unmanned aerial system. PLoS ONE, 12(11), e0187465.
Mallory, M. L., Robinson, S. A., & Forbes, M. R. (2010). Applications and techniques for using remote cameras in wildlife studies. Canadian Wildlife Biology & Management, 1(1), 109-123.