收集和处理基于无人机的遥感数据，用于森林恢复监测
October 24th, 2025
遥控飞机系统 （RPAS） 的最新进展允许亚米分辨率，非常适合森林恢复监测。集成人工智能 （AI） 可以从大型遥感数据集中获得更深入的见解。该协议通过支持对从干扰中恢复的林地进行更有效的评估和管理来改进监测。
我们的研究旨在通过开发用户友好的协议，促进无人机激光雷达在森林恢复评估中的应用。使这项工作成为可能的最新发展包括激光雷达传感器技术的进步以及与深度贷款模型的集成。首先，检查RPAS设备，必要时更新固件。
把RTK基地站放在一个远离障碍物和树线的空旷区域。等基站完全通电后再开始无人机飞行。为每个任务创建一个飞行文件，并上传到遥控器。
现在，执行飞行任务，收集激光雷达和多光谱数据，覆盖感兴趣区域。在RPAS基站位置上搭建GNSS基站，运行基站以获得精确坐标以实现点位校正。使用读卡器将收集到的激光雷达和多光谱数据从传感器传输到工作站。
使用摄影测量软件预处理多光谱数据并进行几何和放射性校正。生成多光谱正交图像。使用合适的软件将原始激光雷达数据重建为点云文件。
使用地理空间工具将LiDAR点云与多光谱正交界面对齐。运行一个Python脚本，将对齐的LiDAR点云与多光谱正交图合并，生成多光谱点云。下载CloudCompare，这是一款三维点云处理软件，并安装它。
然后，从 GitHub 下载 TreeAIBox 插件安装器 1 版，运行安装程序，并按照屏幕上的提示作。从桌面图标打开CloudCompare，或选择“开始”，然后选择“所有程序”和“CloudCompare”。通过“打开一个或多个文件”加载点云文件，然后点击应用。
如果点坐标较大，接受提示应用全局偏移或比例。选择输入，它会从文件中读取元数据，然后点击“是”，这样点云就会出现在画布中。打开Python插件工具栏。
展开脚本寄存器下拉菜单，点击 TreeAIBox 以打开插件图形用户界面。如果有支持Compute Unified Device Architecture的图形处理单元，请确保勾选“使用GPU”复选框。在顶部面板中，选择树过滤，如果树干在RPAS数据中未可见，则选择ALS。
现在，清除地块大小的复选框。在预定义模型下拉菜单中，选择treefiltering_als_esegformer。如果是第一次使用该模型，点击下载并确认弹窗显示本地路径。
在画布中选择点云，使其用边界框高亮。在TreeFilter面板中，点击应用。确认已创建了一个名为TreeFilter的新比例或字段，树点用红色标注为2，蓝色标注为其他点标注1。
在 TreeAIBox 顶部面板中，选择 TreeisoNet。启用Reclamation、ALS茎隐式和Treeloc。从下拉菜单中选择所需的预训练模型。
确保画布中的点云被选中，然后点击应用。处理后，确认数据库树窗口中原始点云下方出现了一个名为Treetops的新项目。选择此项并将点大小增加，例如增加到16，以提升可见性，并验证树顶位置是否显示为画布中的白点。
对于分割树冠，请重新选择树点云项。在 TreeAIBox 顶部面板，选择 TreeisoNet 并启用 TreeOff。下载所需的预训练模型，然后点击应用运行该模型。
接下来，确认创建一个名为TreeOff的新刻度或字段。确认每棵树都被分配了唯一标识符，且同一树的点共享相同标识符。可选地，将树顶点大小重置为默认，以减少视觉杂乱。
为了提升视觉对比度并按标识符随机树色，选择编辑并克隆原始点云以保留数据。然后，进入编辑，再选标量场，转换成随机RGB。输入一个大值以确保颜色独立，然后点击确定。观察点云中随机颜色的树木。
最后，在TreeAIBox顶部面板，选择TreeisoNet并点击“导出统计数据”导出细分结果。然后，点击“打开输出路径”，在Results文件夹中查看导出的文件。确认输出是一个逗号分隔的值文件，包含树干标识符、坐标、树高和树冠面积。
TreeAIBox插件成功过滤树点并在三个站点划定了单个树木，共检测到2,755棵树。模型在1号地点识别出1,706棵树，2号地点882棵树，3号站点167棵树。参考树的检测率在各站点间有所不同，站点2检测率为100%，站点1为95%，站点3为21%。
该模型实现了所有一米以上参考树木的100%检测率。矮树的检测性能下降，仅检测到45%的0.5至1米长树木，且0.5米以下的树木未被识别。该方案旨在弥补复杂森林环境中幼树个体检测和分段的研究空白。
该协议提供了一种实用、高效、用户友好且多功能的方法，用于从LiDAR数据中提取单个树的指标。我们的方案将推动森林恢复和监测，尤其适合评估休闲攀爬井的大小，减少地块调查的时间和成本。
概述
本研究提出了一种使用基于无人机的LiDAR技术进行森林恢复评估的用户友好协议。通过整合先进的传感器技术和深度学习模型，该协议提高了对扰动后森林恢复的监测效率。
关键研究组成部分
科学领域
- 遥感
- 森林生态学
- 人工智能
背景
- 远程驾驶飞行器系统（RPAS）的最新进展使得高分辨率监测成为可能。
- 人工智能的整合为大数据集提供了更深入的见解。
- 对恢复中的林地的有效评估和管理至关重要。
- 现有的方法往往缺乏效率和用户友好性。
研究目的
- 开发用于森林恢复评估的基于无人机的LiDAR的实用协议。
- 解决单棵树检测和分割的研究空白。
- 减少与传统样地调查相关的时间和成本。
使用的方法
- 设置RPAS和RTK基站以便进行准确的数据收集。
- 在指定区域收集LiDAR和多光谱数据。
- 使用摄影测量软件进行数据预处理和校正。
- 应用TreeAIBox插件进行树木检测和分割。
主要结果
- 在三个站点总共检测到2,755棵单棵树。
- 检测率有所不同，站点2为100%，站点3为21%。
- 该协议成功以高准确度识别出高于一米的树木。
- 它为从LiDAR数据中提取单棵树指标提供了一种多功能方法。
结论
- 该协议增强了森林恢复监测和评估。
- 它对复杂森林环境中的幼树有效。
- 该方法用户友好，并减少了广泛实地调查的需求。
常见问题
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.
