Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring

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

doi:10.3791/68745

Sammeln und Verarbeiten von drohnenbasierten Fernerkundungsdaten für den Einsatz in der Überwachu...

JoVE Journal
Environment

This content is Free Access.

JoVE Journal Environment

Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring

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

Full Text

776 Views

08:16 min

October 24, 2025

DOI: 10.3791/68745-v

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

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

Please note that some of the translations on this page are AI generated. Click here for the English version.

Overview

This study presents a user-friendly protocol for utilizing drone-based LiDAR technology in forest recovery assessments. By integrating advanced sensor technology and deep learning models, the protocol enhances the efficiency of monitoring forest recovery after disturbances.

Key Study Components

Area of Science

Remote sensing
Forest ecology
Artificial intelligence

Background

Recent advancements in remotely piloted aircraft systems (RPAS) enable high-resolution monitoring.
Integration of AI provides deeper insights from large datasets.
Effective assessment and management of recovering forested lands is crucial.
Existing methods often lack efficiency and user-friendliness.

Purpose of Study

To develop a practical protocol for drone-based LiDAR in forest recovery assessment.
To address the research gap in individual tree detection and segmentation.
To reduce time and costs associated with traditional plot surveys.

Methods Used

Setup of RPAS and RTK base station for accurate data collection.
Collection of LiDAR and multispectral data over designated areas.
Use of photogrammetry software for data preprocessing and corrections.
Application of the TreeAIBox plugin for tree detection and segmentation.

Main Results

A total of 2,755 individual trees were detected across three sites.
Detection rates varied, with 100% for Site 2 and 21% for Site 3.
The protocol successfully identified trees taller than one meter with high accuracy.
It offers a versatile method for extracting individual tree metrics from LiDAR data.

Conclusions

This protocol enhances forest recovery monitoring and assessment.
It is effective for young trees in complex forest environments.
The method is user-friendly and reduces the need for extensive field surveys.

Frequently Asked Questions

What is the main advantage of using drone-based LiDAR?

Drone-based LiDAR provides high-resolution data that enhances monitoring efficiency and accuracy in forest recovery assessments.

How does the protocol improve tree detection?

The protocol integrates advanced AI models for precise segmentation and identification of individual trees from LiDAR data.

What types of data are collected during the assessment?

LiDAR and multispectral data are collected to analyze forest recovery and individual tree metrics.

Can this protocol be used in various forest types?

Yes, the protocol is designed to be versatile and applicable across different forest environments.

What are the limitations of the detection rates?

Detection rates can vary significantly based on tree height and density, with shorter trees being more challenging to identify.

Is prior experience with LiDAR necessary to use this protocol?

While some familiarity with LiDAR technology is beneficial, the protocol is designed to be user-friendly for researchers at various skill levels.

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.

Unsere Forschung zielt darauf ab, den Einsatz von drohnenbasiertem LiDAR bei der Bewertung der Walderholung durch die Entwicklung eines benutzerfreundlichen Protokolls zu erleichtern. Jüngste Entwicklungen, die diese Arbeit ermöglichen, umfassen Fortschritte in der LiDAR-Sensortechnologie und die Integration mit Deep Loaning-Modellen. Zu Beginn überprüfen Sie die RPAS-Geräte und aktualisieren Sie bei Bedarf die Firmware.

Richte die RTK-Basisstation in einem freien Bereich auf, der fern von Hindernissen und der Baumgrenze ist. Warte, bis die Basisstation komplett aufgeladen ist, bevor du den Drohnenflug startest. Erstelle für jede Mission eine Flugdatei und lade sie auf den Ferncontroller hoch.

Führen Sie nun die Flugmissionen durch, um LiDAR- und multispektrale Daten im Interessengebiet zu sammeln. Richten Sie eine GNSS-Basisstation über dem Standort der RPAS ein und betreiben Sie die Basisstation, um genaue Koordinaten für eine präzise Punktpositionskorrektur zu erhalten. Verwenden Sie einen Kartenleser, um die gesammelten LiDAR- und multispektralen Daten von den Sensoren an eine Arbeitsstation zu übertragen.

Verwenden Sie Photogrammetrie-Software, um die multispektralen Daten vorzuverarbeiten und geometrische sowie radiometrische Korrekturen durchzuführen. Erzeugen Sie ein multispektrales Orthomosaik. Verwenden Sie geeignete Software, um die Rohdaten von LiDAR in eine Punktwolkendatei umzuwandeln.

Verwenden Sie ein geospatiales Werkzeug, um die LiDAR-Punktwolke mit dem multispektralen Orthomosaik auszurichten. Führe ein Python-Skript aus, um die ausgerichtete LiDAR-Punktwolke mit dem multispektralen Orthomosaik zu verbinden, um eine multispektrale Punktwolke zu erzeugen. Laden Sie CloudCompare, die dreidimensionale Punktwolkenverarbeitungssoftware, herunter und installieren Sie sie.

Dann lade den TreeAIBox-Plugin-Installer Version 1 von GitHub herunter, starte den Installer und folge den Bildschirmanweisungen. Öffnen Sie CloudCompare über das Desktop-Symbol oder wählen Sie Start, gefolgt von Alle Programme und CloudCompare. Laden Sie die Point Cloud-Datei, indem Sie eine oder mehrere Dateien öffnen und auf Anwenden klicken.

Wenn die Punktkoordinaten groß sind, akzeptieren Sie die Aufforderung, eine globale Verschiebung oder Skalierung anzuwenden. Wähle Eingabe, das Metadaten aus der Datei liest, und klicke auf Ja, damit die Punktwolke auf der Leinwand erscheint. Öffne die Python-Plugin-Toolbar.

Erweitern Sie das Dropdown-Menü Script Register und klicken Sie auf TreeAIBox, um die grafische Benutzeroberfläche des Plugins zu öffnen. Stellen Sie sicher, dass das Kästchen "GPU verwenden" aktiviert ist, wenn eine von der Compute Unified Device Architecture unterstützte Grafikeinheit verfügbar ist. Im oberen Panel wählen Sie TreeFiltering und wählen Sie ALS, falls Baumstämme in den RPAS-Daten nicht sichtbar sind.

Jetzt räumen Sie das Kästchen für die Kachelgröße ab. Im Dropdown für vordefinierte Modelle wählen Sie treefiltering_als_esegformer. Wenn Sie dieses Modell zum ersten Mal verwenden, klicken Sie auf Download und bestätigen Sie das Popup, das den lokalen Pfad anzeigt.

Wähle die Punktwolke in der Leinwand aus, damit sie mit einem Begrenzungsfeld hervorgehoben wird. Im TreeFilter-Panel klicken Sie auf Anwenden. Bestätigen Sie, dass ein neues Skalierungs- oder Feld namens TreeFilter erstellt wurde, mit dem Wert 2 für rote Baumpunkte und Wert 1 für andere Punkte in Blau, bevor Sie fortfahren.

Im oberen Panel von TreeAIBox wählen Sie TreeisoNet aus. Aktiviere Reclamation, ALS-Stamm-Implicit und Treeloc. Wählen Sie im Dropdown-Menü das erforderliche vortrainierte Modell aus.

Stelle sicher, dass die Punktwolke in der Leinwand ausgewählt ist, und klicke dann auf Anwenden. Nach der Verarbeitung bestätigen Sie, dass ein neues Element namens Treetops unter der ursprünglichen Punktwolke im Datenbank-Baumfenster erscheint. Wählen Sie dieses Element aus und erhöhen Sie die Punktgröße, zum Beispiel auf 16, um die Sichtbarkeit zu verbessern, und überprüfen, ob die Positionen der Baumwippen als weiße Punkte auf der Leinwand erscheinen.

Um Baumkronen zu segmentieren, wähle das Tree-Point-Cloud-Element erneut aus. Wählen Sie im oberen Panel von TreeAIBox TreeisoNet aus und aktivieren Sie TreeOff. Laden Sie das erforderliche vortrainierte Modell herunter und klicken Sie dann auf Anwenden, um das Modell auszuführen.

Bestätigen Sie als nächstes, dass eine neue Skala oder ein neues Feld namens TreeOff erstellt wurde. Überprüfen Sie, dass jedem Baum eine eindeutige Kennung zugewiesen wird, wobei Punkte aus demselben Baum denselben Bezeichner teilen. Optional kannst du die Punktgröße der Baumspitze auf Standard zurücksetzen, um visuelle Unordnung zu reduzieren.

Um den visuellen Kontrast zu verbessern und die Baumfarben nach Identifikator zu randomisieren, klonen Sie die ursprüngliche Punktwolke, um die Daten zu erhalten, indem Sie Bearbeiten und Klonen auswählen. Gehe dann zu Bearbeiten, gefolgt von Skalarfeldern und konvertiere in zufälliges RGB. Geben Sie einen großen Wert ein, um diskrete Farben sicherzustellen, und klicken Sie auf OK. Betrachte die Punktwolke, die Bäume in zufälligen Farben darstellt.

Schließlich wählen Sie im oberen Panel von TreeAIBox TreeisoNet aus und klicken Sie auf Statistiken exportieren, um Segmentierungsergebnisse zu exportieren. Klicken Sie dann auf Ausgabepfad öffnen, um die exportierte Datei im Results-Ordner anzuzeigen. Bestätigen Sie, dass die Ausgabe eine Datei mit Komma-getrennten Werten ist, die Baumidentifikatoren, Koordinaten, Baumhöhe und Kronenfläche enthält.

Das TreeAIBox-Plugin filterte erfolgreich Baumpunkte und markierte einzelne Bäume an allen drei Standorten, sodass insgesamt 2.755 einzelne Bäume entdeckt wurden. Das Modell identifizierte 1.706 Bäume auf Standort 1, 882 Bäume auf Standort 2 und 167 Bäume auf Standort 3. Die Erkennungsrate für Referenzbäume variierte zwischen den Standorten: 100 % wurden für Standort 2, 95 % für Standort 1 und 21 % für Standort 3 entdeckt.

Das Modell erreichte eine Erkennungsrate von 100 % für alle Referenzbäume mit einer Höhe von mehr als einem Meter. Die Erkennungsleistung nahm bei kürzeren Bäumen ab, wobei nur 45 % der Bäume zwischen 0,5 und 1 Meter erkannt wurden und keiner der Bäume unter 0,5 Meter identifiziert wurde. Dieses Protokoll zielt darauf ab, die Forschungslücke bei der Erkennung und Segmentierung einzelner Bäume für junge Bäume in komplexen bewaldeten Umgebungen zu schließen.

Dieses Protokoll bietet eine praktische, effektive, benutzerfreundliche und vielseitige Methode, um einzelne Baummetriken aus LiDAR-Daten zu extrahieren. Unser Protokoll wird die Walderholung und Überwachung vorantreiben und ist besonders nützlich zur Bewertung der Größe von Recy-Climb-Brunnen, wodurch Zeit und Kosten für Parzelluntersuchungen reduziert werden.