GPS-basert sammenstilling av saueflokkers oppførsel på inn- og utmark ved bruk av geografiske informasjonssystemer og maskinlæring

Abstract

Å ha sau på beite er en tradisjonsrik driftsform av sauehold i Norge. Driften har vært observert og forsket på i mange år, og etter hvert som GPS-teknologien har utviklet seg, har man begynt å bruke denne for å tolke sauens romlige og temporale oppførsel på beite. Metodene som benyttes i dag, brukes i hovedsak for å se på aktiv og inaktiv tid, eller for å se på beitebruk. Dette kan man kombinere, og man kan da se på hvilke typer beite som brukes ved inaktiv tid, og hvilke som brukes ved aktiv tid. Formålet med denne oppgaven er nettopp dette, men samtidig vurdere om man ser den samme oppførselen på inn- og utmark, og på tvers av beiteområder.

Sporingsdata fra sau er hentet fra tre ulike områder, ett innmarksbeite i Hol, og to utmarksbeiter i Nord-Østerdalen. De to beitene i Nord-Østerdalen har store forskjeller i beitekvalitet og tettheten av sau som beiter der. Datasettene er visualisert ved bruk av QGIS, og den temporale fordelingen er visualisert ved ArcGIS Pro. Rådatabehandling og bevegelsesparametere er beregnet ved bruk av Python.

Tre teknikker for å finne tegn til normaloppførsel er presentert. To av disse er tetthetsbasert og en er basert på observert temporal fordeling på beiteområder. De to tetthetsbaserte metodene ser på henholdsvis avstand mellom målinger, og tettheten hos målingene. Den temporale fordelingen er så predikert med fem forskjellige vinklinger ved bruk av maskinlæringsalgoritmen RandomForestRegressor.

Hovedfunn ved tetthetsbasert analyse er at hvileområder hos saueflokker har flere likhetstrekk, både på inn- og utmark. Her kan nevnes områdets helning og at beitekvaliteten er generelt lavere. I tillegg kan man også se at avstanden en sau beveger seg vekk fra tidligere målte posisjoner kan brukes til å finne unormal oppførsel. Temporal fordeling viser at man kan forklare opptil 75% av beitetypefordelingen ved bruk av oppmålt beitegrunnlag. Ved sammenligne fordelingen i andre beiteområder kan man forklare oppimot 16% mer av fordelingen. RandomForestRegressor forklarte altså 91% av variasjonen i fordeling på beite.

Sheep husbandry in rangeland is an ancient brand of animal husbandry in Norway. Sheep grazing has been observed and researched for years, but as GPS technology has evolved, this is a more frequent way of interpreting the sheep's spatial and temporal behavior when grazing. The methods used today are mainly used for nding active and inactive time, or to visualize grazinglocations. Theese methods could be combined. Thus visualizing which kind of pastures are used for inactive time, and which kinds are used for active time. The purpose of this thesis is just this, and at the same time consider whether the experienced behaviour is observed by both free-range and pasture-raised sheep. Tracing data from sheep has been obtained from three different areas, one of theese are measured on pasture-raised sheep in Hol, and the two others are measurd by free-range sheep in Nord-Østerdalen. The two areas in Nord-Østerdalen are vastly different by looking at grazing quality, and the number of sheep in the area. The datasets are visualized using QGIS, and the temporal distribution is visualized by ArcGIS Pro. Raw-data processing and calculation of motion parameters are done using Python. Three techniques for fi nding signs of normal behavior are presented. Two of these are density-based and one is based on observed temporal distribution by grazing areas. The density-based techniques uses distance between measured points, and the observed point density respectively. The temporal distribution is predicted through use of ve different methods by the machinelearning algorithm RandomForestRegressor. The main fi ndings of the density based methods is that resting areas in the sheep herd contains several similarities, both free-range and pasture wise. Both grazing quality is observed to be lower, and the slope appears to be the same. In addition the distance a sheep moves away from previously measured positions can be used to derive abnormal behaviour. Temporal distribution explains that graze-type distribution correlate as much as 75% when regarding sheep distribution. When comparing other grazing areas, this increases by as much as 16%. RandomForestRegressor thus explains 91% of the variation in grazing distribution.