Halbautomatisierte Methode zur Kartierung und Klassifizierung borealer Küstenfeuchtgebieten-Pflanzengemeinschaften mithilfe von Drohnen- und Bodendaten

Zusammenfassung

Das Protokoll besteht aus vier integrierten Phasen: Untersuchung von unbemannten Luftfahrzeugen (UAV), Erhebung von Bodenwahrheitsdaten, Berechnung des Vegetationsindex sowie KI-unterstützte Klassifikation und Kartierung von Pflanzengemeinschaften an Küstenfeuchtgebieten. Das Ergebnis ist ein mehrschichtiger georäumlicher Datensatz, der Anwendungen in Ökologie, Umweltüberwachung und Entscheidungsfindung für den Schutz und das Management von Küstenfeuchtgebieten unterstützt.

Zusammenfassung

Die halbautomatisierte Kartierung von Pflanzengemeinschaften überbrückt die Lücke zwischen traditionellen ökologischen Erhebungen und moderner, KI-unterstützter Ökosystemüberwachung und ermöglicht Standortuntersuchungen sowie Überwachung in bisher unerreichbaren Maßstäben und Geschwindigkeiten. Küstenfeuchtgebiete, die von niedrig wachsenden krautigen Pflanzen dominiert werden, erfordern eine drohnenbasierte (unbemanntes Luftfahrzeug, UAV) photogrammetrische Untersuchung, um eine höhere räumliche Auflösung und größere Flexibilität im Zeitplan zu erreichen. Dieses Protokoll besteht aus vier Phasen, nämlich UAV-basierter Luftvermessung, Sammlung und Georeferenzierung von Ground-Truth-Daten, Berechnung des Vegetationsindexes und überwachter Klassifikation mit dem Zufallswald-(RF)-Algorithmus in R (d. h. KI-unterstützte, halbautomatisierte Kartierung der Pflanzengemeinschaftsverteilungen mittels maschineller Lernklassifikation). Wichtige R-Pakete sind terra, sp, sf, rgdal, raster, rsample, MLmetrics und randomForest. Der Schwerpunkt liegt in der zweiten Phase auf einer traditionellen ökologischen Untersuchungsmethode – der stratifizierten Quadrat-Bodenprobennahme. Bodenprobenbildung dient als Bodenwahrheitsanalyse und liefert empirische Belege, um die Genauigkeit und Zuverlässigkeit des Endkartenprodukts sicherzustellen. Zwei weit verbreitete UAV-montierte Sensortypen wurden getestet: ein Multispektralsensor und eine RGB-Kamera, die 19 multispektrale und 27 RGB-basierte Indizes sowie ein RGB-abgeleitetes digitales Oberflächenmodell (DSM) ergaben. Pflanzengemeinschaften wurden an einem Fallstudienstandort an der Ostseeküste kartiert, und folgende Ergebnisse der Algorithmusleistung wurden erzielt: Mit dem multispektralen Datensatz erreichte das Modell eine Gesamtgenauigkeit von 92,3 % mit einem Out-of-Bag-Fehler (OOB) von 7,75 %; im Vergleich dazu erreichte der RGB-Datensatz eine Genauigkeit von über 98 % bei einem OOB-Fehler von 1,14 %. Diese Ergebnisse unterstreichen die Eignung beider Sensortypen. Jede Phase des Protokolls erzeugt georeferenzierte Datensätze. Diese können zu einem Layered Geographical Information System (GIS) Project mit eingebetteten biophysikalischen Feldbeobachtungen zusammengefasst werden, das als Grundlage für komplexe Ökosystemforschung dient, wie ökologische Modellierung zur Vorhersage von Auswirkungen und Veränderungen. In der Praxis kann dieses GIS-Projekt als historisches Dokument für Landbedeckung dienen und das Management, die Planung der Umweltsanierung und die Überwachung unterstützen.

Einleitung

Das Ziel dieses Protokolls ist es, einen praktischen, schrittweisen Workflow bereitzustellen, der drohnenbasierte (d. h. unbemannte Luftfahrzeuge [UAV]-basierte) photogrammetrische Untersuchungen mit biophysikalischen Beobachtungen vor Ort als Bodenwahrheitsdaten kombiniert, um eine Karte der Pflanzengemeinschaften in Küstenfeuchtgebieten zu erstellen. Die endgültige Ausgabe, eine Landbedeckungskarte, wird durch einen halbautomatisierten maschinellen Lernprozess (Random Forest [RF]-Algorithmus^{) erstellt}.

Eine Pflanzengemeinschaftskarte ist ein wesentlicher Datensatz in der ökologischen Modellierung von Feuchtgebieten, da sie komplexe Vegetationsmuster in eine räumlich explizite, pixelbasierte Darstellung der Lebensraumstruktur verwandelt. Dieser Basisdatensatz ermöglicht die Modellierung ökologischer Prozesse (z. B. Biomasseverbreitung, Arteninteraktionen, öko-hydrologische Reaktionen, Nährstoffzyklen) über eine Landschaft ^2,3,4.

Zusätzlich zur Karte der Pflanzengemeinschaft erzeugt die Befolgung der Schritte dieses Protokolls eine Sammlung geospatialer Daten. Als Geographisches Informationssystem (GIS)-Projekt gespeichert, kann der Datensatz in ein GIS integriert, geteilt und für weitere Ökosystemanalysen und Entscheidungsfindungen zur Unterstützung der Managementplanung und Umweltüberwachung verwendet werden.

Bei dieser Methode liefert eine UAV-Vermessung eine RGB-Karte (d. h. Rot, Grün, Blau, die drei Primärfarben) und/oder eine multispektrale, geometrisch genaue Orthomosaikkarte sowie ein digitales Oberflächenmodell (DSM), die alle als Basisdaten ^5,6 dienen. Diese Daten werden verwendet, um Vegetationsindizes (VIs) mithilfe von orthomosaikbasierten Karten als Eingaben für den Rechner der GIS-Software zu berechnen. Um die endgültige Ausgabekarte zu erstellen, dienen VIs als Pixel-Prädiktorvariablen für RF und wandeln die rohen spektralen Informationen des Orthomosaiks in strukturierte Eingaben für die Klassifikation ^7,8 um. Da VIs mathematische Kombinationen von Spektralbändern sind, die Vegetationseigenschaften hervorheben, die von Pflanzen und Licht⁷ reflektiert werden, können VIs als unabhängige Daten in der Ökologie verwendet werden, um Lebensraumqualität und Biodiversität zu überwachen und ökologische Modellierungen ^8,9 zu unterstützen. Daher werden VIs als Rasterkarten gespeichert und in ein GIS-Projekt eingebunden.

Um Pflanzengemeinschaften in einer KI-unterstützten Umgebung zu klassifizieren und zu kartieren, müssen ferngesteuerte Datensätze (z. B. UAV-Surveykarten, DSM und VIs) mit georeferenzierten biophysikalischen Beobachtungen vor Ort kombiniert werden, um ökologische Zuverlässigkeit, Reproduzierbarkeit und sinnvolle Interpretation sicherzustellen¹⁰. Solche Felddaten dienen als Grundwahrheit für den RF-Algorithmus, um Pixeldaten von Lebensraum-Vegetations-Abdeckung in VIs zu klassifizieren und die Verteilung der Pflanzengemeinschaften über ein Studiengelände vorherzusagen (z. B. zur Erstellung einer Pflanzengemeinschaftskarte)¹¹. Neben der Funktion als Ground-Truth-Datensatz für maschinelles Lernen bieten georeferenzierte Beobachtungen eine Möglichkeit, biophysikalische Beobachtungen im GIS zu verankern. So funktioniert der ökologische Datensatz als Attributtabelle, die als Umweltvariablen für die Ökosystemmodellierung^12,13 verwendet werden kann. Vor-Ort-Daten sind wertvoll, um die ökologischen Bedingungen eines Lebensraums nachzuweisen, da sie direkt innerhalb der tatsächlich untersuchten Umgebung gesammelt werden und so eine realistische und unmittelbare Einschätzung spezifischer Bedingungen liefern¹⁴.

Küstenfeuchtgebiete sind energiearme Lebensräume in geschützten Küstenbereichen. Feuchtgebiete-Ökosysteme sind entlang der Küsten von sechs Kontinenten verteilt, ohne die Antarktis, und spielen weltweit eine entscheidende ökologische Rolle, mit Ausnahme der eisbedeckten Landschaften in den extremen Polarregionen¹⁵. Das weltweite Bevölkerungswachstum und die Industrialisierung, die Küstenverteidigung sowie die Intensivierung landwirtschaftlicher Praktiken haben erhebliche Auswirkungen auf Küstenfeuchtgebiete und verursachen Fragmentierung und Verschlechterung^16,17. Diese Belastungen machen Küstenökosysteme weltweit zu einer Priorität für ökologische Wiederherstellung und Naturschutz¹⁸.

Umweltüberwachung und Ökosystemmodellierung von Küstenlebensräumen erleichtern die Bewertung der Ökosystemgesundheit, die Identifizierung zeitlicher Veränderungen und die Bewertung von Wiederherstellungsergebnissen¹⁹. Dennoch kann eine effektive Überwachung durch die dynamische Natur dieser Ökosysteme, ihre eingeschränkte Zugänglichkeit und die erheblichen Kosten der Datenerhebung in komplexen, oft abgelegenen Gezeitenzonen behindert werden. In dynamischen, schwer zugänglichen Lebensräumen liefert die Vegetation oft das klarste, stabilste Signal für ökologischen Wandel¹⁸.

Da Vegetation eine grundlegende Grundlage für die Lebensraumbildung ist, bietet die Klassifikation von Pflanzengemeinschaften und die Kartierung ihrer Verbreitung eine entscheidende Grundlage für ökologische Bewertung und Lebensraumprozessmodellierung 20,21,22. Küstenfeuchtgebiete sind stark heterogene Systeme, die über kurze Entfernungen hinweg erhebliche Variationen in Höhe, Salzgehalt, Vegetationsstruktur, Hydrologie und Sedimenteigenschaften aufweisen. Aufgrund dieser Komplexität beinhaltet das Protokoll geschichtete Quadrat-Probenahmen²³ (mindestens zehn 1 m × 1 m Quadrat-Proben pro Pflanzengemeinschaft), was nicht nur vorteilhaft, sondern auch methodisch unerlässlich ist, um repräsentative Ökosystemmodelle und Landbedeckungskarten^{zu erstellen 24,25}.

Zur Veranschaulichung dieser Methodik wurde eine Fallstudie an einem Mikrotidalmarsch auf der Insel Hiiumaa im westestnischen Archipel der Ostsee durchgeführt (Abbildung 1). Die Küstenlandschaft der Ostsee, einschließlich Marschen in Sedimentansammlungszonen auf mehr als 100.000 Inseln innerhalb der Archipele, wird mit unterschiedlichen Intensitätsstufen^{von 26} verwaltet. Für den Schutz und die Wiederherstellung der Biodiversität werden baltische boreale Küstenfeuchtgebiete als halbnatürliche Grasländer^27,28 erhalten. Solche feuchten Grasflächen haben regionalen Landschaftskulturerbewert, und einige, darunter die Fallstudienstätte, sind Teil des Natura-2000-Netzwerks von Schutzgebieten. In solchen Gebieten werden Küstenwiesen zur Erhaltung niedrig wachsender Vegetation, die eine größere Biodiversität unterstützt und Lebensräume für Wildtiere wie Watvögeln^bietet, ausgedehnt und/oder saisonal gemäht, um offene Grasländer zu erhalten und zu verhindern, dass sie von ausgedehnten Arten wie Phragmites australis³⁰ überholt werden. In borealen Küstenregionen umfassen die im Rahmen von Naturschutzmaßnahmen bewirtschafteten Feuchtgebiete typischerweise vier wichtige Pflanzengemeinschaften: Open Pioneer (OP), Lower Shore (LS), Upper Shore (US) und Tall Grass (TG)³¹. Alle vier finden am ausgewählten Fallstudienstandort statt. Gefäßpflanzenarten dominieren feuchte Küstengrasländer. Die OP-Indikatorarten sind Halophyten: Salicornia europaea (häufigste Höhenspanne 3–30 cm) und Suaeda maritima (10–50 cm). Der LS wird von Glaux maritima (3–25 cm) und Juncus geradii (25–75 cm) dominiert. US-Indikatorarten sind Festuca rubra (15–90 cm) und Leontodon autumnalis (10–80 cm), und dominante Gräser identifizieren TG: Deschampsia cespitosa (30–120 cm), Elytrigia repens (30–120 cm) und Molinia caerulea (50–180 cm). Darüber hinaus gehören typische Küstenfeuchtgebiete in dieser Klimazone: Spergularia marina (5–30 cm), Plantago maritima (10–30 cm), Triglochin maritima (15–70 cm) und Agrostis stolonifera (15–30 cm), die in verschiedenen Gemeinschaften vorkommen.

Küstenfeuchtgebiete zeichnen sich durch ihre niedrigen Relieflandschaften mit subtilen mikrotopografischen Variationen wie Senken und Hügeln aus, die die Verbreitung der Pflanzengemeinschaften beeinflussen. Diese Landschaftsmerkmale entstehen natürlich durch Prozesse wie Sedimentablagerungen bei Überschwemmungen, Sturmfluten und Gezeitenströmungen³². Diese Merkmale haben oft keine deutlichen Signaturen, die durch grobe Luftaufnahmen erkennbar sind, aber die Artenzusammensetzung spiegelt spezifische spektrale Reaktionen wider, die aufgezeichnet und klassifiziert werden können³³. Häufig liefert Satelliten- und Flugzeug-Luftbildkartierung die georäumlichen Daten, die für umfangreiche Ökosystemvermessungen und -modellierungen benötigt werden, um Überwachung und Bewertung^{zu unterstützen 34,35}. Allerdings ist eine auf Drohnen basierende Kartierung von Drohnen in niedriger Höhe unerlässlich, um Küstengrasland effektiv zu vermessen. Dieser Ansatz liefert hochauflösende Daten und liefert eine detailliertere photogrammmetrische Aufzeichnung von Landschaftsmerkmalen, einschließlich Vegetationsverteilungsmuster und Vegetationshöhenmodelle, die aus einem Digital Surface Model (DSM) abgeleitet sind, und verbessert somit die Klassifikationsgenauigkeit³.

Im Vergleich zu alternativen Ansätzen ermöglichen UAV-Arbeitsabläufe flexible Zeitpläne, um phänologische Phasen anzupassen, Wolkeninterferenzen zu minimieren und strukturelle Details zu erfassen, die von Satelliten^36,37 nicht verfügbar sind. In Kombination mit maschinellem Lernen (z. B. Random Forest) unterstützen UAV-Daten automatisierte Mustererkennung, Objektklassifikation und das Extrahieren wertvoller Erkenntnisse aus komplexen Datensätzen, die für Menschen überwältigend^wären. Allerdings bleibt die Sampling vor Ort für überwachtes Lernen unverzichtbar, da sie verifizierte Labels für das Training und die Bewertung von Modellen bereitstellt und sicherstellt, dass die Modelle korrekte Muster lernen und ihre Leistung robust und zuverlässig ist 11,39,40.

Dieses Protokoll ist für Ökosysteme mit niedrig wachsenden Pflanzengemeinschaften konzipiert, die für die Probenahme vor Ort zugänglich sind. Der Arbeitsablauf ist in vier verschiedene Phasen unterteilt (Abbildung 2): (1) UAV-basierte Luftvermessung, (2) Erhebung und Georeferenzierung von Ground-Truth-Daten, (3) Berechnung des Vegetationsindexes und (4) überwachte Klassifikation mit Random Forest in der Open-Source-Statistikumgebung R. Das Protokoll wurde mit RStudio mit folgenden Schlüsselpaketen implementiert: terra, sp, sf, rgdal, raster, rsample, MLmetrics und randomForest.

Protokoll

HINWEIS: Die folgenden Schritte beschreiben einen detaillierten Arbeitsablauf (siehe Abbildung in Abbildung 3) zur Kartierung und Klassifizierung von Pflanzengemeinschaften in Küstenfeuchtgebieten. Dieses Protokoll kann entweder mit einem UAV-montierten Multispektralsensor oder einer RGB-Kamera nachgebildet werden. Das Abschließen dieses Protokolls wird mehrere Tage dauern. Daher ist die Methodik in vier Phasen unterteilt, mit optionalen Pausen. Die vorgeschriebene Sequenz wird empfohlen, da die Ergebnisse der vorherigen Phase die Ausführung der nächsten unterstützen. Die ersten drei Phasen erzeugen Datensätze, die als Eingaben für die Endphase dienen.

1. UAV-basierte Luftvermessung

1. Beschaffen und überprüfen Sie wichtige Vorsichtsmaßnahmen für UAV-Betreiber, lokale Vorschriften sowie die Handbücher für Drohnenhardware und -software.
   1. Sicherstellen, dass der Pilot sicher, legal und professionell funktioniert; alle erforderlichen Zertifizierungen oder Lizenzen für die Einsatzregion zu besitzen; und vollständig auf das spezifische Drohnenmodell sowie den Einsatz von montierten Sensoren/Kameras und den Missionsworkflow geschult sein. Konsultieren Sie den staatlichen oder regionalen Regulierungsrahmen für den Erwerb von UAV-Versicherungen.
   2. Identifizieren Sie die Luftraumklassifizierung für das Einsatzgebiet und holen Sie die erforderlichen Genehmigungen ein. Respektieren Sie Höhenbegrenzungen, Flugverbotszonen und Annäherungsbeschränkungen rund um Flughäfen, Infrastruktur und bewohnte Gebiete. Aus Umwelt- und Wildtiergründen sollten Sie saisonale Beschränkungen (z. B. Brutzeiten) einhalten und Umweltvorschriften für geschützte Landschaften, Feuchtgebiete, Natura-2000-Gebiete und andere Schutzgebiete einhalten.
   3. Benachrichtigen Sie bei Bedarf lokale Gemeinschaftsmitglieder oder Interessengruppen, um Genehmigungen zu erhalten und Missverständnisse zu vermeiden. Klarstellen Sie Datenschutzregeln, wenn Luftaufnahmen Personen, Privateigentum oder Fahrzeuge einfangen dürfen, indem allen klar wird, dass der Drohnenflug dazu dient, Pflanzengemeinschaften für die Forschung zu kartieren, und dass alle zusätzlichen Daten, die Datenschutzgesetzen unterliegen, vertraulich bleiben.
      HINWEIS: Eine Benachrichtigung ist in der Regel erforderlich, wenn nationale oder regionale Vorschriften eine vorherige Kommunikation für Drohnenoperationen vorschreiben.
   4. Befolgen Sie alle Herstellerrichtlinien für Montage, Wartung und Betrieb der Drohne und der montierten Sensoren; Diese Einhaltung gewährleistet einen sicheren Betrieb und schützt die Integrität der Geräte. Beachten Sie bei der Auswahl von Sensoren/Kameras die maximalen Windgrenzen (9 m/s, einschließlich Böen), die Temperaturbereiche (Min. 0 °C; Max. 35 °C) und die Nutzlastkapazitäten. Batterien gemäß den Anweisungen des Herstellers und den Vorschriften zur Flugsicherheit zu lagern und zu transportieren.
2. Entwickle eine UAV-Flugmission.
   HINWEIS: Um dieses Protokoll umzusetzen, wurde das eBee X Starrflügel-UAV-System verwendet, ausgestattet mit dem Multispektral- und RGB-Sensor sowie der Flugmanagementsoftware. Konsultieren Sie immer das Herstellerhandbuch, wenn Sie ein UAV verwenden.
   1. Offene Flugmanagement-Software vorinstalliert auf einem Laptop. Auf der Begrüßungsseite, unter dem Reiter Neue Mission , wähle die Kamera aus (in diesem Fall: Sequoia), gib einen beschreibenden Missionstitel ein (z. B. den Namen des Studienortes) ein und wähle Mission erstellen. Das Missions-Panel öffnet sich automatisch, und die Satellitenkarte erscheint in der Hauptansicht.
   2. Auf der Satellitenkarte verwenden Sie den Cursor, um zu zoomen, zu schwenken und zum ungefähren Standort des Untersuchungsstandorts zu navigieren. Im Reiter Arbeitsbereich wählen Sie Arbeitsbereich platzieren und positionieren Sie den Cursor nahe der Mitte des Studienstandorts und klicken. Ein Kreis erscheint, der den Arbeitsbereich darstellt; Passen Sie die Größe an, indem Sie den Radius erhöhen oder verringern.
   3. Im Missionsfeld klicken Sie auf den Reiter Start- und Landereiter . Klicken Sie dann auf "Neuer Start hinzufügen", navigieren Sie mit dem Cursor auf der Satellitenkarte zum gewünschten Startpunkt und klicken Sie, um einen neuen Startpunkt festzulegen. Danach klickst du auf Neues Zuhause hinzufügen, wählst Lineare Landung, navigiere mit dem Cursor auf der Karte zum gewünschten UAV-Lande-/Rückkehrpunkt und klickst auf Festlegen.
      HINWEIS: Bei der Missionsplanung verwenden Sie die Satellitenkarte und Messwerkzeuge der Software, um optimale Lande- und Startflächen zu finden, da eine hindernisfreie Landebahn erforderlich ist. Einige Starrflügel-UAVs haben keinen vertikalen Start und erfordern einen allmählichen Steigflug zur Höhe während des Starts sowie einen allmählichen Abstieg. Solche UAVs benötigen eine Landebahn von 200–300 m Länge und 75 m Breite.
   4. Im Missionsfeld wählen Sie den Reiter Missionsblöcke . Klicke auf Missionsblock hinzufügen und wähle dann horizontale Zuordnung aus. Im Kamera-Dropdown-Menü wählen Sie Sequoia und im obigen Plan Höhendaten – EAD. Das Voreinstellungsmenü erscheint mit Tabs mit verstellbaren Werten: Auflösung 10 cm/px, seitliche Überlappung 75 % und longitudinale Überlappung 80 %, was zu einer Flughöhe von 106,1 m/AED führt (diese automatisierten Werte wurden für die UAV-Vermessung ausgewählt).
   5. Platzieren Sie den Cursor auf der Satellitenkartenansicht und zeichnen Sie ein Polygon um das Studiengebiet herum, indem Sie mit der linken Maustaste verstellbare Eckpunkte rund um die Vermessungsstätte hinzufügen. Um abzuschließen, klicken Sie mit der rechten Maustaste, um die potenzielle Flugroute der Drohne auf der Karte anzuzeigen.
      HINWEIS: Um dieses Protokoll umzusetzen, wurde das Vermessungsgebiet auf 40 ha mit einer Flugzeit von 32 Minuten geschätzt.
   6. Im Missionspanel , im Tab Sicherheitsmaßnahmen , stellen Sie sicher, dass die folgenden Aktionen ausgewählt sind. Für die Rückkehr nach Hause: Wenn starker Wind festgestellt wird, die Kamera einen Fehler meldet, bei wenig Licht (oder Objektivkappe eingeschaltet ist), wenn die Ausdauer gering ist, wenn die GNSS-Genauigkeit nachlässt, wenn die Bodenmodemverbindung für 300 Sekunden verloren geht (kann angepasst werden), und für den Aufstieg: Wenn Bodennäherung erkannt wird, sollte ausgewählt werden.
   7. Das Timing ist entscheidend: Planen Sie die Kartierungsmission so nah wie möglich an der Ground-Truthing (biophysikalisches Probenahmedatum). Dies ist entscheidend, da es garantiert, dass Drohnenbilder und Felddaten das Ökosystem unter denselben Umwelt- und phänologischen Bedingungen widerspiegeln und so die wissenschaftliche Präzision und Interpretierbarkeit von Karten erheblich verbessern.
   8. Wählen Sie ein Ebbefenster (oder "Niedrigwasser"-Bedingungen an nicht-gezeitengebundenen Küsten), um den exponierten Lebensraum zu maximieren und Wasserblendung zu minimieren; Bei der Zeitplanung von Luftaufnahmen sollten Sie auch Wildtierstörungen berücksichtigen und versuchen, Brutzeiten zu vermeiden.
3. Führen Sie die Vorflugprüfungen und die Flugmission durch.
   1. Bewerten Sie vor Ort die Umweltbedingungen. Überprüfen Sie die aktuellen Meeresspiegel niedrig; Vermeiden Sie die Störung der Tierwelt; Stellen Sie sicher, dass der Start- und Landebereich stabil, trocken und ausreichend über Wasser erhöht ist. Untersuchen Sie die Luftraumregion, in der die Flugmission stattfinden wird, auf etwaige Lufthindernisse, einschließlich der Start- und Landebereiche.
   2. Überwachen Sie die Wettervorhersage für optimale Flugbedingungen: Wind (maximal 9 m/s), Sicht (kein Nebel), Luftfeuchtigkeit (unter 75 %) und Niederschlag (maximale Vorhersage 40 %).
   3. Bauen Sie das UAV-System zusammen: Drohnenhardware, Sensor/Kamera, Antenne und Flugmanagementsoftware. Schließe eine Drohnenbatterie an. Überprüfen Sie die UAV-Hardware, einschließlich Sensor- und Kamerazustand; Stellen Sie sicher, dass das Objektiv sauber ist; und überprüfen Sie, ob der Sensor/die Kamera korrekt mit dem UAV verbunden ist.
   4. Schalten Sie den Feldarbeitscomputer ein, öffnen Sie die Flugverwaltungssoftware (eMotion) und klicken Sie in der Datei Browse auf Mission laden.
      1. Verbinde die USB-Antenne mit dem Laptop, klicke auf Verbinden, und rechts erscheint eine Flugsteuerungsleiste.
      2. Im Kamera-Tab bestätigen Sie, dass genügend Speicher vorhanden ist, um alle Vermessungsbilder zu speichern (leere SD-Karte, mindestens 32 GB), und dass die richtige Kamera (Sequoia) aufgeführt ist. Aktivieren Sie den Ton des Computers, um Software-Benachrichtigungen zu hören.
   5. Überprüfen Sie, ob Firmware und Software aktualisiert sind (über automatisierte Softwarebenachrichtigungen) und kalibrieren Sie den Kompass bei Bedarf.
   6. Stellen Sie sicher, dass die vorgefertigte Mission korrekt geladen ist (d. h. Flugbahn, Start- und Landebahnen sind im Hauptbild sichtbar). Stellen Sie sicher, dass Sicherheitsmaßnahmen korrekt ausgewählt sind (wie in Schritt 1.2.6 aufgeführt).
   7. Kalibrieren Sie den Multispektralsensor. Stelle das Panel auf den Boden und halte dann die Drohne darüber, wobei der Sensor/das Kameraobjektiv zum Panel zeigt.
      1. In der Software greifen Sie auf die Flugsteuerungsleiste zu, öffnen Sie den Reiter Kamera und drücken Sie auf Kalibrieren.
      2. Warten Sie auf Tonsignale, die das Fotografieren anzeigen, bis der Text Radiometrische Kalibrierung abgeschlossen erscheint. Das ist nicht nötig, wenn nur der RGB-Sensor verwendet wird.
   8. Bevor du mit der Mission startest, prüfe die Windrichtung. Nimm eine kleine Handvoll leichtes, trockenes Gras, Sand oder trockene Blätter. Lasse das Material auf Augenhöhe frei; Die Richtung, in die das Gras treibt, zeigt den Weg des Windes an.
   9. Dann passt man in der Hauptansicht der Software (Satellitenkarte) die Flugbahnausrichtung des UAVs an, indem man den Orientierungshebel so zieht, dass die Fluglinien senkrecht zur Windrichtung verlaufen. Stellen Sie sicher, dass der Flugweg das gesamte Vermessungsgebiet abdeckt: Passen Sie die Polygonecken an, indem Sie Eckpunkte ziehen.
   10. Stellen Sie die Ausrichtung der Landebahn an, um sicherzustellen, dass der Landeweg gegen den Wind ausgerichtet ist.
   11. Stellen Sie sicher, dass Flugroute, Start und Landeflächen nach allen Anpassungen innerhalb des Arbeitsbereichs sind. Erweitern Sie den Arbeitsflächenkreis, falls nötig, indem Sie die Radius der numerischen Werte im Reiter Arbeitsbereich erhöhen.
   12. Starten Sie den UAV-Flug als automatisierte Flugmission entlang des vorgefertigten Flugwegs (Vermessungsgebiet für die Fallstudie: 40,5 ha). Protokolliere die Startzeit des Fluges.
       1. Während des Fluges sollten Sie die Flugmanagement-Software eingeschaltet und die Drohnenantenne stets verbunden halten.
       2. Hören Sie sich die Software an und beobachten Sie sie auf Akkulaufzeit-Updates, Sensorleistung und die Alarmsignale der Drohne während der Mission (z. B. Windgeschwindigkeitserhöhung, Hinderniserkennung).
       3. Halten Sie jederzeit eine Sichtlinie (VLOS) zur Drohne auf einer Mission, sofern nicht anders genehmigt. Vermeiden Sie alle Ablenkungen und bleiben Sie bereit, auf Benachrichtigungen zu reagieren oder eine Notlandung durchzuführen. Logge die Flugzeit.
          HINWEIS: Die beste Praxis (je nach Region kann dies gesetzlich vorgeschrieben sein) besteht darin, Untersuchungen mit zwei Betreibern durchzuführen: einer für VLOS und für die Überwachung der Flugmanagementsoftware. Im Falle eines UAV-Unfalls wird der Flugbetrieb ausgesetzt, das Gebiet gesichert, der Vorfall dokumentiert, die zuständigen Behörden benachrichtigt und Versicherungsverfahren eingeleitet.
4. Führen Sie Nachbehandlungen durch.
   1. Entnehmen Sie alle Luftaufnahmen vom UAV-montierten Sensor oder der Kamera und sichern Sie alle Vermessungsdaten, einschließlich des Flugprotokolls, auf einen Computer und/oder eine Cloud.
      HINWEIS: Das Risiko von Datenverlust steigt mit der Zeit, da Geräte beschädigt werden können und SD-Karten beschädigt werden können.
   2. Überprüfen Sie Bildschärfe, Belichtung und Abdeckung und prüfen Sie Lücken in der Bildsequenz, die durch Sensorfehler oder durch Blendung, Schattenbildung oder Gezeitenüberflutung entstanden sein könnten. Planen und Überprüfungen werden Sie bei Bedarf neu geplant, um sicherzustellen, dass der Drohnenflug in unmittelbarer zeitlicher Nähe zur Boden-Truthing stattfindet.
   3. Laden Sie die Datei des Empfängerunabhängigen Austauschformats (RINEX) aus öffentlichen Archiven wie den National Land Survey Services herunter und speichern Sie sie entsprechend dem Flugdatum und -zeit.
   4. Auf einer externen Festplatte (250 GB-1 TB) erstellen Sie einen Ordner für den Studienfall (vorgeschlagener Titel: date_ Standort [Vermeiden Sie die Verwendung von Leerzeichen und Sonderzeichen]). Dies ist der Hauptordner für die Datenspeicherung und den Zugriff auf die folgenden Schritte sowie der Ort, an dem die Geo-Package-Schichten erstellt oder gespeichert werden.
   5. Um das Geotagging von Luftaufnahmebildern durchzuführen, öffnen Sie in der Flugverwaltungssoftware den Reiter Postflight . Wenn derselbe Computer im Kalender zum Fliegen verwendet wurde, wählen Sie das Flugdatum aus. Wenn nicht, wähle Nein.
   6. Durchsuchen und laden Sie das Flugprotokoll aus der Backup-Datei hoch. Erstelle einen Projektordner auf dem externen Speicher für das Studienfall (Titel des Projekts wie auf dem Bildschirm vorgeschlagen). Klicken Sie auf Nächsten.
   7. Durchsuchen und laden Sie Flugprotokolle von der während des Flugs verwendeten SD-Karte hoch, die durch die Flugnummer identifiziert werden können, oder laden Sie sie aus einer Backup-Datei hoch. Warte, bis der Flugweg in der Hauptansicht der Software erscheint. Überprüfen Sie, ob es sich um das korrekte Gebiet bzw. Flugprotokoll handelt. Klicken Sie auf Nächsten.
   8. Im Dropdown-Menü unter Nachbearbeitungsoptionen wählen Sie PPK: Rohe GNSS-Daten der Drohne verarbeiten. Wähle unter Basisstation-Log Rinex aus, durchsuche und finde die gespeicherte RINEX-Datei. Klicken Sie auf Nächstes und warten Sie dann, bis die Berechnungen fertig sind. Stellen Sie sicher, dass PPK behoben > Geotags nachträglich verarbeitet zu 100 % erscheinen, dann klicken Sie auf Weiter.
   9. Im Dropdown-Menü Bilder laden wählen Sie eine der folgenden Optionen: Von der SD-Karte oder Durchsuchen , um den Ordner mit den Luftaufnahmen zu finden, die dem Flugprotokoll entsprechen. Klicken Sie auf Nächsten. Warte, bis die Bildabstimmung erfolgreich erscheint, und klicke auf Nächsten, um den geotaggten Bildimport in den Projektordner zu starten. Diese Bilder dienen als Eingaben in einem photogrammetrischen Prozess.
      HINWEIS: Für jedes Flugprotokoll muss das Bild-Geotagging separat durchgeführt werden (Wiederholungsschritte 1.4.4 –1.4.8). Zum Beispiel wird nach dem Wechsel der UAV-Batterie die anschließende Luftaufnahme ein neues Flugprotokoll erhalten.
5. Verarbeitung photogrammetrischer Daten (d. h. Erstellung von Kartenprodukten mit Luftaufnahmen).
   1. Auf der Arbeitsstation schließen Sie die externe Festplatte mit den geotaggten UAV-Vermessungsbildern an und öffnen Sie die vorinstallierte Photogrammetrie-Software.
      1. Erstelle ein neues Projekt und speichere es auf der externen Festplatte (empfohlenes Format: Präfix MS oder RGB + Standort + Datum).
      2. Fügen Sie die Bilder hinzu und beachten Sie, dass die Multispektral- und RGB-Datensätze in separaten Projekten verarbeitet werden müssen; Daher verwenden Sie das MS-Präfix für multispektrale Bilder und RGB für letztere.
         HINWEIS: PIX4Dmapper wurde verwendet; alternative Photogrammetrie-Software kann jedoch verwendet werden, um dieses Protokoll zu reproduzieren.
   2. Stellen Sie sicher, dass im Bildeigenschaften-Pop-up-Bildschirm folgende Bänder aufgeführt/ausgewählt sind: WGS 84 als Koordinatensystem, die korrekte Anzahl geolokalisierter Bilder und das ausgewählte Kameramodell mit Bändern (Sequoia sowie Grün, Rot, Rotkante, NIR-Bänder oder RGB).
      1. Drücke Weiter, dann wähle die Verarbeitungsvorlage: Ag multispektral für multispektral, aber RGB Ag für RGB-Bilder. Fertig, und eine Satellitenkarte mit Bildstandorten erscheint in der Hauptansicht.
         HINWEIS: Für das multispektrale Projekt sollten Sie Kalibrierungsbilder mit einem sichtbaren Kalibrierungspanel hinzufügen (erstellt in Schritt 1.3.7 und automatisch mit allen Vermessungsdaten gespeichert). Für diese Fallstudie wurden insgesamt 2.320 multispektrale und 577 RGB-Bilder geolokalisiert.
   3. Öffnen Sie das Fenster Verarbeitungsoptionen , klicken Sie auf 1. Erste Verarbeitung hier unter Key Points Image Scale wählen Sie Vollständig und Orthomosaic-Vorschau generieren im Qualitätsbericht, dann klicken Sie auf 2. Point Cloud und Mesh > Point Cloud in diesem Tab, wählen Sie 1/2 (Halbe Bildgröße, Standard) und wählen Sie Klassifizieren von Punktwolke.
   4. Klicken Sie auf 3. Tab DSM, Orthomosaic und Index > Indexrechner auswählen, GeoTIFF auswählen und Kacheln zusammenführen sowie alle verfügbaren Indizes zu erstellen (Abbildung 4).
      1. Für das multispektrale Projekt stellen Sie unter Radiometrischer Verarbeitung und Kalibrierung sicher, dass der Kalibrierungstyp jedes Bandes auf Kamera, Sonnenstrahlung und Sonnenwinkel eingestellt ist.
      2. Klicke unter Raster DSM auf DSM und DSM, wähle GeoTIFF und Kacheln zusammenfügen, und unter Orthomosaic wähle GeoTIFF und Kacheln zusammenführen. Klicken Sie auf OK und starten Sie die Bearbeitung.
         HINWEIS: Bei der Verarbeitung multispektraler Bilder wird der Kalibrierungstyp automatisch anhand von vor Ort aufgenommenen Kalibrierungsbildern vor Ort eingestellt (Schritt 1.3.7), kann jedoch manuell durch Klicken auf Kalibrieren neu kalibriert werden. Dann durchstöbern Sie, um ein Bild des Kalibrierungspanels (mit dem entsprechenden Bandtitel) zu finden und den vom Kalibrierungspanel abgelesenen Reflektanzfaktor einzugeben.
   5. Die photogrammetrische Verarbeitung endet mit generierten/gespeicherten Reflektanzkarten (UAV-Survey-Karten) im multispektralen Projektordner: grün, rot, roter Rand, NIR, und in RGB: rot, grün, blau, Graustufen, Orthomosaik und DSM (digitales Oberflächenmodell). Sicherstellen, dass alle Indizes, Orthomosaik und DSM-GeoTIFFs zusammengeführt werden, und die Projektberichte auf Fehler überprüfen; Wenn Probleme festgestellt werden, wiederholen Sie die Bearbeitung.

2. Sammeln von Bodenwahrheitsdaten und Georeferenzierung

1. Bereite dich auf Feldarbeit vor.
   1. Besuchen Sie die Untersuchungsstätte im Voraus und erkunden Sie das Gebiet, um potenzielle Pflanzengemeinschaften von Interesse zu identifizieren und so erfahrungsorientiertes Wissen über die Stätte zu gewinnen. Entscheiden Sie, welche biophysikalischen Beobachtungen vor Ort zu sammeln sind und notwendig sind, um die Pflanzengemeinschaft des ausgewählten Untersuchungsstandorts zu beschreiben.
      HINWEIS: Zur Veranschaulichung dieses Protokolls lag der Fokus auf Vegetationsarten, Struktur und Zusammensetzung, um vier Pflanzengemeinschaften zu klassifizieren, die auf einen baltisch-borealen Küstenwiesenlebensraum hinweisen: Open Pioneer (OP), Lower Shore (LS), Upper Shore (US) und Tall Grass (TG).
   2. Bereiten Sie einen visuellen Leitfaden zur Pflanzenartenidentifikation vor und drucken Sie ihn aus, in dem die Arten aufgeführt sind, die auf Pflanzengemeinschaften in den jeweiligen kartierten Lebensräumen hinweisen. Der Leitfaden kann die Artenerkennung vor Ort beschleunigen und unterstützen, falls elektronische Geräte ausfallen.
   3. Bereiten Sie ein Arbeitsblatt zur Erfassung von Feldbeobachtungen vor, einschließlich einer Liste von Indikatorarten sowie anderer Arten, die häufig im untersuchten Lebensraum und im umliegenden Gebiet vorkommen, sowie zusätzliche biophysikalische Feldbeobachtungen, die erfasst werden müssen (z. B. Untersuchungsdatum, Vegetationsgrößen, Biomassegewichte).
2. Verwenden Sie ein geschichtetes Stichprobenverfahren, um Bodenwahrheitsdaten mithilfe von Quadraten zu erfassen.
   1. Identifizieren Sie eine Pflanzengemeinschaft visuell basierend auf erfahrungsbasiertem Feldwissen.
   2. Stellen Sie einen Quadrat-Rahmen auf den Boden an einem repräsentativen Ort für die zu beprobte Pflanzengemeinschaft und vermeiden Sie dabei Bereiche mit erheblicher Störung. Für boreale Küstenfeuchtgebiete reicht ein Quadrat von 1 m x 1 m aus. Dieses Quadrat dient als Probenplot für biophysikalische Beobachtungen und Biomasseproben.
   3. Erfassen Sie das Vermessungsdatum, die Namen der Vermesser, den Pflanzengemeinschaftstyp/-klasse sowie den Zahlencode für jede Stichprobequadrat.
      HINWEIS: Es wird empfohlen, Nummerncodes in folgender Reihenfolge festzulegen: Studienfeldcode + Pflanzengemeinschaftscode + Muster-Quadrat-Sequenznummer des aufgezeichneten Quadrats. Diese Zahlencodes verknüpfen biophysikalische Feldbeobachtungen mit dem georäumlichen Datensatz und den Koordinaten.
   4. Erfassen Sie die Koordinaten an jeder Ecke des Stichprobenquadrats mit GNSS/RTK-Systemen und Vermessungssoftware, indem Sie einen Zahlencode eingeben, der dem Quadrat-Nummerncode entspricht, und die Koordinaten speichern.
      HINWEIS: Verwenden Sie einen GNSS-Empfänger, der hochpräzise (auf Zentimeterebene) Positionsdaten liefert; Siehe das Benutzerhandbuch für die Bedienung des Geräts und der dazugehörigen Software.
   5. Was biophysikalische Beobachtungen betrifft, so erfassen Sie innerhalb des Stichprobenquadrats die geschätzten Deckungsprozente für jede beobachtete Pflanzenart sowie die Abdeckung anderer potenziell indikativer Variablen wie kahler Boden, Pflanzenstreu, Moos und Algen (wobei die Gesamtzahl zwischen 95 % und 105 % liegt, ein akzeptierter Bereich für phytosoziologische Untersuchungen). Führen Sie fünf zufällige Messungen der Vegetationsgröße mit einem Maßband vor, um die durchschnittliche Probenhöhe zu bestimmen.
   6. Mit demselben Quadratproben werden optionale biophysikalische Beobachtungen gesammelt: zum Beispiel Bodenfeuchte, Probe der Vegetationsbiomasse durch Schneiden der Vegetation auf Bodenniveau, Biomasse in eine Papiertüte aufnehmen und mit einer batteriebetriebenen, nivellierten Waage (Präzision ± 1 g) wiegen. Um das wahre Biomassegewicht zu bestimmen, ziehen Sie das Gewicht der Papiertüte vom Gesamtgewicht ab. Notiere alle Gewichte für die spätere Referenz.
3. Replizieren Sie die in den vorherigen Schritten beschriebenen stratifizierten Quadrat-Probenahmeverfahren (2.2.1–2.2.6) mindestens 10 Mal innerhalb jeder der Pflanzengemeinschaftsklassen (z. B. OP, US, LS, TG).
   HINWEIS: Vermeiden Sie es, Probenquadraten zu dicht beieinander zu platzieren. Es ist unerlässlich, eine konsistente und umfassende Probenahme über die Studienstandorte hinweg bereitzustellen, um sicherzustellen, dass die aufgenommenen Quadratproben die Lebensräume genau widerspiegeln. Da Pflanzengemeinschaften oft in Mosaikmustern in Küstenfeuchtgebieten auftreten, wird dieselbe Pflanzengemeinschaft an verschiedenen Standorten innerhalb des Untersuchungsgeländes beprobt.
4. Digitalisierung der Quadrat-Probeaufnahmen nach Abschluss aller Feldbeobachtungen.
   1. Transkribiere alle Feldarbeitsnotizen in Tabellenkalkulationssoftware und erstelle einen Datensatz für die Analyse, indem die Daten in einem Tabellenformat mit einer Kopfzeile für jede Variable organisiert werden; dann geben Sie alle Werte entsprechend ein.
   2. Speichere die Datei und exportiere sie als Komma-getrennte Werte (CSV)-Datei.
5. Erstellen Sie einen Ground-Truth-Datensatz durch Georeferenzierung biophysikalischer Beobachtungen.
   1. Laden Sie alle aufgezeichneten Koordinaten der Standorte der Quadrat-Proben als CSV-Datei aus dem im Feld verwendeten GNSS/RTK-System herunter.
   2. Erstelle ein neues Projekt in der Geographischen Informationssystem-(GIS)-Software (QGIS wurde zur Implementierung dieses Protokolls verwendet) und speichere es als .qgz-Datei in das in Schritt 1.4.3 erstellte Projekt. Dieser Ordner und die .qgz-Datei enthalten alle georäumlichen Datensätze aus den kommenden Schritten.
   3. Im GIS-Arbeitsbereich importieren Sie eine CSV-Datei mit den Koordinaten der Quadrat-Ecken als Deseparate Text Layer. Nach dem Import dieser Koordinaten erscheinen sie als Form: Punkte.
   4. Fügen Sie die Koordinaten jedes Quadrat-Eckpunkts als Shapefile: Polygon zusammen und speichern Sie die Shapefile.
   5. Fügen Sie die Polygon-Shapefile mit der digitalisierten Felddatenset-CSV-Datei (erstellt in Schritt 2.4) zusammen, indem Sie die Zahlencodes beider Dateien verknüpfen.
   6. Speichere den neu erstellten Ground-Truth-Datensatz als GeoPackage-(.gpkg)-Datei im auf der externen Festplatte erstellten Ordner (Schritt 1.4.4). Speichere, um das GIS-Projekt zu aktualisieren.

3. Berechnung des Vegetationsindex (VIs)

1. Erstellen Sie UAV-basierte Vermessungskarten für die Vis.
   1. In den GIS-Software-Arbeitsbereich (verwenden Sie dieselbe .qgz-Datei, die in Schritt 2.5.2 erstellt und in 2.5.6 aktualisiert wurde), importieren Sie alle Reflektanzmosaike (Kartenprodukte), die in der ersten Phase des Protokolls mit der UAV-Erhebung erstellt wurden, in Schritt 1.5.
   2. Reduziere die Größe der Karten, indem du unnötige Daten 'clippingst'. Indem man sich die Verteilung der Quadraten der Stichprobe anschaut und auf Erfahrungswissen über die Ausdehnung des Studienstandorts basiert, wird eine Polygongrenze um das Untersuchungsgelände erstellt und die Karten auf die Ausdehnung des Polygons zugeschnitten (Abbildung 5). Dadurch wird die Dateigröße reduziert und die Verarbeitungsgeschwindigkeit erhöht.
      HINWEIS: Abgeschnittene Vermessungskarten (multispektrale GRÜN, ROT, Rotkante, NIR und RGB-GeoTIFFs mit roten, grünen, blauen Bändern und ground_truth.gpkg (erstellt in Schritt 2.5.6)) können über den Link aus dem Zenodo-Repository heruntergeladen werden: https://doi.org/10.5281/zenodo.20075625 nur zu Bildungszwecken, um die folgenden Schritte zu üben.
2. Verwenden Sie das Rasterrechner-Tool zur Berechnung; die VI-Formeln sind in Supplementary File 1^aufgeführt: 34,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56 ^,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71.
   1. Bei der Berechnung von multispektralen VIs verwenden Sie RED, GREEN, NIR und Red-edge GeoTIFFs als Eingabewerte. (siehe Abbildung 6, GIS-Rasterrechner, eine VI-Formeleingabe als Beispiel).
   2. Für RGB-basierte VI-Berechnungen normalisieren Sie zunächst die roten, grünen und blauen Indizes (Abbildungsprodukte aus Schritt 1.5). Berechnen Sie neue RGB VIs erst nach Abschluss des Normalisierungsprozesses (Formeln zur Normalisierung von RGB-Indizes sind in Ergänzungsdatei 1 als Teil der RGB-VI-Liste verfügbar).
   3. Speichern Sie neue VIs als GeoTIFFs (z. B. Rasterdateien) in separaten Ordnern und benennen Sie sie entsprechend (z. B. Präfix (MS oder RGB) + Indexname) im auf der externen Festplatte erstellten GIS-Projektordner (Schritt 1.4.4).
   4. Fügen Sie das DSM und andere automatisierte VIs (z. B. Graustufen), die in Schritt 3.1.2 erstellt oder geclippt wurden, in den RGB-VIs-Ordner ein. Diese Ordner mit VIs, gekoppelt mit einer Ground-Truth-Datei (erstellt in Schritt 2.5.6), dienen als Basisdatensätze für einen Random Forest-Algorithmus zur Klassifizierung von Kartenpflanzengemeinschaften. Speichere, um das GIS-Projekt mit Links zu VI-Rasterdateien zu aktualisieren.

4. Überwachte Klassifikation in R mit Random Forest

HINWEIS: Um diese Phase auszuführen, öffne eine statistische Rechenumgebung für R in RStudio, gehe dann zu File > Open File und wähle das Skript aus Supplementary File 2 aus. Dieses Skript ist einsatzbereit und organisiert, um die Reproduzierbarkeit zu gewährleisten und die Anpassung an andere Studienstandorte zu erleichtern. Es kann auf zwei Arten ausgeführt werden: (1) Das gesamte Skript gleichzeitig ausführen: Klicke auf Quelle oder drücke Strg + Shift + Enter, wobei sichergestellt wird, dass die Dateipfade im Ordner und GeoPackage aktualisiert sind; oder (2) Zeile für Zeile oder Block für Block: Platzieren Sie den Cursor auf eine Linie oder wählen Sie einen Block aus und drücken Sie Strg + Enter. Diese Option wird empfohlen, da sie bessere Fehlerbehebungslösungen bietet.

1. Bereite die Umgebung R vor.
   1. Installiere und lade die erforderlichen Pakete (z. B. terra, sp, sf, raster, rsample, MLmetrics, randomForest, rgdal)⁷².
      HINWEIS: Wenn rgdal mit den neuesten Versionen von R nicht kompatibel ist, können die Funktionen stack() und readOGR() durch rast() bzw. st_read() ersetzt werden.
   2. Stellen Sie das Arbeitsverzeichnis ein.
2. Führe Raster-Vorverarbeitung durch.
   1. Lade alle Rasterdateien aus dem vermessenen Bereich, der sich in einem bestimmten Arbeitsverzeichnis befindet.
   2. Stellen Sie eine einheitliche Projektion, Auflösung und Ausdehnung zwischen den Eingaberastern sicher. Wenn Inkonsistenzen erkannt werden, verwenden Sie die Funktion resample() in R (z. B. terra::resample() oder raster::resample()), um die Raster auf eine gemeinsame Referenzdatei auszurichten (typischerweise die mit der gröbsten räumlichen Auflösung, um künstliches Upscaling zu vermeiden)(siehe Artikel von Hijmans et ^al.73).
3. Führen Sie Datenextraktion durch:
   1. Importiere Ground-Truth-Daten aus einem GeoPackage (erstellt in Schritt 2.5.6).
   2. Verwenden Sie die terra:: extract() -Funktion, um Rasterwerte mit Beispielpolygonen zu verknüpfen.
   3. Verknüpfen Sie den Datenrahmen mit den extrahierten Werten mit Pflanzengemeinschaftscodes, um sicherzustellen, dass sie Faktoren sind.
4. Teilen Sie den Datensatz in Trainings- und Validierungssets mithilfe stratifizierter Stichprobe auf, um das Klassengleichgewicht aufrechtzuerhalten. Ändern Sie das Verhältnis zwischen Trainings- und Validierungsproben je nach Bedarf oder je nach Verfügbarkeit der Stichproben.
   HINWEIS: Kleinere Datensätze benötigen typischerweise eine 80/20-Aufteilung, um ausreichende Trainingsdaten bereitzustellen. Größere Datensätze: 70/30 ist ausreichend und bietet eine stärkere Validierung oder einen Testsatz (siehe die Veröffentlichung von Mohammed und Alsunosi⁷⁴).
5. Führen Sie Modellabstimmung durch.
   1. Definiere ein Parametergitter, um verschiedene Kombinationen von mtry und ntree zu erkunden.
      HINWEIS: mtry ist die Anzahl der Variablen (Prädiktoren), die zufällig als Kandidaten für jede Spaltung beim Aufbau eines Entscheidungsbaums in RF ausgewählt werden. Der Standardwert ist typischerweise die Quadratwurzel der Gesamtzahl der Prädiktoren für die Klassifikation und ein Drittel der Regression. Während ntree die Gesamtzahl der Entscheidungsbäume ist, die im Wald wachsen sollen. Eine höhere Anzahl von Bäumen verbessert in der Regel die Leistung, erhöht aber die Rechenzeit; Die Fehlerquote stabilisiert sich typischerweise nach einer bestimmten Anzahl von Bäumen.
   2. Durchlaufen Sie das Gitter (d. h. Gittersuche, die systematisch verschiedene Kombinationen von Hyperparameterwerten testet, um die leistungsstärkste Menge für das Modell zu finden) und bewerten Sie die Genauigkeit für jede Kombination.
   3. Wählen Sie die Kombination mit der höchsten Genauigkeit.
      HINWEIS: Siehe Belgiu und Drăguţ⁷⁵, ebenfalls Bergstra et ^al.76, für ein besseres Verständnis der Relevanz und alternativer Ansätze für diesen Schritt.
6. Passe das RF-Modell mit der besten Parameterkombination an. Das Skript erfasst den Out-of-Bag (OOB)-Fehler und die variable Bedeutung.
7. Führen Sie Vorhersage- und Genauigkeitsbewertungen durch.
   1. Prognostiziere die Pflanzengemeinschaftsklasse für alle Pixel im Rasterstack und Validierungsdatensatz. Exportieren Sie die Klassifikationskarte als GeoTIFFs (siehe Abbildung 7, die einen R-Konsolen-Screenshot mit Diagrammvisualisierungen der endgültigen Ausgaben zeigt; Abbildung 7A zeigt das Pflanzengemeinschaftskartenprodukt bei Verwendung eines multispektralen VIs-Eingabedatensatzes, und Abbildung 7B zeigt das Pflanzengemeinschaftskartenprodukt bei Verwendung eines RGB+DSM-Datensatzes.
   2. Berechnen Sie die Verwirrungsmatrix, Genauigkeit, F-1-Wert, Präzision und Rückruf auf dem Validierungssatz (siehe Abbildung 8, die die R-Screenshots zeigt, die VI-Leistungsrankings zeigen; Abbildung 8A zeigt einen Screenshot der R-Konsole und zeigt Diagramme bei Verwendung von multispektralen VIs als Eingabedatensatz, und Abbildung 8B zeigt einen Screenshot bei Verwendung eines RGB+DSM-Datensatzes; Abbildung 8A, B-Ansichten enthalten variabel wichtige Diagramme namens "final_rf"). Für weitere Details zu diesen Metriken siehe den Artikel von Naidu et ^al.77.
8. Eröffne das QGIS-Projekt (erstellt in Schritt 2.5.2 und aktualisiert in 2.5.6 und 3.2.3), füge Pflanzengemeinschaftsklassifikationskarten (GeoTIFFs) hinzu. Speichere das QGIS-Projekt, um das GIS-Projekt zu aktualisieren.
   1. Um alle georäumlichen Datensätze (UAV-Vermessungskarten, Bodenwahrheit, VIs, Pflanzengemeinschaftsklassifikationskarten als GIS-Projekt) zu teilen und zu sichern, gehen Sie zum Ordner des Studienstandorts, klicken Sie mit der rechten Maustaste und wählen Sie Senden an > komprimierten (zip)-Ordner.
      HINWEIS: Der vollständige GIS-Projekt-Ordner kann einen umfangreichen Datensatz darstellen (dieser 40 hektar große Fallstudiendatensatz überstieg 140 GB). Falls nötig, kommunizieren Sie nur die Endergebnisse und die Ground-Truth-Datensätze, um die Dateigröße zu reduzieren.

Ergebnisse

Die halbautomatisierte Methode zur Kartierung und Klassifizierung von Pflanzengemeinschaften ist darauf ausgelegt, genaue Landbedeckungsinformationen für Küstenfeuchtgebiete zu liefern, die von heterogenen, niedrig wachsenden krautigen Pflanzen dominiert und durch Mikrotopographie gekennzeichnet sind; ein Beispiel eines solchen Lebensraums ist auf dem Foto in Abbildung 1 zu sehen. Eine Fallstudie des baltischen borealen Küstenfeuchtgebitts auf der Insel Hiiumaa, Estland, wurde durchgeführt. Vor Ort wurden vier Pflanzengemeinschaften zum Training des Klassifikationsmodells beprobt: Open Pioneer (OP), Lower Shore (LS), Upper Shore (US) und Tall Grass (TG). Abbildung 2 bietet einen kurzen Überblick über die in vier verschiedene Phasen implementierte Methodik. Im Gegensatz dazu illustriert Abbildung 3 eine detaillierte diagrammatische Leitfaden, die nummerierte, umsetzbare Schritte abgrenzt, die durch Pfeile gekoppelt sind, um den Datenfluss darzustellen, und so die Methodik über die Schritte und Phasen des Protokolls hinweg zusammenfasst. Die endgültigen Ergebnisse dieser Methode, die einen multispektralen Sensor und einen RGB-Sensor verwenden, sind multispektrale und RGB-basierte Pflanzengemeinschaftskarten, die als Schichten in einem GIS-Projekt zusammen mit allen Zwischendatensätzen gespeichert werden. Die Qualität der geospatialen Datensätze wurde nach Abschluss jeder Protokollphase bewertet, da die Qualität der Ergebnisse in den folgenden Phasen von der Qualität der Ergebnisse der vorherigen Phase abhängt, was in der Endphase gipfelt, in der die Eingaben das Aggregat aller vorherigen Schritte bilden.

Im Folgenden werden die Ergebnisse jeder der vier Phasen des Protokolls zusammengefasst:

In der ersten Phase wurde die UAV-Luftvermessung in einer Höhe von 120 m durchgeführt, was eine Bodenprobenentfernung (GSD) von etwa 10 cm/Pixel ergab. Die Luftaufnahme erzeugte multispektrale und RGB-Bilder. Nach der Nachbearbeitung von Kinematik (PPK) wurden Geotags für jedes Drohnenbild korrigiert, und die Bilder wurden in professioneller Photogrammetrie-Software mosaikiert, um Luftvermessungskarten zu erstellen. Die photogrammetrische Verarbeitung multispektraler Luftbildaufnahmen ergab Rasterdateien mit Rot-, Grün-, NIR- und Rotkantenreflexion.

Multispektrale und RGB-Luftaufnahmen wurden aufgrund der von Natur aus unterschiedlichen Auflösungen der Fotos als separate Projekte verarbeitet. Siehe Abbildung 4 der RGB-Bildmosaik-Einstellungen. Abbildung 4A. Verarbeitungsoptionen durch Auswahl zusammengeführter Kacheln und das Erstellen nahtloser, einheitlicher Ausgabekarten. Abbildung 4B. Die Auswahl automatisierter Indexberechnungen aus RGB-Kamerabildern erzeugte vier Rasterkarten: eine pro Band (rot, grün und blau) und das DSM (Digital Surface Model). Abbildung 4C. demonstriert die Erzeugung automatischer Tie-Points, um gemeinsame Pixel über überlappende Bilder während des ersten Verarbeitungsschritts abzugleichen. Zusammen mit 3 RGB-Indizes (rot, grün, blau) und DSM erzeugte die Photogrammetrie-Software ein softwaregeneriertes Graustufenraster: eine monochromatische, einkanalige Darstellung, die die verschiedenen Bänder (z. B. Rot, Grün, Blau) skaliert und kombiniert, wobei niedrige Pixelwerte schwarz und hohe weiß erscheinen. Die Formulierung dieses Graustufenindex ist softwarespezifisch und nicht standardisiert über Photogrammetrie-Plattformen hinweg.

Die Photogrammetrie-Software erstellte Qualitätsberichte, die die Verarbeitungsergebnisse für beide Sätze von Luftbild-Mosaikprojekten beschrieben: Multispektral und RGB. Diese Berichte liefern wichtige Kennzahlen, um die Genauigkeit zu bestätigen. Indikatoren für hochwertige Ergebnisse sind niedriger Reprojektionsfehler: Je näher an 0, desto besser (alles unter 1,0 wird allgemein akzeptiert). Zum Beispiel bedeuten dichte "Matchlines" starke Übereinstimmungen zwischen den meisten Bildern. Die Ausgabekarten wurden visuell bewertet und befanden sich frei von Hohlräumen und anderen visuellen Abweichungen. Visuelle Abweichungen sind ein Hinweis auf mögliche Reflexions- und Mosaikfehler sowie auf zugrundeliegende Georeferenz-Gitterprobleme. Der Photogrammetriebericht sowie spezielle Softwarehandbücher und Schulungsressourcen werden verwendet, um das Problem zu identifizieren, eine Lösung zu finden und Luftaufnahmen neu zu verarbeiten.

UAV-Luftvermessungskarten dienten als Basisdatensatz zur Umberechnung komplexer spektraler Informationen in standardisierte, pixelbasierte Indizes (d. h. Vegetationsindizes VIs, die in der dritten Phase generiert wurden), was ihre Verwendung als strukturierte Eingaben für die Klassifikation des maschinellen Lernens (in der Endphase des Protokolls) ermöglichte.

Vor Ort biophysikalische Beobachtungen wurden als Ground-Truth-Datensatz erhoben. Am Fallstudienstandort (Baltic Boreal Coastal Wetland) wurden vier wichtige Gefäßpflanzengemeinschaften identifiziert und beprobt: Open Pioneer (OP), Lower Shore (LS), Upper Shore (US) und Tall Grass (TG). Mit der in der zweiten Phase des Protokolls festgelegten stratifizierten Quadrat-Probenahmemethode wurde die OP-Pflanzengemeinschaft durch das Vorhandensein von Indikatorarten identifiziert: Salicornia europaea und Suaeda maritima; LS durch hohe Anteile von Glaux maritima und Juncus geradii; USA nach ihren Indikatorarten: Festuca rubra und Leontodon autumnalis; TG zeichnet sich jedoch durch eine deutliche Präsenz hoher Gräser aus: Deschampsia cespitosa, Elytrigia repens und Molinia caerulea. Für jede Pflanzengemeinschaft wurden mindestens zehn Quadrat-Proben entnommen. Jede Quadrat-Probe enthielt folgende biophysikalische Beobachtungen: Pflanzenartenzusammensetzung (%), Bodenfeuchte (%), Vegetationshöhen in Zentimetern und präzise Quadrat-Koordinatenpositionen. Diese Variablen wurden als tabellierter Datensatz digitalisiert, in das GIS-Projekt importiert, der Beispiel-Quadrat-GNSS-Daten-Shapefile hinzugefügt und als GeoPackage (.gpkg) gespeichert. Eine solche plattformunabhängige Datei, die biophysikalische Beobachtungen von Feuchtgebietspflanzengemeinschaften und präzise Probenkoordinatendaten enthält, erfüllt einen doppelten Zweck: die weitere Bewertung und Modellierung von Umwelt- und ökologischen Ökosystemen. Am wichtigsten ist, dass für die erfolgreiche Ausführung dieses Protokolls diese GeoPackage-Datei als Modelltrainings- und Validierungsdaten im in Phase 4 beschriebenen maschinellen Lernprozess dient. Pflanzengemeinschaftscodierung: OP, LS, US, TG; wurden als Trainingslabels im maschinellen Lernprozess verwendet. Genauigkeit (High-Fidelity-Labels, menschliches Audit, konsistentes Format) und Struktur (sauberes, rechteckiges Format (Zeilen/Spalten)) sind entscheidend für die Erstellung eines hochwertigen Ground-Truth-Datensatzes. Grundwahrheitslabels müssen nahezu null Fehlerraten (z. B. Tippfehler) aufweisen, um konsistente Etikettierungskonventionen zu gewährleisten. Wenn zum Beispiel "OP" die Grundwahrheit ist, ist es unerlässlich, dass es nicht auf andere Weise (wie "op", "O.P.") gekennzeichnet ist, um Duplikationen zu vermeiden.

Zur Durchführung der dritten Phase des Protokolls wurden die Datensätze aus der ersten Phase verwendet, um die Rohdaten der Luftaufnahmen in Vegetationsindizes (VIs) umzurechnen. Erstens, um die Datensatzgröße zu reduzieren und den Rechenprozess zu optimieren, gibt die Photogrammetrie "abgeschnitten" aus, um irrelevante oder minderwertige Pixeldaten außerhalb der Grenzen des Studienstandorts auszulassen (siehe Abbildung 5 als Abbildung der in einer GIS-Software durchgeführten Aktionen).

Anschließend wurden 19 multispektrale VIs mit ROTEN, GRÜNEN, NIR- und Rotkanten-Reflektanzkarten berechnet. Die folgenden multispektralen VI-Rasterdateien wurden generiert und in das GIS-Projekt aufgenommen: Datt Index 4 (Datt4)⁴¹, Enhanced Vegetation Index (EVI)⁴², Green Chlorophyll Index (GCI)⁴³, Greenness Difference Index (GDI)⁴⁴, Generalized Difference Vegetation Indices (GDVI)⁴⁵, Green Infrared Percent Vegetation Index (GIPVI)⁴⁶, Green Normalized Difference Vegetation Index (GNDVI)⁴⁷, Green-Red Difference Index (GRDI)⁴⁴, Grün-Rot-Vegetationsindex (GRVI)⁴⁵, Modifizierter Normalisierter Differenz-Vegetationsindex (mNDVI)⁴⁸, Modifizierter Boden-adjustierter Vegetationsindex⁴⁹ (MSAVI: siehe Abbildung 6. Ein Screenshot eines Rasterrechners in GIS-Software mit MSAVI-Formeleingabe), Modifiziertes einfaches Verhältnis Rotkante (MSRred_edge)⁵⁰, Normalisierter Differenz Wasserindex (NDWI)⁵¹, Normalisierter Differenz Vegetationsindex (NDVI)⁵², Rotkantiger NDVI (NDVIre)⁴⁷, Rotkantiger triangulierter Vegetationsindex (RTVIcore)⁵⁰, Bodenadjustierter Vegetationsindex (SAVI)^53,54, einfaches Verhältnis (SR)⁵⁵, rotkantiges einfaches Verhältnis (SRre)⁴⁷.

Darüber hinaus wurden insgesamt 23 RGB-basierte VIs berechnet und als Rasterdateien im GIS-Projekt für eine weitere räumliche Analyse gespeichert: Blue–Green Ratio Index (BGRI)⁵⁷, Brightness Index (BI)⁵⁸, Blue Wide Dynamic Range Vegetation Index (BRVI)⁵⁹, Color Index of Vegetation (CIVE)⁶⁰, Enhanced Green View Vegetation Index (EGVI)⁶¹, Enhanced Vegetation Index (ERVI)⁶², Überschüssige Grün-Indizes ExG und ExGI⁶³, Kombinationsindex (COM)⁶⁴, Grün-Chromatische Koordinate (GCC)^34,65, Grünblatt-Index (GLI)⁶⁶, Grün-Rot-Vegetationsindex (GRVI)⁶⁷, Modifizierter Grün-Rot-Vegetationsindex (MGRVI)⁶⁸, Normalisierter Grün-Blau-Differenzindex (NGBDI)⁶⁹, Normalisierter Grün-Rot-Differenzindex (NGRDI)⁶⁹, Rot-Grün-Blau-Verhältnisindex und Rot-Grün-Blau-Vegetationsindex (RGBRI⁷⁰) und RGBVI⁶⁸), Rot-Grün-Verhältnisindex (RGRI)⁵⁷, sichtbarer bodenadjustierter Vegetationsindex (SAVI)⁵³, dreieckiger Grünheitsindex (TGI)⁶⁹, sichtbarer atmosphärisch resistenter Index (VARI)⁴⁷, vegetativer Index (VEG)⁷¹, Woebbecke-Index (WI)⁶³.

Die endgültigen Ergebnisse umfassen zwei separate multispektrale und RGB-Pflanzengemeinschaftsklassifikationskarten, die als GeoTIFFs im GIS-Projekt gespeichert sind, zusammen mit allen vorherigen georäumlichen Daten. 19 multispektrale VIs wurden zusammen mit dem Ground-Truth-Datensatz als Pixel-Prädiktoren in einem maschinellen Lern-Workflow (z. B. RF-Algorithmus) verwendet, um boreale Küstenpflanzengemeinschaften (OP, LS, US, TG) zu klassifizieren und eine multispektrale Pflanzengemeinschaftskarte zu erstellen. Und RGB-basierte Prädiktoren (25 RGB-VIs, Graustufenindex und normalisierte⁵⁶ rote, blaue, grüne Indizes und DSM), zusammen mit dem Ground-Truth-Datensatz, um eine RGB-basierte Pflanzengemeinschaftskarte zu klassifizieren und zu erstellen (siehe Abbildung 7). Endergebnisse wurden in der R-Konsole dargestellt; Abbildung 7A stellt multispektrale Karten dar, und Abbildung 7B stellt RGB-basierte Pflanzengemeinschaftskarten dar.

Um die endgültigen Ausgaben zu erzeugen, wurde die R-Umgebung (Phase 4 des Protokolls) verwendet, um den maschinellen Lern-Workflow (z. B. RF-Algorithmus) zu skripten und auszuführen, wodurch die Visualisierung von Zwischenergebnissen wie Vegetationsindex-(VI)-Leistungsrankings ermöglicht werden (Abbildung 8). Bei der Kartierung und Klassifizierung von Pflanzengemeinschaften lieferte die R-Konsole Echtzeit-Fehlermeldungen und Erklärungen, erleichterte die Fehlersuche und sicherte einen reibungslosen Ablauf durch jeden Schritt.

Diese Studie bewertete zwei RF-Algorithmusmodelle für Pflanzengemeinschaftsklassifikationskarten. Das erste RF-Modell, das multispektrale VIs als Eingabedatensatz verwendete, erreichte eine Genauigkeit von 92,34 % mit einem F1-Wert von 0,915 im Validierungsdatensatz. Dies ist ein gültiges Ergebnis, da F1-Werte von 0 (schlechteste) bis 1 (perfekt) liegen, wobei höhere Werte auf überlegene Leistung hindeuten. Der F1-Wert in einem HF-Modell stellt den harmonischen Mittelwert von Präzision und Abruf dar. Diese Kennzahl balanciert effektiv falsch-positive und negative Ergebnisse aus, d. h. sie lässt nicht zu, dass eine Art von Fehler die andere überwiegt, was für unausgewogene Datensätze unerlässlich ist, und wird häufig über Klassen hinweg gemittelt oder pro Klasse gemeldet, um die Gesamtmodellleistung^78,79 zu bewerten. Die OOB-Fehlerquote des multispektralen Modells betrug 7,75 %, was auf ein moderates Fehlklassifikationsrisiko hinweist. Die F1-Werte auf Klassenniveau im Validierungsdatensatz reichten von 0,845 in TG bis 0,984 in OP-Pflanzengemeinschaften, was auf moderate Leistungsvariabilität zwischen den Gemeinschaften hindeutet.

Das zweite bewertete RF-Modell basierte auf VIs und DSM, die aus der RGB-Luftaufnahme abgeleitet wurden, und erreichte eine Genauigkeit von 98,89 % bei einem Gesamtwert von 0,987 im F1. Die OOB-Fehlerquote betrug nur 1,14 %, was eine sehr hohe Zuverlässigkeit widerspiegelt. Die F1-Werte auf Klassenniveau waren durchgehend hoch (0,986–0,993), was auf eine robuste Klassifizierung für alle Gemeinden hinweist.

Das variable Wichtigkeitsdiagramm in R (Abbildung 8A) zeigte die Vorhersagefähigkeiten jedes VIs für die borealen Küstenfeuchtgebiete-Pflanzengemeinschaften. Die einflussreichsten multispektralen VIs als Prädiktoren waren mNDVI und SR, die auf eine starke Empfindlichkeit gegenüber Grün und Biomasse des Kronendachs hinweisen. Ähnlich wurden auch GRDI, NDVI, NDVIre und SRre hoch eingestuft, was die Rolle der roten und normalisierten Differenzindizes bei der Unterscheidung von Vegetationstypen widerspiegelt. Im Gegensatz dazu zeigen die RGB-basierte Index- und DSM-Variablen-Bedeutungsdiagramme, dass das DSM-abgeleitete strukturelle Höhenmodell als Prädiktor ein entscheidender Faktor für die Klassifikationsgenauigkeit ist (Abbildung 8B). Weitere wichtige Prädiktoren sind TGI, Graustufen und VARI, die die RGB-Reflektanzvariabilität nutzen. Diese Ergebnisse zeigen also, dass DSM- und RGB-abgeleitete Indizes die Klassifikationszuverlässigkeit signifikant verbessern und das Risiko der Fehlklassifikation verringern.

Der gesamte georäumliche Datensatz wurde als GIS-Projekt gespeichert, ein Ordner mit UAV-Vermessungs- und VI-Rasterkarten, dem biophysikalischen Beobachtungs-GeoPackage (Bodenwahrheit) und Karten der Pflanzengemeinschaften; alle als QGIS-Projekt (.qgz-Datei) verknüpft. Das Projekt ist für den Offline-Einsatz geeignet und ermöglicht Interoperabilität über GIS-Plattformen hinweg.

Abbildung 1: Untersuchungsstätte. Foto mit einem Ortspin auf der Weltkarte, das auf die Insel Hiiumaa im westestnischen Archipel zeigt. Der Untersuchungsstandort Kõrgessaare rannaniit befindet sich im Dorf Viscosa und ist ein Naturschutzgebiet. Lebensraumtyp: boreale baltische Küstenwiese (Natura 2000 Code 1630). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 2: Konzeptionelles Workflow-Diagramm. (1) UAV-basierte Luftvermessung, (2) Erhebung und Georeferenz von Ground-Truth-Daten, (3) Berechnung des Vegetationsindexes und (4) überwachte Klassifikation mit zufälliger Forest in R. Aktuelle Karten aus der Protokollimplementierung veranschaulichen diese vierphasige Methode. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 3: Detailliertes Workflow-Diagramm. Das Diagramm listet die 4 Phasen (und Schlüsselschritte) des Protokolls in unterschiedlich farbigen Panels auf, zusammen mit den in jeder Phase generierten Datensätzen. Arrors symbolisieren den Datenfluss. Die blaue Farbe unterscheidet multispektrale Datensätze von RGB in Rot. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 4: Beispiel für eine Photogrammetrie-Software. (A–C) Ein Screenshot eines RGB-Bildmosaikprojekts: (A) Verarbeitungsoptionen für DSM und Orthomosaike. (B) Verarbeitungsoptionen für rote, grüne und blaue Indizes. (C) Überblick über den Verarbeitungsfortschritt, einschließlich Luftaufnahmen und Kamerawinkeln. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 5. Rasterdateien von Karten in GIS-Software ausschneiden. Screenshot eines QGIS-Arbeitsbereichs mit sichtbaren Ebenen und geöffneten Tabs in der Reihenfolge, der zeigt, wie unnötige Daten ausgeschnitten werden können: Raster-Extraktion-Clip-Raster nach Extent ("Extent" bezeichnet in diesem Fall eine Polygonform, die nach Belieben gezeichnet und verwendet wird, um Pixel zu maskieren, die außerhalb ihrer Grenzen liegen) Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Abbildung 6. GIS-Software Rasterrechner Screenshot. Als Beispiel die Eingabe der modifizierten Soil-adjusted Vegetation Index (MSAVI)-Formel. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 7. Statistische Rechenumgebung für R-Version-Screenshots, die die endgültigen Ausgaben demonstrieren, die in der R-Konsole (RStudio) dargestellt werden. (A) multispektrale und (B) RGB-basierte Pflanzengemeinschaftskarten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 8. Statistische Rechenumgebung für R-Screenshots, die VI-Leistungsbewertungen demonstrieren. (A, B) Ansichten einer R-Konsole: (A) Screenshot bei Verwendung multispektraler VIs als Eingabedatensatz und (B) Screenshot bei Verwendung eines RGB+DSM-Datensatzes. Sowohl (A- als auch B)-Ansichten enthalten variable-wichtigkeitsdiagramme namens "final_rf" (skript-generierter Objektname). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Ergänzende Datei 1: Vegetationsindexgleichungen. Liste der in diesem Protokoll verwendeten multispektralen und RGB-basierten Vegetationsindex-(VI)-Gleichungen, einschließlich Formeln für die RGB-Bandnormalisierung vor der Berechnung der RGB-VI. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Datei 2: RF-Klassifikations- und Validierungsskript.R. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Die kritischen Schritte des Protokolls befinden sich in Phase 1, der UAV-Survey, und in Phase 2 in der Feldarbeit, bei der biophysikalische Beobachtungen gesammelt und der Ground Truth-Datensatz zusammengestellt wird. Beide sind wetterabhängig und müssen in unmittelbarer Nähe durchgeführt werden. Beide müssen geospatiale Datensätze mit hoher Koordinatenpräzision liefern (für die Fallstudie wurde eine Genauigkeit von 1–3 cm erreicht). Der Erfolg der Vegetationsindexberechnungen und des maschinellen Lernprozesses hängt direkt von der Datenqualität der UAV-Erhebung und der Bodenwahrheit ab. Wichtige Schritte zur Genauigkeit der UAV-Vermessungskarte sind in Schritt 1.4, Nachflugverfahren beschrieben. Wenn Nachbearbeitung/Bild-Geotagging RINEX-Daten verwendet, die nicht zugänglich sind, ist eine Alternative die Nutzung einer Live-RTK-Basisstation, die der Drohne während des Flugs Echtzeit-GNSS-Korrektursignale liefert (siehe ein Beispiel im Videoartikel Movchan et ^al.37 mit einem Beispiel für Einrichtungsanweisungen).

Vor der Datenerhebung sollte der Untersuchungsstandort besucht werden, um erfahrungsbasiertes Wissen über die Landschaft zu gewinnen, die interessanten Pflanzengemeinschaften zu identifizieren und festzustellen, welche biophysikalischen Beobachtungen vor Ort möglich sind, um die Pflanzenzusammensetzung zu beschreiben. Da jeder Untersuchungsort unterschiedliche Landschaftsmerkmale und Flora aufweist, die von seiner Klimazone geprägt sind, ist die Bestimmung von Pflanzenarten für eine genaue Landdeckenkartierung unerlässlich, da artspezifische biochemische, strukturelle und physiologische Merkmale einzigartige spektrale Reflexionssignaturen erzeugen. Für jeden Probenahmequadrat sollten an allen vier Ecken Koordinaten mit GNSS/RTK-Geräten und Landvermessungssoftware erfasst werden, wobei der Quadrat-Identifikationscode eingegeben und gespeichert wird. Alle zusätzlichen biophysikalischen Beobachtungen oder Proben, die im Quadrat gesammelt werden, müssen mit diesen Koordinaten verknüpft werden, sodass jede Messung mit dem georäumlichen Datensatz verankert ist und in einem einheitlichen, tabellierten Format für die Pflanzengemeinschaftsklassifikation und anschließende statistische Analysen oder ökologische Modellierungen zusammengestellt werden kann. Die ausgewählten Quadraten sind als Trainingspunkte gekennzeichnet, mit Community-Namen/-codes (zum Beispiel waren es in diesem Trainingsset OP, LS, US und TG). Random Forest (RF) lernt dann die Pixelmuster, die mit jedem Label verbunden sind. Das Endergebnis der RF-Klassifikation ist eine Karte, die die Verteilung der Pflanzengemeinschaftsetiketten über das Studiengelände anzeigt, basierend auf während der Feldarbeit bereitgestellten Quadrat-Trainingsproben.

Die Phasen 3 (Berechnung des Vegetationsindex) und 4 (überwachte Klassifikation in R unter Verwendung von Random Forest) sind voneinander abhängig und stark modifizierbar. Zum Beispiel listet Supplementary File 1 19 mathematische Formeln zur Berechnung von Indizes aus multispektralen Bändern und 23 Formeln zur Neuberechnung von RGB-Luftvermessungsdaten auf. Dennoch sind VIs von Forschern formuliert, die Gleichungen Open Source und werden in peer-reviewten Artikeln und Spektralindexdatenbanken^{veröffentlicht}. Eine größere Anzahl (als angegeben) von Formeln steht für Tests im maschinellen Lernprozess zur Klassifizierung von Pflanzengemeinschaftskarten zur Verfügung. Änderungen an den Datensätzen beeinflussen die Leistung des Algorithmus. VIs können zu Testmodellen hinzugefügt und weggelassen werden. Die Verfügbarkeit von zwei finalen Pflanzengemeinschaftskarten, die aus multispektralen und RGB-basierten Datensätzen abgeleitet sind, bietet die Möglichkeit, Modellleistungen zu vergleichen. Das RGB-Modell erreichte 98,89 %, was jedoch nicht zwangsläufig bedeutet, dass der Sensor dem Multispektralsensor überlegen ist, der eine niedrigere Punktzahl erzielte. RGB-basierte Daten basieren auf Farbe und Höhe, was effizient zur Klassifizierung von Landdeckkarten strukturell vielfältiger Lebensräume^{sein kann 9,33}. Im Gegensatz dazu liefern multispektrale Bilder mehr Informationen über die Pflanzenphysiologie, nicht nur über das Aussehen, und sind möglicherweise besser darin, Vegetationstypen mit ähnlichen Farben und Schattenresistenz zu unterscheiden (z. B. kann NIR-Licht, das Pflanzen stark reflektieren, auch dann erfasst werden, wenn es teilweise beschattet^ist). Die Verwendung ausschließlich von RGB-Sensoren ist durch ihren engen Spektralbereich (rot, grün, blau) begrenzt, da subtile biochemische und physiologische Unterschiede (z. B. Chlorophyllgehalt und Wasserstress) ohne NIR-, Rotkanten- oder Hyperspektralbänder möglicherweise nicht nachweisbar sind.

Haupteinschränkungen der Methode könnten das kostspielige UAV-System und die demonstrierte Photogrammetrie sein. Die Methode ist jedoch so konzipiert, dass zur Nachbildung dieses Protokolls ein Multispektralsensor und eine RGB-Kamera austauschbar verwendet werden können. Um dieses Protokoll umzusetzen, wurde das eBee X Starrflügel-UAV-System mit einem Multispektral- und RGB-Sensor (Sequoia) sowie der eMotion-Flugmanagementsoftware verwendet; andere UAV-Systeme können das bereitgestellte Protokoll jedoch reproduzieren, wenn sie einen multispektralen Sensor und/oder eine RGB-Kamera, eine Missionsplanungsfunktion in der Flugmanagementsoftware, eine 90-Grad-Nadir-Kameraausrichtung sowie entweder ein benutzerzugängliches Flugprotokoll für Geotagging nach dem Flug oder eine RTK-Funktion zur Erfassung präziser Bildkoordinaten während des Fluges enthalten. Darüber hinaus dürfen Nicht-Piloten UAV-Surveys vergeben, wenn der beauftragte Pilot alle rechtlichen und betrieblichen Anforderungen erfüllt – eine gängige Praxis in Forschung, Naturschutz und Umweltüberwachung; Das Forschungsteam bleibt jedoch für die grundlegende Missionsgestaltung verantwortlich, einschließlich der Definition des Studienstandorts und der Festlegung des Erhebungszeitpunkts. Daher wird auch für Nicht-UAV-Piloten empfohlen, sie mit der ersten Phase des Protokolls vertraut zu machen. Zusätzlich kann die demonstrierte Photogrammetrie-Software zur erfolgreichen Implementierung des Protokolls verwendet werden oder für einen kurzen Zeitraum lizenziert werden, um Kosten zu senken.

Ein bemerkenswerter Vorteil dieses Protokolls ist seine Kompatibilität mit Multispektral- und Standard-RGB-UAV-Kameras. Sie kann von Forschungsteams und Naturschutzpraktikern mit begrenzten Budgets übernommen werden und ist regions- und institutionsübergreifend skalierbar, was sie für langfristige Überwachung geeignet macht. Diese Hardwareunabhängigkeit sorgt dafür, dass der Workflow zukunftssicher und hardwareunabhängig bleibt. Da sowohl RGB- als auch multispektrale Vermessungsdaten verwendet werden können, unterstützt der Workflow Vergleiche über mehrere Standorte, Langzeitzeitreihen – selbst bei Geräteänderungen – und die Integration von alten (historischen) RGB-Datensätzen.

Zukünftige Verbesserungen dieses Protokolls könnten Texturmetriken aus hochauflösenden Bildern integrieren, um strukturelle Unterschiede in der Vegetation besser zu erfassen. In diesem Zusammenhang kann die Untersuchung von Ensembles von RF-Modellen, die RGB- und multispektrale Bilder kombinieren, die Klassifikationsgenauigkeit verbessern. Außerdem würden zukünftige Empfehlungen zur Hochskalierung von UAV-basierten Pflanzengemeinschaften auf Satellitenbilder und die Kopplung dieses Ansatzes mit cloudbasierten Plattformen eine großflächige Ökosystemmodellierung⁸² ermöglichen. Während UAV-Daten weiterhin unerlässlich sind, um die für eine genaue Kartierung auf Zentimetermaßstab erforderlichen strukturellen und spektralen Details zu erfassen, könnten Satellitenbilder als zusätzliche Prädiktorschicht oder als breiterer kontextueller Input dienen. Die Einbeziehung satellitenbasierter Variablen in das RF-Modell könnte seine Fähigkeit verbessern, sich auf größere räumliche Flächen zu verallgemeinern und multiskalige Lebensraumbewertungen zu unterstützen. Dieser hybride Ansatz würde es ermöglichen, UAV-basierte Community-Karten in eine breitere Landschaftsperspektive einzubetten, was es ermöglicht, regionale Muster zu erkennen, UAV-Erhebungsstandorte zu priorisieren und langfristige Überwachungsrahmen zu stärken. Die Untersuchung, wie Satellitendaten mit UAV-Eingängen innerhalb der RF-Pipeline harmonisiert werden können, stellt eine Forschungsmöglichkeit dar, die Skalierbarkeit und den operativen Nutzen des Protokolls zu erweitern.

Die Integration von UAV-Bildern, Felduntersuchungen, Vegetationsindizes und KI-unterstützter Klassifikation in einen einzigen, reproduzierbaren Arbeitsablauf ist unerlässlich, da sie die räumlichen, spektralen und ökologischen Details liefert, die für eine genaue Kartierung niedrig wachsender Vegetation erforderlich sind. UAV-basierte Fernerkundung hat in der wissenschaftlichen Gemeinschaft zunehmend Aufmerksamkeit gewonnen und sich rasch zu einem weit verbreiteten Werkzeug für vielfältige Anwendungen entwickelt, insbesondere zur Überwachung der Küstenumgebung⁸³. Diese Methode bietet einen praktischen Leitfaden für einen UAV-basierten, maschinell-learning-unterstützten Arbeitsablauf für Ausbildung und Forschung, der die ökologische Renaturierung und die Überwachung natürlicher oder halbnatürlicher Grasländer in Küstenökosystemen unterstützen soll.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
eBee X	senseFly/AgEagle	eBee X, https://www.sensefly.com/drones/ebee-x/	UAV-System eBee X ist ein professionelles Festflügel-Mapping-Drohnensystem. Es kann ein alternatives Mapping-Drohnensystem verwendet werden
eMotion	senseFly/AgEagle	https://www.sensefly.com/drone-software/emotion/	Zum Planen von Drohnenflugmissionen und zur Verwaltung von Luftdaten verwendet. eMotion-Software ist ein ergänzender Teil des eBeeX-Drohnensystems
Externe Festplatte	Jeder Lieferant	N/A	Größe abhängig von der Größe des Studiengebiets und Projektgröße (250 GB - 1 TB)
Feldarbeitslaptop	Jeder Lieferant	N/A	eine leistungsfähige, tragbare Maschine, die für Feldoperationen geeignet ist und Drohnenflugmanagementsoftware ausführen kann (Basierend auf eMotion-Spezifikationen: 64-Bit Windows 10/11; Intel Core i5/i7 (12. Generation+) oder AMD Ryzen 5/7 (>3,5 GHz) - Hohe Taktfrequenzen sind wichtiger als Kernanzahl; 16 GB Minimum (32 GB+ Sehr Empfohlen); Mittlere Klasse NVIDIA GTX/RTX (z.B. RTX 3060/4060); NVMe SSD (Erforderlich).
GNSS/RTK-System Trimble	Trimble Inc.	Modell R10	Es verfügt über einen Empfänger mit Landvermessungssoftware und Ersatzakkus. Alternativ können auch GNSS/RTK-Systeme verwendet werden.
Grasschere	Jeder Lieferant	N/A	Biomasseprobenahme (optional)
Pix4Dmapper	Pix4D	https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/	Photogrammetrie-Software: Pix4Dmapper kann monatlich oder jährlich lizenziert werden. Alternativ kann auch eine andere Photogrammetrie-Software zur Umsetzung dieses Protokolls verwendet werden.
Pflanzenbestimmungsführer	Jeder Lieferant	N/A	Zur Durchführung biophysikalischer Beobachtungen verwendet (online, Buch oder ausgedruckte lokale Pflanzen-ID-Führer)
QGIS	QGIS	3.44.9 Solothurn	Eine kostenlose und quelloffene GIS-Software, verfügbar unter https://qgis.org/, alternative GIS-Software kann zur Umsetzung dieses Protokolls verwendet werden
Quadratrahmen von 1 m x 1 m	Jeder Lieferant	N/A	Zur Verwendung in Phase 2 für Feldarbeit/Stichproben, d.h. zur Durchführung biophysikalischer Beobachtungen, kann selbst hergestellt werden
R	R-Software Services	Version 4.2.0, https://cran.r-project.org	Eine Open-Source-Plattform für Statistik, Grafik, Datenanalyse und prädiktives Modellieren.
RStudio	R-Software Services	Version 2024.4.0.735, https://posit.co/download/rstudio/
Rtools	R-Software Services	https://cran.r-project.org/bin/windows/Rtools/	Da einige Pakete eine Kompilierung aus dem Quellcode erfordern. Verwendete Schlüsselpakete: terra 1.5 21, sp 1.5 0, sf 1.0 15, rgdal 1.6 6, raster 3.5 15, rsample 1.3 1, MLmetrics 1.1 1 und randomForest 4.7 1.1.
Waage (batteriebetrieben, geeicht, Präzision ±1 g)	Jeder Lieferant	N/A	Haltbar für Feldarbeit
Sequoia	Parrot SA	Parrot SEQUOIA+	Es handelt sich um einen Multispektral/RGB-Sensor, der in Phase 1 verwendet wird. RGB- und/oder Multispektralsensor (viele professionelle Drohnen verfügen über einen oder beide Sensoren). Zur Umsetzung dieses Protokolls wird Parrot SEQUOIA+ (Firma Parrot SA) verwendet
Bodenfeuchtigkeitsmesser	Jeder Lieferant	N/A
UAV-Wettervorhersage-App	Jeder Lieferant	N/A	Zur Flugplanung wird https://www.uavforecast.com/ verwendet
WET-Sensor-Kit	Delta T Devices	WET-UM-1.6	Bodenfeuchtigkeitssensor (optional)
Arbeitsstation	Jeder Lieferant	N/A	Optimale Spezifikation für eine reibungslose Verarbeitung der Photogrammetrie-Projekte und maschinelles Lernen in R erforderlich (Spezifikationen basieren auf den Softwareanforderungen von Pix4Dmapper: Windows 10/11, 64 Bit; CPU Quad-Core oder Hexa-Core Intel i9/Threadripper/Ryzen 9/; GeForce GTX GPU kompatibel mit OpenGL 3.2 und 2 GB RAM; Festplatte: SSD; Große Projekte (über 500 bis 1000 Bilder bei 14 MP): 32 GB RAM, 60 GB freier SSD-Speicher.