Sammeln und Verarbeiten von drohnenbasierten Fernerkundungsdaten für den Einsatz in der Überwachung der Walderholung

Dmytro Movchan; Charumitha Selvaraj; Zhouxin Xi; Angeline Van Dongen; Dani Degenhardt

doi:10.3791/68745

Method Article

Sammeln und Verarbeiten von drohnenbasierten Fernerkundungsdaten für den Einsatz in der Überwachung der Walderholung

DOI:

10.3791/68745

⸱

October 24th, 2025

Dmytro Movchan¹ , Charumitha Selvaraj¹ , Zhouxin Xi¹ , Angeline Van Dongen¹ , Dani Degenhardt¹

¹Natural Resources Canada, Canadian Forest Service, Northern Forestry Centre

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Jüngste Fortschritte bei ferngesteuerten Flugzeugsystemen (RPAS) ermöglichen eine Auflösung von unter einem Meter, ideal für die Überwachung der Walderholung. Die Integration von Künstlicher Intelligenz (KI) ermöglicht tiefere Einblicke aus großen Fernerkundungsdatensätzen. Dieses Protokoll verbessert die Überwachung, indem es eine effizientere Bewertung und Bewirtschaftung von Waldflächen unterstützt, die sich von Störungen erholen.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Fernerkundungstechnologien (RS), insbesondere LiDAR-Bilder (Light Detection and Ranging) und multispektrale (MS) Bilder, bieten eine breit angelegte Vegetationsüberwachung mit unterschiedlichen räumlichen Auflösungen. Ferngesteuerte Flugzeugsysteme (RPAS), die mit LiDAR- und MS-Sensoren ausgestattet sind, können die Bewertung der Vegetation verbessern, indem sie flexible Flugpläne bieten und Daten mit hoher Auflösung erfassen. Die weitere Integration von Deep-Learning-Modellen (DL) ist vielversprechend für die Automatisierung des Nachbearbeitungsworkflows, was besonders für Anwendungen zur Vegetationsüberwachung wichtig ist.

Dieses Protokoll beschreibt eine Reihe praktischer Methoden zum Sammeln, Verarbeiten, Ausrichten und Zusammenführen von RPAS-basierten LiDAR- und MS-Daten für die individuelle 3D-Baumabgrenzung unter Verwendung eines interaktiven DL-Plugins. Das proprietäre DL-Modell erkennt und segmentiert effektiv Baumgrenzen über verschiedene Sensoren, Untersuchungsstandorte und Datenauflösungen innerhalb von Waldökosystemen.

Unsere spezifische Anwendung und Motivation für die Entwicklung dieses Protokolls und Werkzeugs ist die Überwachung der Walderholung an zurückgewonnenen Öl- und Gasbohrungen. Derzeit sind feldbasierte Bewertungsmethoden zeitaufwändig, arbeitsintensiv und räumlich begrenzt. Mit der Ausweitung der Rekultivierungsbemühungen besteht ein wachsender Bedarf an effizienteren und skalierbareren Ansätzen, um den Erfolg der Rekultivierung und die Wiederherstellung des Ökosystems zu überwachen. Durch die Weiterentwicklung von RPAS-basierten DL-Anwendungen unterstützt diese Forschung das Monitoring der ökologischen Erholung auf zurückgewonnenen Bohrstandorten und ist auch auf andere Waldlandschaften anwendbar.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Gewinnung von Öl- und Gasressourcen hat zur Einrichtung von Hunderttausenden von Bohrstellen in ganz Alberta¹ geführt, von denen sich viele im borealen Wald^{befinden 2}. Die Rekultivierungsbemühungen zielen darauf ab, gestörte Flächen wieder in ihren ursprünglichen ökologischen Zustand zu versetzen³. Konventionelle bodengestützte Erhebungen sind nach wie vor das wichtigste Mittel zur Überwachung der Rekultivierung, der Zertifizierung⁴; Dies ist jedoch ein zeit- und arbeitsintensiver Prozess, der immer weniger effizient wird, da die Zahl der gestörten und zurückgewonnenen Bereiche weiter zunimmt.

Jüngste Fortschritte in der Fernerkundung (RS), insbesondere der Einsatz von ferngesteuerten Flugzeugsystemen (RPAS), bieten vielversprechende Lösungen für die räumlichen und zeitlichen Herausforderungen der Überwachung von Bohrstellen 5,6,7,8. Diese Plattformen liefern sehr hochauflösende Daten, die genaue Messungen auf der Ebene der einzelnen Bäume ermöglichen. Die Integration mit künstlicher Intelligenz (KI), wie wir in den letzten Jahren gesehen haben ^9,10,11, erleichtert die Verarbeitung und Analyse großer Fernerkundungsdatensätze durch die Automatisierung der Vegetationserkennung und -messung. Die Generierung geeigneter Trainings- und Validierungsdatensätze für Deep-Learning-Modelle (DL) bleibt jedoch die größte Herausforderung, insbesondere für 3D-Datensätze.

Dieses Protokoll beschreibt einen Schritt-für-Schritt-Workflow für das Sammeln, Verarbeiten, Ausrichten und Zusammenführen von RPAS-basierten LiDAR- und multispektralen (MS) Daten aus bewaldeten Umgebungen, um einzelne Bäume abzugrenzen. Diese Methode nutzt das neu entwickelte, in CloudCompare integrierte Plugin TreeAIBox¹² , um die RPAS-abgeleitete Punktwolke für die Segmentierung einzelner Baumkronen zu analysieren. Das Plugin führt einen neuartigen 3D-DL-Ansatz ein, der auf dem TreeisoNet^13-Modell basiert, einer Suite von überwachten tiefen neuronalen Netzen, die auf die 3D-Baumsegmentierung zugeschnitten sind und mit RPAS-abgeleiteten Datensätzen von fünf verschiedenen zurückgewonnenen Bohrlöchern trainiert und verifiziert wurden. Die für das Modelltraining ausgewählten Standorte variierten in Baumhöhen, Dichten und Artenzusammensetzung, um die Generalisierbarkeit des Modells zu gewährleisten. Darüber hinaus enthielt der Trainingsdatensatz Daten, die in drei aufeinanderfolgenden Jahreszeiten gesammelt wurden: Sommer (August 2023), Herbst (Oktober 2023) und Frühling (Mai 2024), um sicherzustellen, dass das Modell unter verschiedenen saisonalen Bedingungen mit unterschiedlichen Schwankungen in der Baumsichtbarkeit genau funktionieren kann. Das Plugin automatisiert die Prozesse der Punktwolkenfilterung (Bäume versus Boden), die Erkennung von Baumkronen und die Segmentierung einzelner Baumkronen. Die Ausgabe des Plugins könnte verwendet werden, um Vegetationsmetriken wie Kronenfläche, Kronenfraktion, Stammdichte und Baumhöhen zu berechnen, die für die Überwachung der Vegetation nach der Rekultivierung verwendet werden.

Das TreeisoNet-Modell, das in das TreeAIBox-Plugin integriert ist, bietet erhebliche Verbesserungen gegenüber herkömmlichen 3D-Segmentierungsmethoden wie der Segmentierung von Wassereinzugsgebieten oder ShortestPath. TreeisoNet hat eine höhere Genauigkeit über verschiedene Waldtypen hinweg berichtet, was die Vorteile eines überwachten Deep-Learning-Ansatzes gegenüber unüberwachten Alternativen demonstriert¹³. Insbesondere erreichte das Treetop Locator Module (TreeLoc) einen durchschnittlichen F1-Score von 0,96 und übertraf damit deutlich die lokale Maximum-Methode (LM), die einen durchschnittlichen F1-Score von 0,57¹³ erreichte. In ähnlicher Weise zeichnete das Kronenabgrenzungsmodul (TreeOff) einen durchschnittlichen mittleren Intersection over Union (mIoU) von 0,85 auf und übertraf damit die traditionellen Methoden Watershed3D (mIoU 0,68) und ShortestPath (mIoU 0,79)¹³. Diese Metriken unterstreichen die überlegene Genauigkeit von TreeisoNet bei der Erkennung von Baumkronen und der Abgrenzung von Kronen, insbesondere in komplexen Umgebungen wie wiedergewonnenen Bohrlöchern mit unterschiedlichen Baumhöhen, Stammdichten und Artenzusammensetzungen.

Das TreeisoNet-Modell wurde mit RPAS-abgeleiteten LiDAR-Daten mit einer Punktdichte von über 1100 Punkten pro Quadratmeter trainiert. Die in diesem Artikel beschriebene Methode konzentriert sich auf die Überwachung der Walderholung in Öl- und Gasbohrungen; Es könnte jedoch für den Einsatz in anderen Waldgebieten angepasst werden. Der Arbeitsablauf eignet sich gut für junge Plantagen und Mischwälder mit geringer bis mittlerer Stammdichte (<3.000 Stämme pro ha), bei denen die Okklusion minimal ist. In Wäldern mit geschlossenem Kronendach oder mehrschichtigen Wäldern kann die Erkennung von Bäumen im Unterholz aufgrund der begrenzten LiDAR-Durchdringung reduziert sein. Das Modell unterstützt sowohl Nadel- als auch Laubbäume, obwohl die Genauigkeit je nach artspezifischen Merkmalen, wie z. B. dünnen Leitfäden bei jungen Nadelbäumen, variieren kann. Das TreeAIBox-Plug-in enthält eine Bibliothek mit vordefinierten, vortrainierten Modellen, die so konzipiert sind, dass sie auf verschiedene Waldtypen anwendbar sind und anhand verschiedener Datensätze von zurückgewonnenen Bohrlöchern validiert wurden. Benutzer können diese integrierten Modelle nutzen und Plugin-Parameter wie den maximalen Abstand oder den minimalen Radius anpassen, um die Ausgaben für ihre spezifischen Datensätze zu optimieren, ohne neue Modelle trainieren zu müssen. Diese Flexibilität ermöglicht es den Nutzern, den Workflow direkt in der benutzerfreundlichen grafischen Benutzeroberfläche (GUI) von CloudCompare an unterschiedliche Waldbedingungen anzupassen, z. B. an unterschiedliche Baumhöhen oder -dichten. Die aktuelle Version des TreeAIBox-Plugins unterstützt das Training neuer Modelle innerhalb der Software selbst nicht. Für fortgeschrittene Benutzer ist es jedoch möglich, der Modellbibliothek neue vortrainierte Modelle hinzuzufügen.

Die Protokollabschnitte 1 und 2 beschreiben unsere Datenerfassungs- und Verarbeitungsschritte, während Abschnitt 3 des Protokolls die Verwendung des TreeAIBox-Plugins zur Extraktion von Baummetriken beschreibt. Unsere spezifische Forschung verwendet eine Fusion von drohnenbasierten LiDAR-Daten und MS-Bildern; Es könnten jedoch verschiedene Verfahren, Geräte und Software angewendet werden, um eine Punktwolkendatei mit hoher Dichte für die Verwendung in Protokollabschnitt 3 zu erzeugen. Dieser Workflow stellt einen bedeutenden Fortschritt in der Vegetationsüberwachung dar, indem er einen hochmodernen KI-gesteuerten Baumsegmentierungsansatz mit RPAS-basiertem RS integriert, der eine schnellere, genaue und skalierbare Bewertung der Walderholung ermöglicht.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Verwendung eines RPAS für die Datenerfassung

HINWEIS: Alle RPAS-Operationen müssen den lokalen Luftraumvorschriften und Sicherheitsanforderungen entsprechen. Verwenden Sie die Materialtabelle , um die für die Datenerfassung benötigten Geräte und Materialien zu überprüfen.

Vorbereitung vor dem Flug: Bevor Sie ins Feld gehen, überprüfen Sie die Ausrüstung und aktualisieren Sie gegebenenfalls die Firmware. Erstellen Sie Flugdateien für jede Flugmission und laden Sie diese auf die Fernbedienung hoch. Erstellen Sie für jede Flugmission einen Sicherheitsplan und ein Dokument mit Notfallverfahren. In der ergänzenden Datei 1 finden Sie eine detaillierte Anleitung zur Preflight-Einrichtung.
Datenerfassung vor Ort: Richten Sie im Feld Ausrüstung ein und führen Sie Flugmissionen durch, um LiDAR- und MS-Daten über einen Interessenbereich zu sammeln. In der ergänzenden Datei 2 finden Sie einen detaillierten Arbeitsablauf für die Einrichtung der Ausrüstung und die Flugparameter.
Einrichtung einer GNSS-Basisstation: Richten Sie eine GNSS-Basisstation ein und führen Sie sie über den Standort der RPAS-Basisstation aus, um genaue Koordinaten ihres Standorts zu erhalten, die für die Korrektur der präzisen Punktpositionierung (PPP)¹⁴ während der Datenvorverarbeitung verwendet werden (für eine hohe Genauigkeit beträgt die empfohlene Mindestlaufzeit der Basisstation 2 Stunden) (siehe Zusatzdatei 3 für ein Beispiel für die Einrichtung einer GNSS-Basisstation und das Verfahren zum Abrufen der Koordinaten).
Datenübertragung: Verwenden Sie einen Kartenleser, um die gesammelten LiDAR- und MS-Daten von den Sensoren zur weiteren Verarbeitung an eine Workstation zu übertragen.

2. Verarbeitung von Rohdaten

Multispektrale Datenvorverarbeitung: Verwenden Sie Photogrammetrie-Software, um die gesammelten MS-Daten vorzuverarbeiten, geometrische und radiometrische Korrekturen durchzuführen und ein MS-Orthomosaik zu erstellen.
HINWEIS: In der ergänzenden Datei 4 finden Sie einen allgemeinen Arbeitsablauf für die Verarbeitung von RPAS-abgeleiteten MS-Daten mit Photogrammetrie-Software.
LiDAR-Punktwolken-Rekonstruktion: Verwenden Sie eine geeignete Software, um die LiDAR-Rohdaten in eine Punktwolkendatei (z. B. *.las/laz-Datei) zu rekonstruieren. In der Zusatzdatei 5 finden Sie eine detaillierte Vorgehensweise zur Durchführung der Rekonstruktion.
Ausrichten und Zusammenführen von LiDAR- und multispektralen Daten. Verwenden Sie Geodatenwerkzeuge, um die LiDAR-Punktwolke und das MS-Orthomosaik auszurichten. In der ergänzenden Datei 6 finden Sie ein detailliertes Verfahren zur Durchführung der Achse. Verwenden Sie ein Python-Skript (siehe Ergänzende Datei 7), um die LiDAR-Punktwolke mit dem MS-Orthomosaik zusammenzuführen, um eine MS-Punktwolke zu erstellen.
HINWEIS: Jede integrierte Entwicklungsumgebung (IDE) kann zum Ausführen des Python-Skripts verwendet werden. Ergänzende Datei 8 veranschaulicht einen allgemeinen Arbeitsablauf zum Zusammenführen von Daten.

3. Verwendung des TreeAIBox-Plugins zur individuellen Baumsegmentierung

HINWEIS: Dieser Abschnitt des Protokolls kann mit beliebigen hochauflösenden Punktwolkendaten aus einer bewaldeten Umgebung im Dateiformat *.las/.laz verfolgt werden.

TreeAIBox wurde nur unter Windows getestet.

Installation und Einrichtung: Laden Sie die 3D-Punktwolkenverarbeitungssoftware CloudCompare¹⁵ herunter und installieren Sie sie. Laden Sie als Nächstes das Plug-In-Installationsprogramm von GitHub (TreeAIBox_Plugin_Installer_v1.0.exe)¹² herunter (Abbildung 1). Führen Sie das Installationsprogramm aus und befolgen Sie die Anweisungen auf dem Bildschirm.
HINWEIS: Das Installationsprogramm erkennt automatisch den Speicherort der CloudCompare-Software und stellt das Plug-in mit den erforderlichen DL-Bibliotheken basierend auf der GPU- oder CPU-Verfügbarkeit bereit. Für alternative Installationsmethoden oder zur Fehlerbehebung befolgen Sie bitte die README-Anweisungen¹². Nach dem Setup sollte die Ordnerstruktur mit der in Abbildung 2 gezeigten Struktur übereinstimmen.
Daten der Punktwolke laden:
1. Öffnen Sie CloudCompare über das Desktop-Symbol oder gehen Sie zu Start | Alle Programme | CloudCompare. Laden Sie die Punktwolkendatei (z. B. *.las/laz-Datei) in CloudCompare, indem Sie sie auf die Leinwand ziehen oder die Schaltfläche Eine oder mehrere Dateien öffnen in der Hauptkonsole verwenden und auf Anwenden klicken (Abbildung 3).
2. Wenn die Punktkoordinaten groß sind, werden Sie gefragt, ob eine globale Verschiebung/Skalierung angewendet werden soll. Wählen Sie Eingabe aus, wodurch die Metadaten aus der .las/laz-Datei gelesen werden, und klicken Sie auf Ja (Abbildung 4). Die Punktwolke wird nun im Zeichenbereich angezeigt.
Öffnen des TreeAIBox-Plug-ins: Öffnen Sie die Symbolleiste des Python-Plug-ins, erweitern Sie die Dropdown-Liste Skriptregister , und klicken Sie auf TreeAIBox , um die Plug-in-GUI zu öffnen (Abbildung 5).
Filtern von Baum- und Bodenpunkten
1. Stellen Sie sicher, dass das Kontrollkästchen GPU verwenden (CUDA) aktiviert ist, wenn eine von CUDA unterstützte GPU verfügbar ist. Wählen Sie im oberen Bereich TreeFiltering aus, wählen Sie ALS aus, wenn Baumstämme in den RPAS-Daten nicht sichtbar sind, deaktivieren Sie die Kachelgröße, wählen Sie "treefiltering_als_esegformer3D_128_15cm(GPU3GB)" aus der Dropdown-Liste "Vordefinierte Modelle " aus (Abbildung 6). Wenn Sie dieses Modell zum ersten Mal verwenden, wird die Schriftfarbe ausgegraut angezeigt. Klicken Sie auf Herunterladen und bestätigen Sie das Popup mit dem lokalen Pfad.
2. Wählen Sie die Punktwolke im Canvas aus (hervorgehoben durch einen Begrenzungsrahmen) und klicken Sie im TreeFilter-Bedienfeld auf Anwenden. Es wird ein neues skalares Feld mit dem Namen treefilter erstellt: Wert = 2 (Baumpunkte, rot) und Wert = 1 (andere Punkte, blau) (Abbildung 7). Bestätigen Sie dies, bevor Sie mit dem nächsten Schritt fortfahren.
Baumkronen erkennen
1. Wählen Sie im oberen Bereich der TreeAIBox die Option TreeisoNet aus, aktivieren Sie Reclamation, ALS (implizit) und TreeLoc, und wählen Sie das vortrainierte Modell aus: 'treeisonet_als_reclamation_treeloc_esegformer3D_
  128_10cm(GPU4GB)" aus der Dropdown-Liste. Vergewissern Sie sich, dass die Punktwolke im Zeichenbereich ausgewählt ist (hervorgehoben durch einen Begrenzungsrahmen), klicken Sie dann auf und dann auf Anwenden (Abbildung 8).
2. Wenn die Verarbeitung abgeschlossen ist, wird ein neues Element mit dem Namen "Baumkronen" unter der ursprünglichen Punktwolke im DB-Baumfenster angezeigt. Wählen Sie diesen Punkt aus und erhöhen Sie die Punktgröße (z. B. auf 16), um die Sichtbarkeit zu verbessern. Vergewissern Sie sich, dass die Positionen der Baumkronen als weiße Punkte auf der Arbeitsfläche angezeigt werden (Abbildung 9).
Segmentierung von Baumkronen
1. Wählen Sie das Baumpunktwolkenelement (rot hervorgehoben) erneut aus (Abbildung 10). Wählen Sie im oberen Bereich der TreeAIBox die Option TreeisoNet aus, und aktivieren Sie TreeOff. Laden Sie das vortrainierte Modell herunter treeisonet_als_reclamation_treeoff
  _esegformer3D_128_10cm(GPU4GB)" (Abbildung 11), falls noch nicht verfügbar, klicken Sie auf Anwenden , um das Modell auszuführen.
2. Es wird ein neuer skalarer Feldbaum erstellt, der jedem Baum eine eindeutige ID zuweist. Punkte aus demselben Baum haben dieselbe ID. Optional können Sie die Größe des Baumkronenpunkts auf die Standardeinstellung zurücksetzen, um die visuelle Unübersichtlichkeit zu reduzieren. Vergewissern Sie sich, dass die Ansicht des Software-Canvas der in Abbildung 12 gezeigten Ansicht ähnelt.
3. Optionale Visualisierung: Zufällige Baumfarben: Um den visuellen Kontrast von segmentierten Bäumen zu verbessern, randomisieren Sie die Baumfarben nach ID. Klonen Sie zunächst die ursprüngliche Punktwolke, um die Daten zu erhalten (Menüpunkt Bearbeiten | Klonen). Gehen Sie dann zu Bearbeiten | Skalare Felder | Konvertieren Sie in zufälliges RGB (Abbildung 13). Geben Sie einen großen Wert ein (z. B. 256000), um sicherzustellen, dass genügend diskrete Farben vorhanden sind, und klicken Sie auf OK. Die Punktwolke zeigt Bäume in zufälligen Farben an (Abbildung 14).
  HINWEIS: Dieser Schritt dient nur der Visualisierung und wirkt sich nicht auf Segmentierungs-IDs aus, überschreibt jedoch RGB-Werte in der geklonten Punktwolke.
Exportieren von Segmentierungsmetriken und -ausgaben: Wählen Sie im oberen Bereich der TreeAIBox die Option TreeisoNet aus und klicken Sie auf Statistiken exportieren, um die Ergebnisse der Baumsegmentierung zu exportieren. Klicken Sie dann auf Open Output Path, um die Ausgabedatei im Ergebnisordner anzuzeigen (Abbildung 15). Die exportierte CSV-Datei enthält segmentierte Baum-IDs, Koordinaten, Baumhöhe und Kronenfläche.
HINWEIS: Damit ist die Datenverarbeitung mit TreeAIBox abgeschlossen.

figure-protocol-1
Abbildung 1: Zugriff auf den TreeAIBox-Plugin-Installer über das GitHub-Repository. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-protocol-2
Abbildung 2: Die Ordnerstruktur mit dem TreeAIBox-Plugin. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-protocol-3
Abbildung 3: Laden der Punktwolkendatei in CloudCompare. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-protocol-4
Abbildung 4: Festlegen einer globalen Verschiebung für die Punktwolke, wenn sie in CloudCompare geladen wird. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-protocol-5
Abbildung 5: Verwenden der Python-Plug-in-Symbolleiste von CloudCompare zum Starten des TreeAIBox-Plug-ins. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-protocol-6
Abbildung 6: Einrichten des TreeFiltering-Panels, um die Baumpunkte von den Bodenpunkten zu trennen. Klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-protocol-7
Abbildung 7: Die Ergebnisse der Trennung der Baumpunkte von den Bodenpunkten. Die Baumpunkte werden in Rot dargestellt, während die Bodenpunkte in Blau dargestellt werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-protocol-8
Abbildung 8: Einrichten des TreeisoNet-Panels zur Erkennung von Baumkronen mit TreeLoc. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-protocol-9
Abbildung 9: Die Ergebnisse der Baumkronenerkennung. Die weißen Punkte stellen die Positionen der Baumkronen dar. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-protocol-10
Abbildung 10: Erneutes Auswählen des Baumpunktwolkenelements vor dem Anwenden des TreeOff-Panels. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-protocol-11
Abbildung 11: Einrichten des TreeisoNet-Panels für die Segmentierung von Baumkronen mit TreeOff. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-protocol-12
Abbildung 12: Die Ergebnisse der Segmentierung der Baumkronen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-protocol-13
Abbildung 13: Einrichten der segmentierten Punktwolke, um die Farben der Bäume entsprechend ihren IDs für einen besseren Grenzkontrast zu randomisieren. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-protocol-14
Abbildung 14: Die Ergebnisse der Randomisierung der Baumfarben. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-protocol-15
Abbildung 15: Extraktion der Baumsegmentierungsergebnisse aus dem TreeisoNet-Panel in eine CSV-Datei. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gemäß dem etablierten Protokoll wurden RPAS-abgeleitete LiDAR- und MS-Daten an drei Studienstandorten gesammelt, die mit jungen Bäumen bepflanzt waren. Diese Standorte wurden ausgewählt, um die Fähigkeit des Modells zu testen, einzelne Bäume unterschiedlicher Höhe zu erkennen. Standort 1 wurde mit Abies balsamea (Balsamtanne) bepflanzt, mit einer durchschnittlichen Höhe von 1,46 m. Standort 2 enthielt Pinus contorta (Lodgepole-Kiefern) mit einer durchschnittlichen Höhe von 2,17 m. Standort 3 enthielt eine Mischung aus kleinen Abies balsamea und Pinus contorta mit einer durchschnittlichen Höhe von nur 0,51 m. Zusätzlich zu den RS-Daten wurde auch der Standort von 224 Referenzbäumen mit einem GNSS-Gerät erfasst.

Nach der Datenerfassung und -verarbeitung wurde das TreeAIBox-Plugin angewendet, um Baumpunkte zu filtern und einzelne Bäume abzugrenzen. Die vom Plug-In erzeugten Ergebnisse sind in Abbildung 16 dargestellt.

figure-results-1
Abbildung 16: Die Verteilung der abgegrenzten Einzelbäume für drei Untersuchungsgebiete (A - Standort 1; B - Standort 2; C - Seite 3), die vom TreeAIBox-Plugin generiert wird. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Insgesamt wurden an den drei Standorten 2.755 einzelne Bäume nachgewiesen. Das Modell identifizierte 1.706 Bäume auf Standort 1 (Abbildung 16A), 882 Bäume auf Standort 2 (Abbildung 16B) und 167 Bäume auf Standort 3 (Abbildung 16C). Die Erkennungsrate für Referenzbäume variierte zwischen den Standorten, wobei 100 % der Referenzbäume für Standort 2, 95 % für Standort 1 und nur 21 % für Standort 3 nachgewiesen wurden, wie in Tabelle 1 dargestellt. Diese Ergebnisse unterstreichen die hohe Leistung des Modells bei der Erkennung von Bäumen > 1 m mit einer Erkennungsrate von 100 % für alle Referenzbäume in diesem Bereich. Bei kürzeren Bäumen nahm die Leistung jedoch ab: Nur 45 % der Referenzbäume zwischen 0,5 und 1 m wurden nachgewiesen, und keiner der Bäume < 0,5 m wurde identifiziert (Tabelle 2).

Platz #	Durchschnittliche Baumhöhe, m (STDEV)	# der Referenzbäume	# der erkannten Referenzbäume	% der erkannten Referenzbäume
1	1.46 (0.45)	75	71	95
2	2.17 (0.4)	74	74	100
3	0.51 (0.17)	75	16	21

Tabelle 1: Referenzbaum-Erkennungsraten nach verschiedenen Standorten.

Bereich der Baumhöhe	# der Referenzbäume	# der erkannten Referenzbäume	% der erkannten Referenzbäume
0 - 0,5 m	41	0	0
0,5 - 1 m	40	18	45
1 - 1,5 m	49	49	100
1,5 - 2 m	42	42	100
> 2 m	52	52	100

Tabelle 2: Referenz-Baumerkennungsraten nach verschiedenen Baumhöhenbereichen.

Ergänzende Datei 1: Workflow für die RPAS-Datenerfassung - Aufgaben vor Ort. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Datei 2: Workflow für die RPAS-Datenerfassung - vor Ort. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Datei 3: Verwendung von GNSS-Einheiten für eine präzise Standortverfolgung. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Datei 4: MS-Datenverarbeitungsverfahren mit Hilfe einerPhotogrammetrie-Software. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Datei 5: Eine Punktwolkenrekonstruktion aus LiDAR-Rohdaten. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Datei 6: Eine LiDAR-Punktwolke und ein MS-Orthomosaik-Alignment, das mit Geodatenwerkzeugen ausgerichtet wurde. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Datei 7: Ein Python-Skript zum Zusammenführen einer LiDAR-Punktwolke und eines MS-Bildes zur Erzeugung einer MS-Punktwolke. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Datei 8: Ein allgemeiner Arbeitsablauf für die Zusammenführung einer LiDAR-Punktwolke und eines MS-Bildes. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Eine der größten Herausforderungen bei der Anwendung von DL auf RS-Daten, insbesondere 3D-Punktwolken, liegt in der Entwicklung ausgewogener und repräsentativer Trainings- und Validierungsdatensätze. Die Wirksamkeit eines DL-Modells hängt weitgehend von der Vielfalt und Qualität der annotierten Daten ab, die während des Trainings^{verwendet werden} 9,10,11,16. Das neuartige 3D-DL-Modell, das in dieser Studie verwendet wurde, wurde anhand von Datensätzen trainiert und validiert, die von mehreren zurückgewonnenen Bohrlöchern innerhalb der borealen Waldzone gesammelt wurden, die durch junge, gepflanzte und sich natürlich regenerierende Vegetation gekennzeichnet sind. Diese Standorte wurden sorgfältig ausgewählt, um ein breites Spektrum von Waldbedingungen abzudecken, einschließlich Variationen in der Baumhöhe, der Stammdichte und der Artenzusammensetzung, um eine breite Verallgemeinerbarkeit des Modells zu gewährleisten. Darüber hinaus war der Trainingsdatensatz zeitlich vielfältig und enthielt RS-Daten, die in drei aufeinanderfolgenden Saisons gesammelt wurden. Diese saisonale Variation war entscheidend für das Training des Modells, um unter verschiedenen Sichtbedingungen des Kronendachs eine zuverlässige Leistung zu erbringen und Änderungen der Laubbedeckung und der strukturellen Komplexität zu berücksichtigen. Die Integration von multisaisonalen und multistrukturellen Daten trug zur Robustheit des Modells bei, insbesondere in seiner Fähigkeit, einzelne Bäume unter wechselnden Lichtbedingungen und phänologischen Stadien zu erkennen.

Ein bemerkenswertes Ergebnis dieser Studie war, dass die Einbeziehung von MS- oder RGB-Daten zusammen mit LiDAR die Genauigkeit der Baumerkennung oder Kronensegmentierung innerhalb des TreeAIBox-Workflows nicht signifikant verbesserte. Dies deutet darauf hin, dass die geometrischen Eigenschaften von LiDAR-Punktwolken, wie z. B. die Kronenform und die räumliche Anordnung, die Haupttreiber für eine effektive Baumerkennung und -segmentierung sind, insbesondere in Umgebungen mit junger oder spärlicher Vegetation. Spektraldaten zeigten jedoch ihren Wert in komplementären Anwendungen, wie z. B. der Artenklassifizierung, bei der MS-Bilder die Unterscheidung von Nadel- und Laubbäumen verbesserten.

Ein kritischer Faktor, der den Erfolg der Erkennung und Segmentierung einzelner Bäume im TreeAIBox-Workflow beeinflusst, ist die Qualität der Eingabepunktwolke. Für eine optimale Leistung sind LiDAR-Daten mit sehr hoher Dichte erforderlich, die in der Regel mehr als 1.000 Punkte pro Quadratmeter betragen. Moderne RPAS-basierte LiDAR-Systeme können diese Dichte durch optimierte Flugparameter wie niedrige Höhen und hohe Flugüberlappungen erreichen. Während TreeAIBox in der Lage ist, Punktwolken mit geringerer Dichte zu verarbeiten, kann eine reduzierte Punktdichte die Erfassung struktureller Details einschränken. Dies führt oft zu einer verminderten Erkennungs- und Segmentierungsgenauigkeit, insbesondere bei kleineren Bäumen, bei denen Kronen- und Stammmerkmale unterrepräsentiert sein können.

Der TreeAIBox-Workflow verbessert die Effizienz und Automatisierung im Vergleich zu herkömmlichen oder manuellen Segmentierungsmethoden mit messbaren Indikatoren aus unserer Validierung von wiedergewonnenen Bohrlöchern. Die Verarbeitungszeiten für die Erkennung von Baumkronen und die Segmentierung von Kronen betragen durchschnittlich 5-10 Minuten pro Standort auf einer Standard-GPU (z. B. NVIDIA RTX 3060), im Vergleich zu Stunden für die manuelle Abgrenzung in Software wie CloudCompare. Die Automatisierung wird durch die GUI des Plugins erreicht, die Befehlszeilen-Scripting und Abhängigkeiten eliminiert und es Nicht-Experten ermöglicht, End-to-End-Analysen mit minimalem Aufwand durchzuführen. In der Praxis reduzierte sich dadurch eine 1 Hektar große Bohrlochanalyse von 5-8 h (manuelle Methoden) auf unter 30 min. Der Rückgriff auf den CPU-Modus gewährleistet die Zugänglichkeit ohne High-End-Hardware, obwohl die GPU-Beschleunigung die Zeiten um das 3- bis 5-fache verkürzt. Diese Effizienz ermöglicht eine häufige Überwachung und unterstützt skalierbare Anwendungen in der Forstwirtschaft bei gleichzeitig hoher Genauigkeit.

Eine spezifische Einschränkung, die in dieser Studie beobachtet wurde, war die verminderte Fähigkeit des Modells, Bäume < 1,0 m zu erkennen. Während die Erkennungsraten für Bäume > 1,0 m hoch waren und 100 % Referenzbäume in diesem Höhenbereich korrekt identifiziert wurden, verschlechterte sich die Leistung bei kleineren Bäumen erheblich (Tabelle 2). Diese Einschränkung ist wahrscheinlich auf mehrere Faktoren zurückzuführen. Erstens erschwert eine geringere LiDAR-Punktdichte in Bodennähe, insbesondere unter geschlossenen Kronen, in Kombination mit einer dichten krautigen Bedeckung die Erkennung von feinräumigen strukturellen Details, die mit kleinen Bäumen verbunden sind. Darüber hinaus verhindert die durch höhere Vegetation verursachte Okklusion oft, dass ausreichende Punktrenditen Unterholzbäume erreichen, was eine bekannte Fehlerquelle bei solchen Anwendungen darstellt^10,16. Der Algorithmus kann auch subtile morphologische Merkmale wie dünne Baumführer nicht erfassen oder dicht gedrängte Bäume fälschlicherweise als einzelnes Objekt klassifizieren. Die Bewältigung dieser Herausforderungen kann die Optimierung von LiDAR-Erfassungsparametern umfassen, wie z. B. die Anpassung der Flughöhe oder des Scanwinkels, um die Sicht am Boden zu verbessern, sowie die Verfeinerung der Segmentierungsmethoden, um verdeckte und spärliche Daten besser verarbeiten zu können.

Trotz dieser Einschränkungen ist die vorgeschlagene Methode vielversprechend für die Anwendung nach der Rekultivierung und Wiederaufforstung. RPAS-basierte RS bietet in Kombination mit 3D-DL-Algorithmen eine skalierbare, kostengünstige und hochauflösende Lösung für die Verfolgung der Vegetationserholung im Laufe der Zeit, insbesondere in Gebieten, die durch industrielle Aktivitäten wie die Öl- und Gasförderung gestört werden. Die Möglichkeit, einzelne Bäume zu erkennen, ihre Höhe zu schätzen und die räumliche Verteilung zu bewerten, bietet aussagekräftige Einblicke in die Regeneration von Standorten und die Einhaltung von Rekultivierungsstandards. Darüber hinaus kann diese Methode adaptive Managementstrategien unterstützen, indem sie ein häufiges, nicht-invasives Monitoring ermöglicht, das die saisonale und strukturelle Dynamik der sich erholenden Ökosysteme erfasst. Da Renaturierungsprojekte zunehmend langfristige, feinskalige Daten zur Bewertung der ökologischen Erholung benötigen, bietet dieser Ansatz ein leistungsstarkes und praktisches Werkzeug für Waldbewirtschafter und Forscher, die die Vegetationsleistung in komplexen, heterogenen Landschaften bewerten möchten.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren haben keine Interessenkonflikte offenzulegen.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Finanzierung dieser Forschung wurde vom Office of Energy Research and Development CFS-23-101 bereitgestellt. Die Autoren danken Philip Hoffman, Daniels Kononovs und Elizabeth Friel für ihre Unterstützung auf diesem Gebiet.

Materials

List of materials used in this article
Name	Company	Catalog Number	Comments
Avenza Maps App	Avenza	NA	Für die Offline-Feldnavigation mit georeferenzierten PDFS-Karten, die in QGIS erstellt wurden
Zielscheiben	Jeder Anbieter	NA	Bodenkontrollpunkte
CloudCompare	CloudCompare	NA	3D-Punktwolkenverarbeitungs- und Bearbeitungssoftware
DJI BS60 Batteriestation (mit den M300-Akkus (x8), D-RTK2-Batterien (x4), Stromkabel und USB-C-Kabel zum Anschluss an die Fernbedienung)	DJI	NA
DJI M300 RTK-Flugzeug mit DLS (mit Steuerung und Ersatzpropellern)	DJI	NA	DLS (Downwelling Light Sensor)
DJI Terra Pro	DJI	NA	Rekonstruktion der Roh-LiDAR-Daten in 3D-Punktwolken.
DJI Zenmuse L1 LiDAR-Sensor (mit microSD-Karte)	DJI	NA
D-RTK2 Mobilstation (mit Stativ und Verlängerungsstange)	DJI	NA
Emlid Reach RS2+ Basisstation (mit Stativ)	Emlid	NA
Emlid Reach RS2+ Rover (mit GNSS-Vermessungsmast)	Emlid	NA
Externe Festplatten	Jeder Anbieter	NA	Um Daten zu sichern
Fluglogbuch	Jeder Anbieter	NA
Google Earth Pro	Googeln	NA	Erstellung von KML-Flugdateien
Landeplatz	Jeder Anbieter	NA	Um ein Flugzeug zu starten oder zu landen
Laptop	Jeder Anbieter	NA	Für das Herunterladen von Daten, zum Formatieren von Karten usw. im Außendienst.
MicaSense RedEdge-P Sensor (mit MicaSense SD-Karte, USB-C-Kabel, MicaSense kalibriertem Reflektionspanel (CRP))	MicaSense	NA
PIX4Dmapper	Pix4D S.A.	NA	Geometrische und radiometrische Korrektur multispektraler Bilder und Orthomosaikerzeugung.
Pneumometer	Jeder Anbieter	NA
PyCharm	JetBrains s.r.o.	NA	Python integrierte Entwicklungsumgebung (IDE)
QGIS	QGIS	NA	Verarbeitung, Bearbeitung und Visualisierung von georäumlichen Daten
SD- und microSD-Kartenleser	Jeder Anbieter	NA
Smartphone	Jeder Anbieter	NA	Zur Verbindung mit MicaSense RedEdge-P Sensoren und Emlid Reach RS2+ Geräten
Sternlatten/Nägel, Hammer und Flaggband	Jeder Anbieter	NA	Zur Markierung des Standorts der D-RTK2-Basisstation
Tablette	Jeder Anbieter	NA	Zur Navigation im Feld
TreeAIBox (CloudCompare Plugin)		NA
Zwei-Wege-Funk	Jeder Anbieter	NA
Arbeitsstation (CPU i5 oder neuer, CUDA-fähige NVIDIA GPU mit VRAM & 4 GB, RAM & 32 GB, SSD & 512 GB & nbsp;	Jeder Anbieter	NA

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

https://www.aer.ca/data-and-performance-reports/data-hub/well-status (2025).">Well status. , Alberta Energy Regulator. https://www.aer.ca/data-and-performance-reports/data-hub/well-status (2025).
https://www.ducks.org/conservation/where-ducks-unlimited-works/western-boreal-forest--canada (2023).">Western boreal forest - Canada. , Ducks Unlimited. https://www.ducks.org/conservation/where-ducks-unlimited-works/western-boreal-forest--canada (2023).
Assessing ecological recovery of reclaimed well sites: a case study from Alberta, Canada. Front. For. Glob. Change. 5, 849246(2022).">Baah-Acheamfour, M., Dewey, M., Fraser, E. C., Schreiber, S. G., Schoonmaker, A. Assessing ecological recovery of reclaimed well sites: a case study from Alberta, Canada. Front. For. Glob. Change. 5, 849246(2022).
https://open.alberta.ca/publications/1657667/resource/77e66fa1-f7ee-44ad-8c68-234854d38d44 (2013).">2010 reclamation criteria for wellsites and associated facilities for forested lands (Updated July 2013). , Environment and Sustainable Resource Development. https://open.alberta.ca/publications/1657667/resource/77e66fa1-f7ee-44ad-8c68-234854d38d44 (2013).
UAV and satellite synergies for optical remote sensing applications: a literature review. Sci. Remote Sens. 3, 100019(2021).">Alvarez-Vanhard, E., Corpetti, T., Houet, T. UAV and satellite synergies for optical remote sensing applications: a literature review. Sci. Remote Sens. 3, 100019(2021).
Use of unmanned aerial vehicles for monitoring recovery of forest vegetation on petroleum well sites. Remote Sens. 9 (5), 413(2017).">Hird, J., et al. Use of unmanned aerial vehicles for monitoring recovery of forest vegetation on petroleum well sites. Remote Sens. 9 (5), 413(2017).
Fundamental practices for drone remote sensing research across disciplines. Drone Syst. Appl. 11, 1-22 (2023).">Mathews, A. J., Singh, K. K., Cummings, A. R., Rogers, S. R. Fundamental practices for drone remote sensing research across disciplines. Drone Syst. Appl. 11, 1-22 (2023).
A review on unmanned aerial vehicle remote sensing: platforms, sensors, data processing methods, and applications. Drones. 7 (6), 398(2023).">Zhang, Z., Zhu, L. A review on unmanned aerial vehicle remote sensing: platforms, sensors, data processing methods, and applications. Drones. 7 (6), 398(2023).
Tree height-growth trajectory estimation using uni-temporal UAV laser scanning data and deep learning. Forestry. 96 (1), 37-48 (2023).">Puliti, S., McLean, J. P., Cattaneo, N., Fischer, C., Astrup, R. Tree height-growth trajectory estimation using uni-temporal UAV laser scanning data and deep learning. Forestry. 96 (1), 37-48 (2023).
Instance segmentation of individual tree crowns with YOLOv5: a comparison of approaches using the ForInstance benchmark LiDAR dataset. ISPRS Open J. Photogr. Remote Sens. 9, 100045(2023).">Straker, A., et al. Instance segmentation of individual tree crowns with YOLOv5: a comparison of approaches using the ForInstance benchmark LiDAR dataset. ISPRS Open J. Photogr. Remote Sens. 9, 100045(2023).
Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning. Remote Sens. Environ. 305, 114078(2024).">Xiang, B., et al. Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning. Remote Sens. Environ. 305, 114078(2024).
https://github.com/NRCan/TreeAIBox (2025).">TreeAIBox CloudCompare Plugin. , https://github.com/NRCan/TreeAIBox (2025).
A new unified framework for supervised 3D crown segmentation (TreeisoNet) using deep neural networks across airborne, UAV-borne, and terrestrial laser scans. ISPRS Open J. Photogr. Remote Sens. 15, 100083(2025).">Xi, Z., Degenhardt, D. A new unified framework for supervised 3D crown segmentation (TreeisoNet) using deep neural networks across airborne, UAV-borne, and terrestrial laser scans. ISPRS Open J. Photogr. Remote Sens. 15, 100083(2025).
The implementation of precise point positioning (PPP): a comprehensive review. Sensors. 23 (21), 8874(2023).">Elsheikh, M., Iqbal, U., Noureldin, A., Korenberg, M. The implementation of precise point positioning (PPP): a comprehensive review. Sensors. 23 (21), 8874(2023).
https://www.cloudcompare.org/ (2024).">CloudCompare. , https://www.cloudcompare.org/ (2024).
SegmentAnyTree: a sensor and platform agnostic deep learning model for tree segmentation using laser scanning data. Remote Sens. Environ. 313, 114367(2024).">Wielgosz, M., Puliti, S., Xiang, B., Schindler, K., Astrup, R. SegmentAnyTree: a sensor and platform agnostic deep learning model for tree segmentation using laser scanning data. Remote Sens. Environ. 313, 114367(2024).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Sammeln und Verarbeiten von drohnenbasierten Fernerkundungsdaten für den Einsatz in der Überwachung der Walderholung

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

References

Reprints and Permissions

Tags

Related Articles