Sammeln und Verarbeiten von drohnenbasierten Fernerkundungsdaten für den Einsatz in der Überwachung der Walderholung
October 24th, 2025
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.
Übersicht
Diese Studie präsentiert ein benutzerfreundliches Protokoll zur Nutzung von Drohnen-basierter LiDAR-Technologie bei Waldwiederherstellungsbewertungen. Durch die Integration fortschrittlicher Sensortechnologie und Deep-Learning-Modelle verbessert das Protokoll die Effizienz der Überwachung der Waldwiederherstellung nach Störungen.
Wichtige Studienkomponenten
Wissenschaftsbereich
- Fernerkundung
- Waldökologie
- Künstliche Intelligenz
Hintergrund
- Jüngste Fortschritte bei Systemen für ferngesteuerte Flugzeuge (RPAS) ermöglichen hochauflösende Überwachung.
- Die Integration von KI bietet tiefere Einblicke aus großen Datensätzen.
- Effektive Bewertung und Management wiederhergestellter bewaldeter Flächen ist entscheidend.
- Bestehende Methoden mangelt es oft an Effizienz und Benutzerfreundlichkeit.
Zweck der Studie
- Entwicklung eines praktischen Protokolls für drohnenbasiertes LiDAR bei Waldwiederherstellungsbewertung.
- Adressierung der Forschungslücke in der Erkennung und Segmentierung einzelner Bäume.
- Reduzierung von Zeit und Kosten, die mit traditionellen Parzellenaufnahmen verbunden sind.
Verwendete Methoden
- Einrichtung von RPAS und RTK-Basisstation für genaue Datenerfassung.
- Erhebung von LiDAR- und Multispektraldaten über bestimmte Bereiche.
- Verwendung von Photogrammetrie-Software für Datenvorverarbeitung und Korrekturen.
- Anwendung des TreeAIBox-Plugins für Baumerkennung und -segmentierung.
Hauptergebnisse
- Insgesamt wurden 2.755 einzelne Bäume an drei Standorten erkannt.
- Die Erkennungsraten variierten, mit 100% für Standort 2 und 21% für Standort 3.
- Das Protokoll identifizierte erfolgreich Bäume höher als einen Meter mit hoher Genauigkeit.
- Es bietet eine vielseitige Methode zur Extraktion einzelner Baummetriken aus LiDAR-Daten.
Schlussfolgerungen
- Dieses Protokoll verbessert die Überwachung und Bewertung der Waldwiederherstellung.
- Es ist effektiv für junge Bäume in komplexen Waldumgebungen.
- Die Methode ist benutzerfreundlich und reduziert den Bedarf an umfangreichen Felduntersuchungen.
Häufig gestellte Fragen
Executive Industry Relevance
Automated drone-based LiDAR and multispectral data integration, combined with deep learning segmentation, enables scalable, high-resolution monitoring of forest recovery on reclaimed sites. This protocol addresses the need for efficient, reproducible, and quantitative assessment of vegetation structure, supporting data-driven decision-making in ecological restoration and land management. The approach reduces manual survey burden and enhances predictive confidence in ecosystem recovery metrics relevant to environmental portfolios.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables quantitative hypothesis testing of vegetation recovery dynamics using spatially explicit tree metrics.
- Supports mechanistic de-risking by clarifying the relationship between site treatments and ecological outcomes.
- Facilitates functional validation of restoration targets through objective, high-throughput data collection.
Screening & Assay Development
- Prepares validated geospatial datasets for downstream ecological modeling and comparative analysis.
- Standardizes data acquisition and processing workflows, improving reproducibility across sites and timepoints.
- Generates quantitative outputs (tree height, crown area, coordinates) suitable for scalable screening of restoration interventions.
Translational & Preclinical Research
- Aligns remote sensing outputs with field-based ecological indicators, supporting translational continuity in restoration monitoring.
- Enables risk-adjusted advancement of reclamation strategies based on robust, site-specific recovery metrics.
- Provides predictive de-risking for ecosystem recovery trajectories using objective, spatially resolved data.
Pipeline & Workflow Integration
This protocol integrates into the ecological monitoring continuum from early site assessment through longitudinal recovery tracking and intervention evaluation.
- Discovery Biology: Supports hypothesis-driven analysis of vegetation structure and recovery patterns using high-resolution, multi-modal data.
- Screening: Delivers reproducible, quantitative tree metrics for comparative evaluation of restoration approaches.
- Analytics: Outputs CSV files with tree identifiers, coordinates, height, and crown area for statistical analysis and cross-site benchmarking.
- Translational Research: Bridges remote sensing data with field validation, enabling consistent monitoring across diverse landscapes.
- Enterprise Reuse: Establishes a scalable, adaptable workflow for ongoing ecological monitoring and restoration assessment.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in ecosystem recovery and reduces ambiguity in restoration outcomes.
- Operational Value: Streamlines data collection, processing, and analysis for large-scale, multi-site monitoring.
- Strategic Value: Informs go/no-go decisions for reclamation investments and supports efficient resource allocation.
- Portfolio Impact: Enables risk-adjusted prioritization of restoration projects based on quantitative recovery metrics.
Implementation Considerations
- Requires expertise in remote sensing, geospatial analysis, and deep learning model operation.
- Needs access to RPAS platforms, LiDAR and multispectral sensors, and compatible processing software.
- Demands standardized workflows for data alignment, merging, and segmentation across teams.
- Adaptation may be necessary for different forest types, sensor configurations, or site conditions.
- Detection sensitivity is limited for trees below 1 meter in height, impacting monitoring of early-stage recovery.
