Leveraging Drone Technology to Optimise Rangeland Monitoring - A Case Study from Namibia’s Dryland Savannah

Abstract

Unsustainable farming practices, such as overgrazing combined with impacts of climate change, like frequent and intense droughts, have resulted in the degradation of rangelands, which in turn affect ecosystem functioning and biodiversity. Currently, up to 70% of rangelands are degraded, with at least 20% having crossed thresholds into undesirable states that require substantial effort, resources, and time to reverse. This degradation limits their capacity to provide essential ecosystem services, such as forage, which sustains livestock and wildlife. This, in turn, threatens both the ecological health of these systems and the socio-economic well-being of billions of people who depend on them for their livelihoods. To improve and restore these important ecosystems, there is a need to prioritise adaptive management strategies supported by cost-effective, repeatable and scalable monitoring tools. Unmanned aerial vehicles (UAVs), better known as drones, equipped with spectral sensors, are a promising tool for ecological research by offering high resolution, intermediate scale data. While widely applied in agriculture and forestry, its application in dryland savannah rangelands remains limited. Therefore, my doctoral research tested the effectiveness of drone mapping for optimising rangeland monitoring in three interconnected objectives: (i) Evaluating the accuracy and efficiency in quantifying key rangeland condition indicators, (ii) assessing the generality of drone-derived prediction models across the spatial and temporal variability characteristic of savannah rangelands, and (iii) examining the impacts of varying grazing pressure and potential thresholds using high-resolution, spatially continuous drone data. In the first chapter, Drone-derived estimates of available forage and the cover of rangeland features (bare ground, herbaceous plants, and woody plants) closely matched field-based measurements with low prediction errors while being significantly faster, and thus more cost-effective. The workflow presented here provides a replicable and scalable approach for expediting rangeland monitoring. Chapter II investigated model transferability in savannah rangelands, where forage resources are inherently patchy and dynamic in space and time. I tested context-specific models (i.e., spatially or temporally specific) and a general model across contrasting land tenure systems and different times of the growing season. Results highlighted that models that incorporated spatial and temporal variability yield more accurate forage estimations, while models developed for specific spatial or temporal contexts performed poorly when extrapolated, often overestimating herbaceous plant cover, potentially leading to rangeland mismanagement and overgrazing. A key highlight of this study is, therefore, the importance of robust, generalizable models to guide sustainable grazing strategies and prevent unnecessary degradation. In the final chapter, using drone imagery, I compared rangeland conditions and piosphere patterns between privately owned farms and communal areas and tested for potential tipping points. Contrasting vegetation structures were found, with healthier rangelands dominated by herbaceous plants in freehold farms, where rotational grazing is implemented. In contrast, communal areas, which are continuously grazed, were characterized by extensive bush encroachment, indicative of severe degradation. Expected piosphere patterns of improving rangeland conditions with decreasing grazing pressure, were only observed in healthier rangelands, while no such variation was found in degraded rangelands. Although no sudden shifts, indicative of tipping points were detected along grazing gradients, the results highlight the critical role of sustainable grazing practices in maintaining rangeland functionality and resilience. Together, this research demonstrates the potential of drone technology to transform rangeland monitoring by providing high resolution, cost effective, and scalable data. The findings highlight how drone mapping can complement existing approaches to guide adaptive rangeland management strategies and advance the ecological understanding of these vital yet vulnerable ecosystems.

Nicht nachhaltige landwirtschaftliche Praktiken, wie Überweidung, sowie die Auswirkungen des Klimawandels, wie häufige und intensive Dürren, haben zu einer Verschlechterung von Weideflächen geführt, was wiederum Ökosystemfunktionen sowie die biologische Vielfalt beeinträchtigt. Derzeit sind bis zu 70 % der Globalen Weideflächen degradiert, wobei mindestens 20 % eine Schwelle zu unerwünschten Zuständen überschritten haben, deren Beseitigung erhebliche Anstrengungen, Ressourcen und Zeit erfordern würde. Diese Verschlechterung schränkt , wichtige Ökosystemleistungen ein, so zum Beispiel die Produktion von Futtermittel für Vieh und Wildtiere. Dadurch wird sowohl die ökologische Gesundheit dieser Systeme bedroht, als auch das sozioökonomische Wohlergehen von Milliarden von Menschen, die für ihren Lebensunterhalt von ihnen abhängen. Um diese wichtigen Ökosysteme zu erhalten und wiederherzustellen, die durch kosteneffiziente, zuverlässige und skalierbare Überwachungsinstrumente unterstützt werden, Vorrang haben. Unbemannte Luftfahrzeuge (UAVs), besser bekannt als Drohnen, die mit Spektralsensoren ausgestattet sind, sind vielversprechende Werkzeuge für die ökologische Forschung, da sie hochauflösende Daten in mittlerem Räumlich Maßstab liefern. Während sie in der Land- und Forstwirtschaft weit verbreitet sind, ist ihr Einsatz in trockenen Savannengebieten zur Zeit noch begrenzt. Daher habe ich im Rahmen meiner Doktorarbeit die Wirksamkeit von Drohnenbildern zur Optimierung der Weidelandüberwachung im Hinblick auf drei miteinander verbundene Ziele getestet: (i) Bewertung der Genauigkeit und Effizienz bei der Quantifizierung von Schlüsselindikatoren für den Zustand von Weideland, (ii) Bewertung der Anwendbarkeit von aus Drohnen abgeleiteten Vorhersagemodellen für die räumliche und zeitliche Variabilität, die für Savannenweideland charakteristisch ist, und (iii) Untersuchung der Auswirkungen von unterschiedlichem Weidedruck und potenziellen Schwellenwerten unter Verwendung hochauflösender, räumlich kontinuierlicher Drohnendaten. Das Ergebnis des ersten Kapitels war, dass die von Drohnen abgeleiteten Schätzungen der verfügbaren Futtermenge und der Bedeckung von Weidelandmerkmalen (nackter Boden, krautige und holzige Pflanzen) gut mit den feldbasierten Messungen übereinstimmten. Bei geringen Vorhersagefehlern waren die drohnenbasierten Schätzungen deutlich schneller und damit kostengünstiger. Der hier vorgestellte Arbeitsablauf bietet damit einen replizierbaren und skalierbaren Ansatz zur Beschleunigung der Überwachung von Weideland. Im zweiten Kapitel habe ich die Übertragbarkeit von Modellen auf Savannengebiete untersucht, in denen die Futterressourcen von Natur aus lückenhaft und in Raum und Zeit variabel sind. Ich testete kontextspezifische Modelle (räumlich oder zeitlich spezifisch) sowie ein allgemeines Modell in unterschiedlichen Landbesitzsystemen und zu verschiedenen Zeiten der Vegetationsperiode. Die Ergebnisse zeigten, dass Modelle, die die räumliche und zeitliche Variabilität einbeziehen, genauere Futterschätzungen lieferten, während Modelle, die für spezifische räumliche oder zeitliche Kontexte entwickelt wurden, bei der Extrapolation schlechter abschnitten und die Bedeckung mit krautigen Pflanzen oft überbewerteten. Dies könnte potentiell zu Missmanagement und Überweidung von Weideland führen . Ein wichtiges Fazit dieser Studie ist daher die Bedeutung robuster, verallgemeinerbarer Modelle, um nachhaltige Weidestrategien zu entwickeln und unnötige Verschlechterungen zu verhindern. Im letzten Kapitel verglich ich mit Hilfe von Drohnenbildern den Zustand der Weideflächen und die Piosphärische Muster zwischen Private Farmen und Kommunalen Gebieten Mein Ziel war zu bestimmen, ob es mögliche Kipppunkte in diesen Systemen gibt. Ich konnte gegensätzliche Vegetationsstrukturen festellen, wobei gesündere Weideflächen mit krautigen Pflanzen in landwirtschaftlichen Betrieben in Private Farmen dominieren, wo eine Rotationsbeweidung durchgeführt wird. Im Gegensatz dazu waren die kommunalen Flächen, die kontinuierlich beweidet werden, durch eine starke Verbuschung gekennzeichnet, was auf eine starke Degradierung hindeutet. Die erwarteten piosphärischen Muster einer Verbesserung der Weidebedingungen mit abnehmendem Weidedruck konnten nur in gesünderen Weidegebieten beobachtet werden, während in degradierten Weidegebieten keine derartigen Veränderungen festgestellt werden konnten. Obwohl ich keine plötzlichen Veränderungen, die auf Kipppunkte hindeuten, entlang der Beweidungsgradienten fand, heben meine Ergebnisse die entscheidende Rolle nachhaltiger Beweidungspraktiken hervor, die die Erhaltung der Funktionalität und Widerstandsfähigkeit von Weideland ermöglichen. Insgesamt zeigt meine Forschung das Potenzial der Drohnentechnologie für die Überwachung von Weideland mit der Hilfe von hochauflösenden, kostengünstigen und skalierbaren Daten . Meine Ergebnisse zeigen, wie die Kartierung mit Drohnen bestehende Ansätze ergänzen kann, um adaptive Strategien für das Management von Weideland zu entwickeln und das ökologische Verständnis dieser lebenswichtigen, aber empfindlichen Ökosysteme zu verbessern.