The use of image classification to estimate flamingo abundance from aerial, drone and satellite imagery

Abstract

The Lesser Flamingo Phoeniconaias minor is a Near Threatened species known to be highly gregarious and that can concentrate in large numbers at core foraging and breeding sites, yet is also known to disperse widely in search of suitable foraging habitat. The density of flamingos at occupied sites, together with frequent dispersal between foraging sites, poses significant challenges to obtaining reliable counts and associated population estimates. Our study tested the use of unmanned aerial vehicles (drones) imagery and high-resolution satellite imagery for producing density estimates of Lesser Flamingos at the only known breeding site in South Africa (Kamfers Dam, Northern Cape Province). We implemented a supervised classification approach using multiple supervised classification algorithms, including xgbTree, randomForest, nnet and GBM. The four supervised classification models performed very well at classifying flamingos from both drone and satellite imagery, with classification accuracies ranging between 0.98 and 0.99. The inclusion of an additional predictor (other than RGB bands) yielded the highest variable importance score and greatly increased model accuracy and predictive performance. Estimates of adult flamingos from drone imagery acquired across nesting mudflats on 5 February (n = 1 320) and 14 February (n = 330) 2019 suggested a 75% decline in incubating adults. Furthermore, a total of 16 134 (15 973–16 295) flamingos were estimated from drone imagery on 1 March 2019, and 17 291 (17 118–17 290) flamingos from satellite imagery on 19 March 2019. The modelled size of the creche across dates suggested a loss of 234 birds (4.5%) during the period of assessment, with the highest count estimating 5 218 juveniles. Our study successfully implemented machine learning classifiers that were able to detect and derive highly accurate counts of Lesser Flamingos from both drone and satellite imagery. This use of machine learning could greatly improve the efficiency of monitoring and associated conservation efforts underway for the Lesser Flamingo.

Le Flamant nain Phoeniconaias minor est une espèce quasi-menacée connue pour être très grégaire et qui peut se concentrer en grand nombre sur les principaux sites d’alimentation et de reproduction. Au même temps, il est également connu pour se disperser largement à la recherche de zones d’alimentation appropriées. La densité de flamants sur les sites occupés, ainsi que la dispersion fréquente entre les sites d’alimentation, posent des défis importants pour obtenir des comptages fiables et, donc, des estimations de population. Notre étude a testé l’utilisation d’imagerie provenant de véhicules aériens sans pilote (drones) et d’imagerie satellite à haute résolution pour produire des estimations de la densité du Flamant nain sur le seul site de reproduction connu en Afrique du Sud (Kamfers Dam, Kimberley). Nous avons mis en oeuvre une approche de classification supervisée en utilisant plusieurs algorithmes de classification supervisée, notamment xgbTree, randomForest, nnet et GBM. Les quatre modèles de classification supervisée ont très bien réussi à classer les flamants à partir d’images de drone et de satellite, avec des précisions de classification comprises entre 0.98 et 0.99. L’inclusion d’un prédicteur supplémentaire (autre que les bandes RVB) a donné le score d’importance variable le plus élevé et a considérablement augmenté la précision du modèle et la performance prédictive. Les estimations de flamants adultes à partir d’images de drones acquises à travers les vasières de nidification le 5 février (n = 1 320) et le 14 février (n = 330) 2019 ont suggéré un déclin de 75 % des adultes en incubation. En outre, un total de 16 134 (15 973–16 295) flamants ont été estimés à partir de l’imagerie par drone le 1er mars 2019 et 17 291 (17 118–17 290) flamants à partir de l’imagerie par satellite le 19 mars 2019. La taille modélisée de la crèche à travers les dates a suggéré une perte de 234 (4.5%) oiseaux au cours de la période d’évaluation, avec le comptage le plus élevé estimant 5 218 juvéniles. Notre étude a mis en oeuvre avec succès des classificateurs d’apprentissage automatique capables de détecter et de dériver des comptages très précis de Flamants nains à partir d’images de drones et de satellites. Cette utilisation de l’apprentissage automatique pourrait grandement améliorer l’efficacité de la surveillance et des efforts de conservation en cours pour le Flamant nain.

Keywords:

• automated survey protocols
• breeding sites
• conservation
• Kamfers Dam
• machine learning
• Phoeniconaias minor
• population estimate
• unmanned aerial vehicles