Monitoring forest–agriculture mosaics is crucial for understanding landscape heterogeneity and managing biodiversity. Mapping these mosaics from remotely sensed imagery remains challenging, since ecological gradients from forested to agricultural areas make characterizing vegetation more difficult. The recent synthetic aperture radar (SAR) Sentinel-1 (S-1) and optical Sentinel-2 (S-2) time series provide a great opportunity to monitor forest–agriculture mosaics due to their high spatial and temporal resolutions. However, while a few studies have used the temporal resolution of S-2 time series alone to map land cover and land use in cropland and/or forested areas, S-1 time series have not yet been investigated alone for this purpose. The combined use of S-1 & S-2 time series has been assessed for only one or a few land cover classes. In this study, we assessed the potential of S-1 data alone, S-2 data alone, and their combined use for mapping forest–agriculture mosaics over two study areas: a temperate mountainous landscape in the Cantabrian Range (Spain) and a tropical forested landscape in Paragominas (Brazil). Satellite images were classified using an incremental procedure based on an importance rank of the input features. The classifications obtained with S-2 data alone (mean kappa index = 0.59–0.83) were more accurate than those obtained with S-1 data alone (mean kappa index = 0.28–0.72). Accuracy increased when combining S-1 and 2 data (mean kappa index = 0.55–0.85). The method enables defining the number and type of features that discriminate land cover classes in an optimal manner according to the type of landscape considered. The best configuration for the Spanish and Brazilian study areas included 5 and 10 features, respectively, for S-2 data alone and 10 and 20 features, respectively, for S-1 data alone. Short-wave infrared and VV and VH polarizations were key features of S-2 and S-1 data, respectively. In addition, the method enables defining key periods that discriminate land cover classes according to the type of images used. For example, in the Cantabrian Range, winter and summer were key for S-2 time series, while spring and winter were key for S-1 time series.

Interfaces between protected areas and their peripheries in southern Africa are subject to interactions between wildlife and livestock that vary in frequency and intensity. In these areas, the juxtaposition between production and conservation land uses in a context of increasing anthropisation can create issues associated with human-wildlife coexistence and raises concerns for biodiversity conservation, local development and livelihoods. This literature review aimed at addressing the need to consolidate and gather in one article current knowledge on potential uses of satellite remote sensing (SRS) products by movement ecologists to investigate the sympatry of wildlife/domestic ungulates in savanna interface environments. A keyword querying process of peer reviewed scientific paper, thesis and books has been implemented to identify references that (1) characterize the main environmental drivers impacting buffalo (Syncerus caffer caffer) and cattle (Bos taurus & Bos indicus) movements in southern Africa environments, (2) describe the SRS contribution to discriminate and characterize these drivers. In total, 327 references have been selected and analyzed. Surface water, precipitation, landcover and fire emerged as key drivers impacting the buffalo and cattle movements. These environmental drivers can be efficiently characterized by SRS, mainly through open-access SRS products and standard image processing methods. Applying SRS to better understand buffalo and cattle movements in semi-arid environments provides an operational framework that could be replicated in other type of interface where different wild and domestic species interact. There is, however, a need for animal movement ecologists to reinforce their knowledge of remote sensing and/or to increase pluridisciplinary collaborations.

Dagens viltskadeinventeringar i jordbruket är tidskrävande och dyra, ofta utförda till fots och med risk för subjektiva resultat. SLU har fått i uppdrag av Naturvårdsverket (2022-03-23) att utveckla en standardiserad metod för att övervaka viltskador i jordbruket. Den utvecklade metoden bygger på att drönare utrustade med kameror och sensorer (synligt och osynligt ljus) tar högupplösta 2D eller 3D bilder av fält, vilka sedan analyseras med AI för att identifiera, klassificera och mäta skador. Målet är att metoden ska kunna fungera på lokal gårdsnivå men den ska också kunna appliceras på stora områden som ÄFO:n eller större, vilket är viktigt för att ta beslut inom såväl jordbruks- och viltförvaltningen. De av AI tolkade bilderna ligger därefter till grund för en återrapportering bestående av information om skadornas ursprung, omfattning och kostnad, vars resultat ska kunna användas både lokalt av jordbrukare och nationellt i ett framtida övervakningssystem. Systemet är förnärvarande semi-automatiserat men kan effektiviseras ytterligare med högpresterande datorer. Hittills har projektet visat lovande resultat, särskilt när det gäller att identifiera vildsvinsskador, som är de mest förekommande skadetyperna i vår insamlade bildbank. För att metoden ska bli fullt tillämpar krävs dock en större och mer balanserad bildbank med fler skador med annat ursprung (torka, vatten, maskinskador m.m.) och för andra viltarter och grödor än vad som hittills kunnat samlas in under en begränsad projekttid. De kvarstående tekniska utmaningarna består således av att i en mer kraftfull datormiljö automatisera samtliga steg från bildanalys till rapportering, samt att träna algoritmen med fler bilder av andra skadetyper än vildsvin. Slutligen, rent organisatoriska frågor kring en eventuell framtida viltskadeinventeringsplattform för skador på gröda, dess huvudmannaskap, juridiska möjligheter, begränsningar och kostnader ligger utanför SLU:s uppdrag. Men, givet att dessa frågor kan lösas, är SLU:s värdering av den utvecklade inventeringsmetoden att det är en fullt realistisk väg framåt, med möjligheter att utvecklas även för flygplan och i framtiden kanske via satellitbilder. Metoden skulle därför kunna bli ett viktigt framtida faktabaserat viltförvaltningsverktyg till nytta för såväl enskilda lantbrukare, jakträttsinnehavare, viltförvaltare och myndigheter.

Wildlife causes significant economic losses to Swedish agriculture through their feeding behaviour in crops. Accurately assessing these losses is crucial for developing mitigation strategies and reducing conflicts between stakeholders. However, traditional ground-based surveys are labour-intensive, observer-dependent, spatially limited, and not easily scalable. Advances in remote sensing and artificial intelligence (AI) offer new opportunities for automatised to semi-automatized damage detection and mapping at very-high spatial resolution scale. In this study, we developed a deep learning approach based on Convolutional Neural Networks (CNNs) applied to UAV-derived orthomosaics to discriminate between damage types. The workflow integrated four key steps: preprocessing UAV imagery into normalized image tiles and structured datasets; optimizing model behaviour through hyperparameter tuning; training the CNN with transfer learning, where dense layers were fitted to labelled damage data while convolutional layers remained frozen; and evaluating model performance with independent test sets. Performance metrics, including accuracy, precision, recall, and F1-score, demonstrated clear differences between wheat and grasslands, as well as between training strategies. In general, models trained on crop-specific datasets outperformed those trained on the full dataset, highlighting the importance of tailoring training data to individual crop types. Across both crops, the no-grid approaches consistently achieved stronger results than grid-based models, suggesting that preserving spatial context improves classification performance. Wheat models benefited more strongly from crop-specific training, showing a pronounced gain in classification reliability compared to grasslands, where improvements were present but more moderate. When applied to full-field predictions, performance declined compared to validation polygons, indicating challenges in generalizing from controlled validation areas to more heterogeneous field conditions. Overall, the observed trends confirm that CNN-based approaches can capture relevant spectral and spatial features for damage type discrimination, with wheat classifications being particularly sensitive to training data design and quantity. These findings demonstrate the potential of CNN-based methods for UAV-assisted monitoring of crop damage and provide a foundation for scalable and semi-automatized applications in precision agriculture.

L'utilisation combinée de la télédétection et de la modélisation spatiale pour la mobilité animale : application à l'étude des contacts entre espèces animales sauvages et domestiquées afin d’appréhender le risque de transmission de pathogènes en Afrique Australe: Les zones d'interface en Afrique australe, constituées de terres communales situées en bordure d'aires protégées, sont confrontées à un nombre croissant de problèmes liés à la coexistence entre l'homme et la faune sauvage et parmi eux, le risque de transmission de pathogènes entre espèces animales sauvages et domestiques.Dans ce contexte, la présente thèse vise à 1) Caractériser les variables environnementales, à l'échelle paysagère à trois interfaces différentes situées en Afrique australe (parc national de hwange, parc national de Gonarezhou, parc national de Kruger Nord), qui influencent potentiellement les mouvements de deux espèces cibles, une espèce d'ongulés sauvages (le buffle - Syncerus caffer caffer) et une espèce d'ongulés domestiques (le bétail - Bos taurus & Bos indicus) 2) Simuler les mouvements des espèces cibles, à l'échelle de l'individu et du troupeau, en relation avec leurs environnements respectifs, 3) Déterminer la nature, la fréquence et la localisation des contacts entre les espèces cibles pour mieux appréhender les risques de transmission de pathogènes.Des classifications à partir d'une série temporelle d'images satellitaires Sentinel-2 ont été réalisées pour produire des cartes mensuelles des eaux de surface et de la couverture végétale à une résolution spatiale de 10 mètres. Ces variables environnementales ont ensuite été intégrées dans un modèle de mouvement mécaniste spatialisé basé sur un mouvement collectif d'individus autopropulsés pour simuler les mouvements et les contacts des buffles et des bovins en réponse à la saisonnalité des eaux de surface et au type de couverture végétale. Pour spatialiser les modèles de mouvements et de contacts, le langage spécifique Ocelet a été utilisé. Les données télémétriques collectées dans le cadre d'études précédentes ont été utilisées comme données de référence pour concevoir, calibrer et valider les modèles de mouvements et de contacts.Les résultats ont mis en évidence de fortes variabilités spatiales et temporelles de la disponibilité en eau dans les trois zones d'étude. Les cartes de classification de la couverture végétale ont reproduit avec précision les spécificités des compositions paysagères des trois zones d'étude. En ne prenant en compte que les eaux de surface, les modèles mécanistes de mouvement ont montré une corrélation positive et significative entre les observations/simulations de mouvements et l'utilisation de l'espace par les troupeaux de buffles et de bovins, malgré une surestimation de la présence d'individus de buffles à proximité des eaux de surface. L'ajout de la couverture végétale a augmenté la précision globale des modèles de mouvement. Les modèles de contacts et leurs précisions ont été reproduits mais leurs précisions respectives ont montré des divergences selon la zone d'étude.Dans l'ensemble, la combinaison de la télédétection et de la modélisation spatiale permet de développer des modèles simples pour simuler les mouvements et les contacts des animaux en relation directe avec l'environnement. Cette méthodologie a l'avantage d'être évolutive, générique et reproductible. Elle offre la possibilité d'intégrer par la suite un modèle épidémiologique pour estimer le risque de transmission de pathogènes en lien direct avec les mouvements et les contacts des espèces animales.