Влияние внешних факторов на успешность передачи сообщений при мониторинге перемещений северных оленей (Rangifer tarandus) с использованием спутниковой системы “Argos”

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В настоящее время в экологических исследованиях все активнее используются средства спутниковой телеметрии. В результате исследователи получают большой массив данных об использовании пространства животными. Но, несмотря на совершенство современных спутниковых систем навигации и передачи данных, сообщения о позициях животных поступают крайне неравномерно. В данной статье мы рассматриваем основные технические и природные факторы, которые могут оказывать влияние на успешность получения космическими аппаратами спутниковой системы “Argos” сообщений, излучаемых установленными на животных радиомаяками. Показано, что из природных факторов во время нахождения животного под пологом леса в наибольшей степени влияет сомкнутость крон деревьев. Данное влияние может нивелироваться обилием снега в кронах после сильных снегопадов. Более слабое влияние оказывает плотная облачность. Из технических факторов, связанных с особенностями пролетов спутников системы “Argos”, успешность приема сообщений обусловливают, прежде всего, максимальный угол подъема спутника над линией горизонта и интенсивность пролетов спутников, имеющих максимальный угол подъема над горизонтом более 10°, в единицу времени. Этими факторами определяется значительная неравномерность получения сообщений. В ночные часы и около полудня в связи с сокращением количества пролетов спутников и снижением высоты их траекторий успешность приема сообщений (количество принятых сообщений от количества передаваемых ошейниками) может снижаться до 3%.

Полный текст

Доступ закрыт

Об авторах

В. Н. Мамонтов

ФГБУН “Федеральный исследовательский центр комплексного изучения Арктики имени Академика Н. П. Лаверова Уральского отделения Российской академии наук”

Автор, ответственный за переписку.
Email: mamont1965@list.ru
Россия, Архангельск, 163020

А. Л. Сальман

ООО “ЭС-ПАС”

Email: a.salman@es-pas.com
Россия, Москва, 125171

Список литературы

  1. Amstrup S. C., Mcdonald T. L., Durner G. M., 2004. Using satellite radiotelemetry data to delineate and manage wildlife populations // Wildlife Society Bulletin. V. 32. № 3. P. 661–679. https://doi.org/10.2193/0091-7648(2004)032[0661:USRDTD]2.0.CO;2
  2. Cagnacci F., Boitani L., Powell R. A., Boyce M. S., 2010. Animal ecology meets GPS-based radiotelemetry: a perfect storm of opportunities and challenges // Philosophical Transactions of the Royal Society B. Biol. Sci. V. 365. № 1550. P. 2157–2162. https://doi.org/10.1098/rstb.2010.0107
  3. Coxen Ch.L., Frey J. K., Carleton S. A., Collins D. P., 2017. Species distribution models for a migratory bird based on citizen science and satellite tracking data // Glo-bal Ecology and Conservation. V. 11. P. 298–311. https://doi.org/10.1016/j.gecco.2017.08.001
  4. Csermak-Jr A.C., de Araujo G. R., Pizzutto C. S., de Deco-Souza T., Jorge-Neto P.N., 2022. GPS collars as a tool to uncover environmental crimes in Brazil: The jaguar as a sentinel // Animal Conservation. V. 26. № 2. P. 137–275. https://doi.org/10.1111/acv.12826
  5. De Groeve J., Cagnacci F., Ranc N., Bonnot N. C., Gehr B., Heurich M., Hewison A. J.M., Kroeschel M., Linnell J. D., Morellet N., Mysterud A., Sandfort R., Van De Weghe N., 2020. Individual movement-sequence analysis method (IM-SAM): characterizing spatio-temporal patterns of animal habitat use across landscapes // International Journal of Geographical InformationScience. V. 34. P. 1530–1551. https://doi.org/10.1080/13658816.2019.1594822
  6. DeCesare N.J., Squires J. R., Kolbe J. A., 2005. Effect of forest canopy on GPS-based movement data // Wildlife Society Bulletin. V. 33. № 3. P. 935–941. https://doi.org/10.2193/0091-7648(2005)33[935:EOFCOG]2.0.CO;2
  7. Fernandez-Rodriguez P., Carrasco R., Moro J., Garrido-Carretero M.S., Azorit C., 2023. Working with GNSS collar data. The importance of pre-analysis when setting the sampling interval // Ecological Informatics. V. 77. Ar. 102219. https://doi.org/10.1016/J.ECOINF.2023.102219
  8. Forin-Wiart M.-A., Hubert P., Sirguey P., Poulle M.-L., 2015. Performance and accuracy of lightweight and low-cost GPS data loggers according to antenna positions, fix intervals, habitats and animal movements // PLoS One. V. 10. № 6. Ar. 0129271. https://doi.org/10.1371/journal.pone.0129271
  9. Frair J. L., Fieberg J., Hebblewhite M., Cagnacci F., DeCesare N.J., Pedrotti L., 2010. Resolving issues of imprecise and habitat-biased locations in ecological analyses using GPS telemetry data // Philosophical Transactions of the Royal Society B: Biological Sciences. V. 365. № 1550. P. 2187–2200. https://doi.org/10.1098/rstb.2010.0084
  10. Garcia-Jimenez R., Margalida A., Perez-Garcia J.M., 2020. Influence of individual biological traits on GPS fix-loss errors in wild bird tracking // Scientific Reports. V. 10. Ar. 19621.
  11. https://doi.org/10.1038/s41598-020-76455-x
  12. Hebblewhite M., Haydon D. T., 2010. Distinguishing technology from biology: A critical review of the use of GPS telemetry data in ecology // Philosophical Transactions of the Royal Society B: Biological Sciences. V. 365. № 1550. P. 2303–2312. https://doi.org/10.1098/rstb.2010.0087
  13. Leonard J. P., Tewes M. E., Lombardi J. V., Wester D. W., Campbell T. A., 2020. Effects of sun angle, lunar illumination, and diurnal temperature on temporal movement rates of sympatric ocelots and bobcats in South Texas // PLoS ONE. V. 15. № 4. Ar. e0231732. https://doi.org/10.1371/journal.pone.0231732
  14. Lombardi J. V., Perotto-Baldivieso H.L., Hewitt D. G., Scognamillo D. G., Campbell T. A., Tewes M. E., 2022. Assessment of appropriate species-specific time intervals to integrate GPS telemetry data in ecological niche models // Ecological Informatics. V. 70. Ar. 101701. https://doi.org/10.1016/j.ecoinf.2022.101701
  15. Lombardi J. V., Perotto-Baldivieso H.L., Sergeyev M., Veals A. M., Schofield L., Young J. H., Tewes M. E., 2021. Landscape structure of woody cover patches for endangered ocelots in southern Texas // Remote Sensing. V. 13. № 19. Ar. 4001. https://doi.org/10.3390/rs13194001
  16. Oeser J., 2022. Leveraging big satellite image and animal tracking data for characterizing large mammal habitats. Dissertation zur Erlangung des akademischen Grades Doctor rerum naturalium. Berlin: Humboldt-Universität zu Berlin – Geographisches Institut. 179 p.
  17. Sager-Fradkin K.A., Jenkins K. J., Hoffman R. A., Happe P. J., Beecham J. J., Wright R. G., 2007. Fix Success and Accuracy of Global Positioning System Collars in Old-Growth Temperate Coniferous Forests // Journal of Wildlife Management. V. 71. № 4. P. 1298–1308. https://doi.org/10.2193/2006-367
  18. Street G. M., Potts J. R., Börger L., Beasley J. C., Demarais S., Fryxell J. M., McLoughlin P.D., Monteith K. L., Prokopenko C. M., Ribeiro M. C., Rodgers A. R., Strickland B. K., Van Beest F. M., Bernasconi D. A., Beumer L. T., Dharmarajan G., Dwinnell S. P., Keiter D. A., Keuroghlian A., Newediuk L. J., Oshima J. E.F., Rhodes Jr. O., Schlichting P. E., Schmidt N. M., Wal E. V., 2021. Solving the sample size problem for resource selection functions // Methods in Ecology and Evoluton. V. 12. № 12. P. 2421–2431. https://doi.org/10.1111/2041-210X.13701
  19. Walton Z., Samelius G., Odden M., Willebrand T., 2018. Long-distance dispersal in red foxes Vulpes vulpes revealed by GPS tracking // European Journal of Wildlife Research. V. 64. Ar. 64 https://doi.org/10.1007/s10344-018-1223-9
  20. Webb S. L., Dzialak M. R., Mudd J. P., Winstead J. B., 2013. Developing spatially-explicit weighting factors to account for bias associated with missed GPS fixes in resource selection studies // Wildlife Biology. V. 19. № 3. P. 257–273. https://doi.org/10.2981/12-038

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Среднее количество спутников, поднимающихся над линией горизонта, и среднее количество сообщений, принятых в течение одного часа.

Скачать (129KB)
Метаданные
3. Рис. 2. Среднее количество спутников, имеющих максимальный угол подъема над горизонтом более 10°, и среднее количество сообщений, принятых в течение часа.

Скачать (124KB)
Метаданные
4. Рис. 3. Влияние сомкнутости крон на успешность приема сообщений спутниками с минимальным (А1) и максимальным (MC) количеством принятых сообщений при прочих условиях, принятых за стандартные. Классификация факторов и их обозначения в приведенной выше формуле модели (в скобках): По оси x – высота наивысшей точки траектории спутника (в градусах над горизонтом) (Elevation); по оси y – (Messages) – количество сообщений (Messages), принятых за один пролет спутника. Факторы: сомкнутость крон древостоя = 0 (Canopy = 0) – открытые пространства (сомкнутость крон не более 10%); сомкнутость крон древостоя = 1 (Canopy = 1) – разреженные леса (сомкнутость крон от 10 до 30%); сомкнутость крон древостоя = 2 (Canopy = 2) – плотные леса (сомкнутость крон более 30%); обилие снега в кронах = 0 (Kuhta = 0) – отсутствие снега на ветвях деревьев; обилие снега в кронах = 1 (Kuhta = 1) – тонкий слой снега на ветвях деревьев; обилие снега в кронах = 2 (Kuhta = 2) – плотные шапки снега на ветвях деревьев; облачность = 0 (Clouds = 0) – ясно (облачность менее 20%); облачность = 1 (Clouds = 1) – облачно (облачность 20–80%); облачность = 2 (Clouds = 2) – пасмурно (облачность более 80%); Спутник = А1 (Satellite = А1), Спутник = МС (Satellite = MС) – модели спутников (см. описание в разделе “Материал и методики”).

Скачать (397KB)
Метаданные
5. Рис. 4. Влияние облачности на успешность приема сообщений спутниками с минимальным (А1) и максимальным (MC) количеством принятых сообщений при прочих условиях, принятых за стандартные. Классификация факторов соответствует подписи к рис. 3.

Скачать (380KB)
Метаданные
6. Рис. 5. Влияние кухты на успешность приема сообщений спутниками с минимальным (А1) и максимальным (MC) количеством принятых сообщений при прочих условиях, принятых за стандартные. Классификация факторов соответствует подписи к рис. 3.

Скачать (357KB)
Метаданные
7. Рис. 6. Различия успешности приема сообщений разными моделями спутников при прочих условиях, принятых за стандартные. Классификация факторов соответствует подписи к рис. 3.

Скачать (284KB)
Метаданные
8. Рис. 7. Влияние природных факторов на количество сообщений, принятых в течение часа, на фоне изменения интенсивности пролета спутников, поднимающихся выше 10° над горизонтом в тот же период. Классификация факторов и их обозначения в приведенной выше формуле модели (в скобках). По оси x – количество спутников, имеющих максимальный угол подъема над горизонтом более 10°, в течение часа (Satellite > 10); по оси y – количество сообщений, принятых в течение часа (Messages). Факторы: сомкнутость крон древостоя = 0 (Canopy = 0) – открытые пространства (сомкнутость крон не более 10%); сомкнутость крон древостоя = 1 (Canopy = 1) – разреженные леса (сомкнутость крон от 10 до 30%); сомкнутость крон древостоя = 2 (Canopy = 2) – плотные леса (сомкнутость крон более 30%); обилие снега в кронах = 0 (Kuhta = 0) – отсутствие снега на ветвях деревьев; обилие снега в кронах = 1 (Kuhta = 1) – тонкий слой снега на ветвях деревьев; обилие снега в кронах = 2 (Kuhta = 2) – плотные шапки снега на ветвях деревьев; облачность = 0 (Clouds = 0) – ясно (облачность менее 20%); облачность = 1 (Clouds = 1) – облачно (облачность 20–80%); облачность = 2 (Clouds = 2) – пасмурно (облачность более 80%).

Скачать (263KB)
Метаданные

© Российская академия наук, 2024