Vis enkel innførsel

dc.contributor.advisorIndahl, Ulf Geir
dc.contributor.advisorTveite, Håvard
dc.contributor.authorMaryam, Teimouri
dc.coverage.spatialNorwayen_US
dc.date.accessioned2020-04-07T10:53:10Z
dc.date.available2020-04-07T10:53:10Z
dc.date.issued2018
dc.identifier.isbn978-82-575-1564-5
dc.identifier.issn1894-6402
dc.identifier.urihttps://hdl.handle.net/11250/2650640
dc.description.abstractThanks to the recent advent of inexpensive positioning technologies, data about movement of various mobile objects are collected in rapidly growing amounts. Massive repositories of movement data require developing new data analysis methods in order to reduce unnecessary complexity of the recorded data and extract meaningful information for decision making about the application in question. In Norway, sheep are the most common large herbivores in most Norwegian mountain areas during the summer months. Remotely monitoring the position of sheep in the mountains is important for animal welfare and provides an increased understanding of grazing patterns. I bring together spatiotemporal concepts and techniques from GIScience, cluster analysis methods from knowledge discovery, statistical tests and reasoning from statistics, and animal movement analyses from the animal study literature in order to extract high-level information from low-level, raw movement data from sheep tracking. During this research, different movement datasets with different temporal sampling frequencies became available for us. The first dataset is from an experimental site in Hol municipality in Buskerud County and contains the positions of many sheep during the whole summer season (2012) with a half hour sampling interval. The second dataset is from an experimental site in Valdres in Oppland County and contains four individual sheep tracked for some observation periods of 3-4 days (2016) with 10 second time interval. It is obvious that some observable short time scale patterns will not be detectable for the coarser time scale. Two different segmentation methods tailored to two different sets of movement behaviors were developed for the available datasets. In addition to detection of the movement behavior of the animals for each temporal sampling frequency, a statistical method for estimating the measurement error was proposed. The developed methods for analyzing movement data are all based on the movement parameters of step length, speed and turning angles. I found that the derived movement parameters are influenced by different factors, including temporal sampling frequency. Hence, how to assess the impact of temporal scale on movement parameter estimation was investigated in the final stage of the research. All in all, this study has been a three stage research process including the development of (I) a segmentation method according to Inactive and Active periods of animal movement paths from low frequency tracking data, (II) a segmentation method for classification animal movement paths from high frequency tracking data into foraging, resting and walking behavior, and (III) temporal sampling frequency assessments for movement parameter estimation. The core of this thesis is presented in three scientific research papers corresponding to the three stages mentioned above.en_US
dc.description.abstractTakket være den den stadig økende tilgangen på rimelig sporingsteknologi samles data om bevegelsene til ulike mobile objekter i stadig økende mengder. De store mengdene med sporingsdata krever at det utvikles nye metoder for å redusere unødvendig kompleksitet i de registrerte dataene og for å trekke ut meningsfull informasjon for beslutningstaking. I Norge er sau det vanligste husdyret i de fleste norske fjellområder i sommermånedene. Overvåking av hvor sauene er i fjellet er viktig for dyrevelferd og gir økt forståelse for beitemønstre. Jeg kombinerer rom-tid-konsepter og teknikker fra geografisk informasjonsvitenskap, cluster-analysemetoder fra datautforsking, statistiske tester og resonnement fra statistikk og bevegelsesanalyser fra dyrestudier for å trekke ut overordnet informasjon fra detaljerte sporingsdata fra sau. I løpet av denne forskningen fikk jeg tilgang til sporingsdatasett med ulik samplingsfrekvens. Det første datasettet, fra et felteksperiment i Hol kommune i Buskerud, inneholder posisjoner til mange sau fra hele sommersesongen (2012) med en halv times samplingsintervall. Det andre datasettet, fra et eksperiment i Valdres i Oppland, inneholder sporingsdata fra fire sau med observasjonsperioder på 3-4 dager (2016) og 10 sekunders samplingsintervall. Det er åpenbart at noen observerbare høyfrekvente bevegelsesmønstre ikke kan avdekkes med lavfrekvensdata. To forskjellige segmenteringsmetoder skreddersydd for ulike sett med bevegelsesadferd ble utviklet for de tilgjengelige datasettene. I tillegg til gjenkjenning av bevegelsesadferden til dyrene, ble det foreslått en statistisk metode for estimering av målefeil. De utviklede metodene for å analysere bevegelsesdata er alle basert på bevegelsesparametrene trinnlengde, hastighet og svingvinkel. Vi fant at de avledede bevegelsesparametrene er påvirket av forskjellige faktorer, inkludert samplingsfrekvens. Derfor ble det i sluttfasen av forskningen undersøkt hvordan man kan vurdere effekten av samplingsfrekvens på bevegelsesparameterestimering. Alt i alt har denne studien vært en tre-trinns forskningsprosess, inkludert utvikling av (I) en metode for å segmentere dyrs bevegelser i inaktive og aktive perioder fra lavfrekvente sporingsdata, (II) en segmenteringsmetode for klassifisering i beiting, hvile og gang fra høyfrekvente sporingsdata, og (III) samplingsfrekvensvurderinger for bevegelsesparameterestimering. Kjernen i denne avhandlingen er presentert i tre vitenskapelige forskningsartikler som svarer til de tre trinnene som er nevnt ovenfor.en_US
dc.language.isoengen_US
dc.publisherNorwegian University of Life Sciences, Åsen_US
dc.relation.ispartofseriesPhD Thesis;2018:96
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internasjonal*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.no*
dc.subjectbiotelemetryen_US
dc.subjectanimal movement behavioren_US
dc.subjectsampling frequency of tracking dataen_US
dc.subjectspatiotemporal clusteringen_US
dc.subjectcontinuous time stochastic processen_US
dc.subjectaccuracy of GNSS measurementen_US
dc.subjectstatistical inferenceen_US
dc.titleExtracting movement patterns from geographical trajectory dataen_US
dc.title.alternativeUttrekk av bevegelsesmønstre fra geografiske sporingsdataen_US
dc.typeDoctoral thesisen_US


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel

Attribution-NonCommercial-NoDerivatives 4.0 Internasjonal
Med mindre annet er angitt, så er denne innførselen lisensiert som Attribution-NonCommercial-NoDerivatives 4.0 Internasjonal