جمع ومعالجة بيانات الاستشعار عن بعد المستندة إلى الطائرات بدون طيار لاستخدامها في مراقبة استعادة الغابات
October 24th, 2025
تسمح التطورات الحديثة في أنظمة الطائرات الموجهة عن بعد (RPAS) بدقة العداد الفرعي ، وهي مثالية لمراقبة استعادة الغابات. يتيح دمج الذكاء الاصطناعي (الذكاء الاصطناعي) رؤى أعمق من مجموعات البيانات الكبيرة التي يتم الاستشعار عنها عن بعد. ويحسن هذا البروتوكول الرصد من خلال دعم تقييم وإدارة أكثر كفاءة للأراضي الحرجية التي تتعافى من الاضطرابات.
يهدف بحثنا إلى تسهيل استخدام LiDAR المعتمد على الطائرات بدون طيار في تقييم استعادة الغابات من خلال تطوير بروتوكول سهل الاستخدام. تشمل التطورات الحديثة التي تجعل هذا العمل ممكنا التقدم في تكنولوجيا حساسات الليدار والتكامل مع نماذج الإقراض العميق. للبدء، تحقق من معدات RPAS وقم بتحديث البرنامج الثابت إذا لزم الأمر.
قم بإعداد محطة قاعدة RTK في منطقة خالية بعيدا عن العقبات وخط الأشجار. انتظر حتى يتم تشغيل محطة القاعدة بالكامل قبل بدء رحلة الطائرة بدون طيار. أنشئ ملف رحلة لكل مهمة ورفعها إلى جهاز التحكم عن بعد.
الآن، نفذ مهام الطيران لجمع بيانات الليدار ومتعددة الأطياف فوق منطقة الاهتمام. إنشاء محطة قاعدة GNSS فوق موقع محطة قاعدة RPAS وتشغيل المحطة الأساسية للحصول على إحداثيات دقيقة لتصحيح تحديد المواقع بدقة. استخدم قارئ بطاقات لنقل بيانات الليدار ومتعددة الأطياف المجمعة من الحساسات إلى محطة العمل.
استخدم برامج الفوتوغرامتري لمعالجة البيانات متعددة الأطياف مسبقا وإجراء تصحيحات هندسية وإشعاعية. أنشئ فسيفساء أطيفية متعددة الأطياف. استخدم البرمجيات المناسبة لإعادة بناء بيانات LiDAR الخام إلى ملف سحابة نقطية.
استخدم أداة جغرافية مكانية لمحاذاة سحابة نقاط LiDAR مع الفسيفساء الأرثوميزية متعددة الأطياف. شغل سكريبت بايثون لدمج سحابة نقاط LiDAR المحاذفة مع الموزاييك الأطيفي المتعدد لتوليد سحابة نقاط متعددة الأطياف. قم بتحميل CloudCompare، برنامج معالجة النقاط السحابية ثلاثية الأبعاد، وقم بتثبيته.
ثم قم بتحميل مثبت إضافة TreeAIBox الإصدار 1 من GitHub، وشغل المثبت، واتبع التعليمات على الشاشة. افتح CloudCompare من أيقونة سطح المكتب، أو باختيار Start، ثم All Programs، وCloudCompare. قم بتحميل ملف السحابة النقاطية باستخدام فتح ملف واحد أو عدة ملفات، ثم اضغط على التطبيق.
إذا كانت إحداثيات النقاط كبيرة، اقبل التوجيه لتطبيق إزاحة أو مقياس عام. اختر الإدخال، الذي يقرأ البيانات الوصفية من الملف، واضغط نعم لتظهر سحابة النقاط في القماش. افتح شريط أدوات الإضافات في بايثون.
قم بتوسيع قائمة سجل السكريبت المنسدلة وانقر على TreeAIBox لفتح واجهة المستخدم الرسومية للإضافة. تأكد من اختيار مربع اختيار استخدام وحدة معالجة الرسوميات المدعومة بهندسة الجهاز الموحدة للحوسبة متاحة. من اللوحة العلوية، اختر TreeFiltering واختر ALS إذا لم تكن سيقان الأشجار مرئية في بيانات RPAS.
الآن، قم بمسح مربع اختيار حجم البلاطات. من قائمة النماذج المحددة مسبقا، اختر treefiltering_als_esegformer. إذا كنت تستخدم هذا النموذج لأول مرة، اضغط على التحميل وتأكد من النافذة المنبثقة التي تعرض المسار المحلي.
اختر سحابة النقاط في اللوحة بحيث يتم تمييزها بمربع حدود. في لوحة TreeFilter، اضغط على تطبيق. تأكد من إنشاء مقياس أو حقل جديد باسم TreeFilter بقيمة 2 لنقاط الشجرة باللون الأحمر والقيمة 1 للنقاط الأخرى باللون الأزرق قبل المتابعة.
من اللوحة العلوية في TreeAIBox، اختر TreeisoNet. تمكين الاستصلاح، وساق ALS الضمنية، وتريلوك. من القائمة المنسدلة، اختر النموذج المدرب مسبقا المطلوب.
تأكد من اختيار سحابة النقاط في اللوحة، ثم اضغط على التطبيق. بعد المعالجة، تأكد من ظهور عنصر جديد باسم Treetops تحت سحابة النقاط الأصلية في نافذة شجرة DB. اختر هذا العنصر وزد حجم النقطة، على سبيل المثال إلى 16، لتحسين الرؤية، وتحقق من ظهور مواقع قمم الأشجار كنقاط بيضاء في القماش.
لتقسيم تيجان الأشجار، أعد اختيار عنصر سحابة نقطة الشجرة. من اللوحة العلوية في TreeAIBox، اختر TreeisoNet وفعل TreeOff. قم بتنزيل النموذج المدرب مسبقا المطلوب ثم اضغط على تطبيق لتشغيل النموذج.
بعد ذلك، تأكد من إنشاء مقياس أو حقل جديد باسم TreeOff. تحقق من أن كل شجرة لها معرف فريد مع نقاط من نفس الشجرة تشترك في نفس المعرف. اختياريا، إعادة تعيين حجم نقطة الشجرة إلى الافتراضي لتقليل الازدحام البصري.
لتحسين التباين البصري وعشوائية ألوان الأشجار حسب المعرف، قم باستنساخ سحابة النقاط الأصلية للحفاظ على البيانات باختيار تعديل واستنساخ. ثم اذهب إلى التحرير، ثم الحقول القياسية، وحول إلى RGB عشوائي. أدخل قيمة كبيرة لضمان ألوان منفصلة واضغط موافق. شاهد سحابة النقاط التي تعرض الأشجار بألوان عشوائية.
وأخيرا، من اللوحة العلوية في TreeAIBox، اختر TreeisoNet وانقر على تصدير الإحصائيات لتصدير نتائج التقسيم. ثم اضغط على فتح مسار الإخراج لعرض الملف المصدر في مجلد النتائج. تأكد من أن الناتج هو ملف قيم مفصولة بفاصل يحتوي على معرفات الشجرة، والإحداثيات، وارتفاع الشجرة، ومساحة التاج.
نجح إضافة TreeAIBox في تصفية نقاط الشجرة وتحديد الأشجار الفردية عبر المواقع الثلاثة، وتم اكتشاف ما مجموعه 2,755 شجرة فردية. حدد النموذج 1,706 شجرة في الموقع 1، و882 شجرة في الموقع 2، و167 شجرة في الموقع 3. اختلفت نسبة الكشف عن أشجار المرجع بين المواقع حيث تم اكتشاف 100٪ للموقع 2، و95٪ للموقع 1، و21٪ للموقع 3.
حقق النموذج معدل كشف 100٪ لجميع الأشجار المرجعية التي يزيد ارتفاعها عن متر واحد. انخفض أداء الكشف للأشجار الأقصر حيث تم اكتشاف 45٪ فقط من الأشجار بين 0.5 إلى 1 متر ولم يتم تحديد أي من الأشجار التي تقل عن 0.5 متر. يهدف هذا البروتوكول إلى معالجة الفجوة البحثية المتعلقة بالكشف عن الأشجار الفردية وتقسيمها للأشجار الصغيرة في البيئات الغابية المعقدة.
يقدم هذا البروتوكول طريقة عملية وفعالة وسهلة الاستخدام ومتعددة الاستخدامات لاستخراج مقاييس الشجرة الفردية من بيانات LiDAR. سيعزز بروتوكولنا استعادة الغابات ومراقبتها، وهو مفيد بشكل خاص لتقييم حجم آبار تسلق الترفيه، مما يقلل من الوقت وتكلفة إجراء مسوحات القطع.
نظرة عامة
تقدم هذه الدراسة بروتوكولًا سهل الاستخدام لاستخدام تقنية LiDAR القائمة على الطائرات بدون طيار في تقييمات التعافي الغابي. من خلال دمج تقنية الاستشعار المتقدمة ونماذج التعلم العميق، يعزز البروتوكول كفاءة مراقبة التعافي الغابي بعد الاضطرابات.
مكونات الدراسة الرئيسية
مجال العلم
- الاستشعار عن بعد
- بيئة الغابة
- الذكاء الاصطناعي
الخلفية
- التطورات الحديثة في أنظمة الطائرات بدون طيار (RPAS) تمكن من المراقبة عالية الدقة.
- دمج الذكاء الاصطناعي يوفر رؤى أعمق من مجموعات البيانات الكبيرة.
- التقييم والإدارة الفعالان للأراضي الحرجية المتعافيا أمر بالغ الأهمية.
- الطرق الحالية غالباً ما تفتقر إلى الكفاءة وسهولة الاستخدام.
هدف الدراسة
- لتطوير بروتوكول عملي لـ LiDAR القائم على الطائرات بدون طيار في تقييم التعافي الغابي.
- لمعالجة الفجوة البحثية في اكتشاف الأشجار الفردية وتجزئتها.
- لتقليل الوقت والتكاليف المرتبطة بدراسات المساحات التقليدية.
الطرق المستخدمة
- إعداد RPAS ومحطة أساسية RTK لجمع البيانات بدقة.
- جمع بيانات LiDAR والمتعددة الأطياف فوق المناطق المخصصة.
- استخدام برامج التصوير المساحي لمعالجة البيانات وتصحيحها.
- تطبيق مكون TreeAIBox الإضافي لاكتشاف الأشجار وتجزئتها.
النتائج الرئيسية
- تم اكتشاف ما مجموعه 2,755 شجرة فردية عبر ثلاثة مواقع.
- تباينت معدلات الكشف، مع 100٪ للموقع 2 و21٪ للموقع 3.
- نجح البروتوكول في تحديد الأشجار التي يزيد ارتفاعها عن متر واحد بدقة عالية.
- يوفر طريقة متنوعة لاستخراج مقاييس الشجرة الفردية من بيانات LiDAR.
الاستنتاجات
- يعزز هذا البروتوكول مراقبة وتقييم التعافي الغابي.
- هو فعال للأشجار الصغيرة في بيئات الغابات المعقدة.
- الطريقة سهلة الاستخدام وتقل الحاجة إلى الدراسات الميدانية الموسعة.
الأسئلة المتداولة
Executive Industry Relevance
Automated drone-based LiDAR and multispectral data integration, combined with deep learning segmentation, enables scalable, high-resolution monitoring of forest recovery on reclaimed sites. This protocol addresses the need for efficient, reproducible, and quantitative assessment of vegetation structure, supporting data-driven decision-making in ecological restoration and land management. The approach reduces manual survey burden and enhances predictive confidence in ecosystem recovery metrics relevant to environmental portfolios.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables quantitative hypothesis testing of vegetation recovery dynamics using spatially explicit tree metrics.
- Supports mechanistic de-risking by clarifying the relationship between site treatments and ecological outcomes.
- Facilitates functional validation of restoration targets through objective, high-throughput data collection.
Screening & Assay Development
- Prepares validated geospatial datasets for downstream ecological modeling and comparative analysis.
- Standardizes data acquisition and processing workflows, improving reproducibility across sites and timepoints.
- Generates quantitative outputs (tree height, crown area, coordinates) suitable for scalable screening of restoration interventions.
Translational & Preclinical Research
- Aligns remote sensing outputs with field-based ecological indicators, supporting translational continuity in restoration monitoring.
- Enables risk-adjusted advancement of reclamation strategies based on robust, site-specific recovery metrics.
- Provides predictive de-risking for ecosystem recovery trajectories using objective, spatially resolved data.
Pipeline & Workflow Integration
This protocol integrates into the ecological monitoring continuum from early site assessment through longitudinal recovery tracking and intervention evaluation.
- Discovery Biology: Supports hypothesis-driven analysis of vegetation structure and recovery patterns using high-resolution, multi-modal data.
- Screening: Delivers reproducible, quantitative tree metrics for comparative evaluation of restoration approaches.
- Analytics: Outputs CSV files with tree identifiers, coordinates, height, and crown area for statistical analysis and cross-site benchmarking.
- Translational Research: Bridges remote sensing data with field validation, enabling consistent monitoring across diverse landscapes.
- Enterprise Reuse: Establishes a scalable, adaptable workflow for ongoing ecological monitoring and restoration assessment.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in ecosystem recovery and reduces ambiguity in restoration outcomes.
- Operational Value: Streamlines data collection, processing, and analysis for large-scale, multi-site monitoring.
- Strategic Value: Informs go/no-go decisions for reclamation investments and supports efficient resource allocation.
- Portfolio Impact: Enables risk-adjusted prioritization of restoration projects based on quantitative recovery metrics.
Implementation Considerations
- Requires expertise in remote sensing, geospatial analysis, and deep learning model operation.
- Needs access to RPAS platforms, LiDAR and multispectral sensors, and compatible processing software.
- Demands standardized workflows for data alignment, merging, and segmentation across teams.
- Adaptation may be necessary for different forest types, sensor configurations, or site conditions.
- Detection sensitivity is limited for trees below 1 meter in height, impacting monitoring of early-stage recovery.
