Name: Recopilación y procesamiento de datos de teledetección basados en drones para su uso en el monitoreo de la recuperación forestal (Video) | JoVE Journal
Uploaded: 2025-10-24T14:25:00.000+00:00
Duration: 8 min 16 s
Description: Aprende a utilizar LiDAR con drones para evaluar la recuperación forestal mediante un protocolo práctico con inteligencia artificial. Detecta y segmenta árboles individuales de forma precisa en entornos complejos.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol><li>Well status. , Alberta Energy Regulator. 
 <a target="_blank" href="https://www.aer.ca/data-and-performance-reports/data-hub/well-status">https://www.aer.ca/data-and-performance-reports/data-hub/well-status</a> (2025).</li>
<li>Western boreal forest - Canada. , Ducks Unlimited. 
 <a target="_blank" href="https://www.ducks.org/conservation/where-ducks-unlimited-works/western-boreal-forest--canada">https://www.ducks.org/conservation/where-ducks-unlimited-works/western-boreal-forest--canada</a> (2023).</li>
<li>Baah-Acheamfour, M., Dewey, M., Fraser, E. C., Schreiber, S. G., Schoonmaker, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Assessing+ecological+recovery+of+reclaimed+well+sites%3A+a+case+study+from+Alberta%2C+Canada%5BTitle%5D)+AND+%22Front.+For.+Glob.+Change%22%5BJournal%5D)">Assessing ecological recovery of reclaimed well sites: a case study from Alberta, Canada.</a> Front. For. Glob. Change. 5, 849246(2022).</li>
<li>2010 reclamation criteria for wellsites and associated facilities for forested lands (Updated July 2013). , Environment and Sustainable Resource Development. 
 <a target="_blank" href="https://open.alberta.ca/publications/1657667/resource/77e66fa1-f7ee-44ad-8c68-234854d38d44">https://open.alberta.ca/publications/1657667/resource/77e66fa1-f7ee-44ad-8c68-234854d38d44</a> (2013).</li>
<li>Alvarez-Vanhard, E., Corpetti, T., Houet, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((UAV+and+satellite+synergies+for+optical+remote+sensing+applications%3A+a+literature+review%5BTitle%5D)+AND+%22Sci.+Remote+Sens%22%5BJournal%5D)">UAV and satellite synergies for optical remote sensing applications: a literature review.</a> Sci. Remote Sens. 3, 100019(2021).</li>
<li>Hird, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Use+of+unmanned+aerial+vehicles+for+monitoring+recovery+of+forest+vegetation+on+petroleum+well+sites%5BTitle%5D)+AND+%22Remote+Sens%22%5BJournal%5D)">Use of unmanned aerial vehicles for monitoring recovery of forest vegetation on petroleum well sites.</a> Remote Sens. 9 (5), 413(2017).</li>
<li>Mathews, A. J., Singh, K. K., Cummings, A. R., Rogers, S. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fundamental+practices+for+drone+remote+sensing+research+across+disciplines%5BTitle%5D)+AND+%22Drone+Syst.+Appl%22%5BJournal%5D)">Fundamental practices for drone remote sensing research across disciplines.</a> Drone Syst. Appl. 11, 1-22 (2023).</li>
<li>Zhang, Z., Zhu, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+on+unmanned+aerial+vehicle+remote+sensing%3A+platforms%2C+sensors%2C+data+processing+methods%2C+and+applications%5BTitle%5D)+AND+%22Drones%22%5BJournal%5D)">A review on unmanned aerial vehicle remote sensing: platforms, sensors, data processing methods, and applications.</a> Drones. 7 (6), 398(2023).</li>
<li>Puliti, S., McLean, J. P., Cattaneo, N., Fischer, C., Astrup, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tree+height-growth+trajectory+estimation+using+uni-temporal+UAV+laser+scanning+data+and+deep+learning%5BTitle%5D)+AND+%22Forestry%22%5BJournal%5D)">Tree height-growth trajectory estimation using uni-temporal UAV laser scanning data and deep learning.</a> Forestry. 96 (1), 37-48 (2023).</li>
<li>Straker, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Instance+segmentation+of+individual+tree+crowns+with+YOLOv5%3A+a+comparison+of+approaches+using+the+ForInstance+benchmark+LiDAR+dataset%5BTitle%5D)+AND+%22ISPRS+Open+J.+Photogr.+Remote+Sens%22%5BJournal%5D)">Instance segmentation of individual tree crowns with YOLOv5: a comparison of approaches using the ForInstance benchmark LiDAR dataset.</a> ISPRS Open J. Photogr. Remote Sens. 9, 100045(2023).</li>
<li>Xiang, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+forest+inventory%3A+analysis+of+high-density+airborne+LiDAR+point+clouds+with+3D+deep+learning%5BTitle%5D)+AND+%22Remote+Sens.+Environ%22%5BJournal%5D)">Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning.</a> Remote Sens. Environ. 305, 114078(2024).</li>
<li>TreeAIBox CloudCompare Plugin. , 
 <a target="_blank" href="https://github.com/NRCan/TreeAIBox">https://github.com/NRCan/TreeAIBox</a> (2025).</li>
<li>Xi, Z., Degenhardt, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+unified+framework+for+supervised+3D+crown+segmentation+%28TreeisoNet%29+using+deep+neural+networks+across+airborne%2C+UAV-borne%2C+and+terrestrial+laser+scans%5BTitle%5D)+AND+%22ISPRS+Open+J.+Photogr.+Remote+Sens%22%5BJournal%5D)">A new unified framework for supervised 3D crown segmentation (TreeisoNet) using deep neural networks across airborne, UAV-borne, and terrestrial laser scans.</a> ISPRS Open J. Photogr. Remote Sens. 15, 100083(2025).</li>
<li>Elsheikh, M., Iqbal, U., Noureldin, A., Korenberg, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+implementation+of+precise+point+positioning+%28PPP%29%3A+a+comprehensive+review%5BTitle%5D)+AND+%22Sensors%22%5BJournal%5D)">The implementation of precise point positioning (PPP): a comprehensive review.</a> Sensors. 23 (21), 8874(2023).</li>
<li>CloudCompare. , 
 <a target="_blank" href="https://www.cloudcompare.org/">https://www.cloudcompare.org/</a> (2024).</li>
<li>Wielgosz, M., Puliti, S., Xiang, B., Schindler, K., Astrup, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SegmentAnyTree%3A+a+sensor+and+platform+agnostic+deep+learning+model+for+tree+segmentation+using+laser+scanning+data%5BTitle%5D)+AND+%22Remote+Sens.+Environ%22%5BJournal%5D)">SegmentAnyTree: a sensor and platform agnostic deep learning model for tree segmentation using laser scanning data.</a> Remote Sens. Environ. 313, 114367(2024).</li>
</ol>

<table><tbody><tr><td>App de Mapas de Avenza</td><td>Avenza</td><td>NA</td><td>Para navegación de campo offline usando mapas PDF georreferenciados creados en QGIS</td></tr><tr><td>Blancos a cuadros</td><td>Cualquier proveedor</td><td>NA</td><td>Puntos de control en tierra</td></tr><tr><td>CloudCompare&nbsp;</td><td>CloudCompare&nbsp;</td><td>NA</td><td>Software de procesamiento y edición en nube de puntos 3D</td></tr><tr><td>Estación de baterías DJI BS60 (con las baterías M300 (x8), pilas D-RTK2 (x4), cable de alimentación y cable USB-C para conectar al mando a distancia)</td><td>DJI</td><td>NA</td><td></td></tr><tr><td>Avión DJI M300 RTK con DLS (con mando y hélices de repuesto)</td><td>DJI</td><td>NA</td><td>DLS (Sensor de Luz Descendente)</td></tr><tr><td>DJI Terra Pro</td><td>DJI</td><td>NA</td><td>Reconstrucción de datos LiDAR en bruto en nube de puntos 3D.&nbsp;</td></tr><tr><td>Sensor LiDAR DJI Zenmuse L1 (con tarjeta microSD)</td><td>DJI</td><td>NA</td><td></td></tr><tr><td>Estación móvil D-RTK2 (con trípode y varilla de extensión)</td><td>DJI</td><td>NA</td><td></td></tr><tr><td>Estación base Emlid Reach RS2+ (con trípode)</td><td>Emlid</td><td>NA</td><td></td></tr><tr><td>Rover Emlid Reach RS2+ (con poste de medición GNSS)</td><td>Emlid</td><td>NA</td><td></td></tr><tr><td>Discos duros externos</td><td>Cualquier proveedor</td><td>NA</td><td>&nbsp; Para hacer copias de seguridad de los datos</td></tr><tr><td>Libro de vuelo</td><td>Cualquier proveedor</td><td>NA</td><td></td></tr><tr><td>Google Earth Pro&nbsp;</td><td>Google</td><td>NA</td><td>Creación de archivos de vuelo KML &nbsp;</td></tr><tr><td>Plataforma de aterrizaje</td><td>Cualquier proveedor</td><td>NA</td><td>Lanzar o aterrizar una aeronave</td></tr><tr><td>Portátil</td><td>Cualquier proveedor</td><td>NA</td><td>Para usarse en el campo para descargar datos, formatear tarjetas, etc.</td></tr><tr><td>Sensor MicaSense RedEdge-P (con tarjeta SD MicaSense, cable USB-C, panel de reflectancia calibrado MicaSense (CRP))</td><td>MicaSense</td><td>NA</td><td></td></tr><tr><td>PIX4Dmapper</td><td>Pix4D S.A.</td><td>NA</td><td>Corrección geométrica y radiométrica de imágenes multiespectrales y generación de ortomosaicos.</td></tr><tr><td>Neumómetro</td><td>Cualquier proveedor</td><td>NA</td><td></td></tr><tr><td>PyCharm</td><td>JetBrains&nbsp;s.r.o.</td><td>NA</td><td>Entorno de desarrollo integrado (IDE) en Python</td></tr><tr><td>QGIS&nbsp;</td><td>QGIS&nbsp;</td><td>NA</td><td>Procesamiento, edición y visualización de datos geoespaciales</td></tr><tr><td>Lector de tarjetas SD y microSD</td><td>Cualquier proveedor</td><td>NA</td><td></td></tr><tr><td>Teléfono inteligente</td><td>Cualquier proveedor</td><td>NA</td><td>Para conectar con las unidades RS2+ del sensor RedEdge P de MicaSense y Emlid Reach</td></tr><tr><td>Piquetes/clavos de estrella, mazo y cinta de bandera</td><td>Cualquier proveedor</td><td>NA</td><td>Para marcar la ubicación de la estación base D-RTK2</td></tr><tr><td>Tableta</td><td>Cualquier proveedor</td><td>NA</td><td>Para la navegación en el campo</td></tr><tr><td>TreeAIBox (CloudCompare&nbsp; plugin)</td><td></td><td>NA</td><td></td></tr><tr><td>Radio bidireccional</td><td>Cualquier proveedor</td><td>NA</td><td></td></tr><tr><td>Estación de trabajo (CPU i5 o posterior, GPU NVIDIA habilitada con CUDA y VRAM &ge; 4GB, RAM &ge; 32GB, SSD y GE; 512GB&nbsp;</td><td>Cualquier proveedor</td><td>NA</td><td></td></tr></tbody></table>

recopilación y procesamiento de datos de teledetección basados en drones para su uso en el monitoreo de la recuperación forestal

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

Recopilación y procesamiento de datos de teledetección basados en drones para su uso en el monitoreo de la recuperación forestal

Remote sensing (RS) technologies, particularly light detection and ranging (LiDAR) and multispectral (MS) imagery, provide broad-scale vegetation ...

collecting-processing-drone-based-remotely-sensed-data-for-use-forest

Research

Investigación

JoVE Journal

Environment

Entorno

Una estrategia rápido-multidisciplinaria para la detección temprana de floraciones de las cianobacterias y de cianotoxinas asociadas se describe aquí. Permite la detección de cianobacterias y cianotoxinas relacionadas en muestras de agua y en matrices orgánicas, como muestras de bivalvos, en 24 h.

Detección Temprana De Floraciones De Cianobacterias Y Cianotoxinas Asociadas Usando Estrategia De Detección Rápida

Reportamos procedimientos detallados para un método de estimación de biomasa de plantas invasoras que utiliza datos obtenidos de la teledetección de vehículos aéreos no tripulados (UAV) para evaluar la biomasa y capturar la distribución espacial de las especies invasoras. Este enfoque resulta muy beneficioso para llevar a cabo la evaluación de riesgos y la alerta temprana de plantas invasoras.

Estimación de biomasa basada en visión artificial para plantas invasoras

La renovación de superficies es un método micrometeorológico que se utiliza cada vez más para determinar los flujos de energía, pero su complejidad técnica lo hace inaccesible para un público amplio. Describimos los pasos necesarios para configurar y calibrar una estación de campo de renovación de superficie, para adquirir y procesar datos y para interpretar correctamente los resultados.

Renovación de superficie: un método micrometeorológico avanzado para medir y procesar datos de densidad de flujo de energía a escala de campo

Se presenta un enfoque robusto y flexible para confirmar la resistencia a herbicidas en las poblaciones de malezas. Este protocolo permite inferir los niveles de resistencia a herbicidas y aplicarlos a una amplia gama de especies de malezas y herbicidas con adaptaciones menores.

Los protocolos para pruebas de resistencia a los herbicidas robusta en diferentes especies de malezas

Se demuestra un método detallado para la extracción y ensamblaje de lisímetros de núcleo de suelo intacto y su uso para el estudio de los lixiviados y la pérdida de nutrientes asociada de la cama de aves de corral aplicada en la superficie.

Un protocolo de recogida y la construcción de Lisímetros testigo del suelo

el muestreo de suelos repetida ha sido recientemente demostrado ser una manera eficaz de controlar el cambio de suelos forestales durante años y décadas. Para apoyar su uso, un protocolo se presenta que sintetiza la información más reciente sobre los métodos de remuestreo del suelo para ayudar en el diseño e implementación de programas de vigilancia del suelo exitosas.

Los métodos de remuestreo del suelo para controlar los cambios en las concentraciones químicas de los suelos forestales

Sismología de la reflexión (3D) tridimensional es un método eficaz para imágenes volcanes subterráneos. Mediante el uso de datos de Sismología 3D industrial de la cuenca del Tarim, ilustramos cómo extraer los umbrales y los conductos del subsuelo volcanes de cubos de datos sísmicos.

Métodos de procesamiento de datos para la proyección de imagen sísmica 3D de volcanes subterráneos: aplicaciones del basalto de la inundación de Tarim

Desarrollado un molino de vuelo de bajo coste y pequeño, construido con elementos comúnmente disponibles y fácilmente utilizados en experimentación. Usando este aparato, mide la capacidad de vuelo de un escarabajo del ambrosia, Platypus quercivorus.

Medición de la capacidad de vuelo del escarabajo de ambrosía, Platypus Quercivorus (Murayama), con un bajo costo, pequeño y vuelo fácilmente construido molino

Aquí, presentamos un protocolo para prueba de virulencia de la planta con el patógeno de la planta grisea de Magnaporthe. Este informe contribuirá a la proyección a gran escala de los patotipos de aislamientos de hongos y servir como un excelente punto de partida para la comprensión de los mecanismos resistentes de las plantas durante la reproducción molecular.

La prueba de infección de planta: Spray y mediada por la herida la inoculación con el patógeno de planta Magnaporthe Grisea

Observar la distribución del agua dentro del xilema proporciona información significativa sobre la dinámica del flujo de agua en las plantas leñosas. En este estudio, demostramos el enfoque práctico para observar la distribución de agua de xilema in situ mediante el uso de un criostato y crio-SEM, que elimina los cambios más recientes en el estado del agua durante la preparación de la muestra.

Distribución de agua de Xylem en plantas leñosas visualizada con un microscopio electrónico de barrido crio-

Aprende a utilizar LiDAR con drones para evaluar la recuperación forestal mediante un protocolo práctico con inteligencia artificial. Detecta y segmenta árboles individuales de forma precisa en entornos complejos.

Recopilación y procesamiento de datos de teledetección basados en drones para su uso en el monitoreo de la recuperación forestal (Video) | JoVE Journal

Recopilación y procesamiento de datos de teledetección basados en drones para su uso en el monitoreo de la recuperación forestal

Explorar más videos