Name: Collecte et traitement de données de télédétection par drone pour la surveillance de la récupération des forêts (Vidéo) | JoVE Journal
Uploaded: 2025-10-24T14:25:00.000+00:00
Duration: 8 min 16 s
Description: Apprenez à utiliser le LiDAR par drone pour surveiller la récupération forestière avec un protocole convivial intégrant l'IA. Cette méthode permet de détecter et segmenter les arbres individuellement avec précision.

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>Application Avenza Maps</td><td>Avenza</td><td>NA</td><td>Pour la navigation hors ligne sur les champs utilisant des cartes PDF géoréférencées créées dans QGIS</td></tr><tr><td>Cibles à damier</td><td>N’importe quel fournisseur</td><td>NA</td><td>Aiguillages de contrôle au sol</td></tr><tr><td>CloudCompare&nbsp ;</td><td>CloudCompare&nbsp ;</td><td>NA</td><td>Logiciels de traitement et d’édition de nuages de points 3D</td></tr><tr><td>Batterie DJI BS60 (avec les piles M300 (x8), piles D-RTK2 (x4), cordon d’alimentation et câble USB-C pour la connexion à la télécommande)</td><td>DJI</td><td>NA</td><td></td></tr><tr><td>Avion DJI M300 RTK avec DLS (avec manette et hélices de remplacement)</td><td>DJI</td><td>NA</td><td>DLS (capteur de lumière descendante)</td></tr><tr><td>DJI Terra Pro</td><td>DJI</td><td>NA</td><td>Reconstruction des données LiDAR brutes en nuage de points 3D.&nbsp ;</td></tr><tr><td>Dije Zenmuse L1 capteur LiDAR (avec carte microSD)</td><td>DJI</td><td>NA</td><td></td></tr><tr><td>Station mobile D-RTK2 (avec trépied et tige d’extension)</td><td>DJI</td><td>NA</td><td></td></tr><tr><td>Station de base Emlid Reach RS2+ (avec trépied)</td><td>Emlid</td><td>NA</td><td></td></tr><tr><td>Rover Emlid Reach RS2+ (avec perche de topographie GNSS)</td><td>Emlid</td><td>NA</td><td></td></tr><tr><td>Disques durs externes</td><td>N’importe quel fournisseur</td><td>NA</td><td>&nbsp ; Pour sauvegarder les données</td></tr><tr><td>Journal de bord de vol</td><td>N’importe quel fournisseur</td><td>NA</td><td></td></tr><tr><td>Google Earth Pro&nbsp ;</td><td>Google</td><td>NA</td><td>Création des fichiers de vol KML & nbsp ;</td></tr><tr><td>Plateforme d’atterrissage</td><td>N’importe quel fournisseur</td><td>NA</td><td>Décollage/atterrissage d’un avion</td></tr><tr><td>Ordinateur portable</td><td>N’importe quel fournisseur</td><td>NA</td><td>À utiliser sur le terrain pour télécharger des données, formater les cartes, etc.</td></tr><tr><td>Capteur MicaSense RedEdge-P (avec carte SD MicaSense, câble USB-C, panneau de réflectance calibré 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>Correction géométrique et radiométrique des images multispectrales et génération d’orthomosaïques.</td></tr><tr><td>Pneumomètre</td><td>N’importe quel fournisseur</td><td>NA</td><td></td></tr><tr><td>PyCharm</td><td>JetBrains&nbsp ;s.r.o.</td><td>NA</td><td>Environnement de développement intégré (IDE) en Python</td></tr><tr><td>QGIS&nbsp ;</td><td>QGIS&nbsp ;</td><td>NA</td><td>Traitement, édition et visualisation des données géospatiales</td></tr><tr><td>Lecteur de cartes SD et microSD</td><td>N’importe quel fournisseur</td><td>NA</td><td></td></tr><tr><td>Smartphone</td><td>N’importe quel fournisseur</td><td>NA</td><td>Pour se connecter aux capteurs MicaSense RedEdge-P et aux unités RS2+ Emlid Reach</td></tr><tr><td>Étoiles/clous, maillet et ruban de signalement</td><td>N’importe quel fournisseur</td><td>NA</td><td>Pour marquer l’emplacement de la station de base D-RTK2</td></tr><tr><td>Tablette</td><td>N’importe quel fournisseur</td><td>NA</td><td>Pour la navigation sur le terrain</td></tr><tr><td>TreeAIBox (CloudCompare&nbsp ; plugin)</td><td></td><td>NA</td><td></td></tr><tr><td>Radio bidirectionnelle</td><td>N’importe quel fournisseur</td><td>NA</td><td></td></tr><tr><td>Station de travail (CPU i5 ou ultérieur, GPU NVIDIA compatible CUDA avec VRAM &ge ; 4GB, RAM &ge ; 32GB, SSD &ge ; 512GB&nbsp ;</td><td>N’importe quel fournisseur</td><td>NA</td><td></td></tr></tbody></table>

collecte et traitement de données de télédétection par drone pour la surveillance de la récupération des forêts

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

Collecte et traitement de données de télédétection par drone pour la surveillance de la récupération des forêts

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

Recherche

JoVE Journal

Environment

Environnement

Une stratégie rapide-multidisciplinaire pour la détection précoce des proliférations de cyanobactéries et des cyanotoxines associées est décrite ici. Il permet la détection de cyanobactéries et de cyanotoxines apparentées dans des échantillons d’eau et dans des matrices organiques, telles que des échantillons de bivalves, en 24 h.

Détection précoce des proliférations de cyanobactéries et des cyanotoxines associées à l’aide d’une stratégie de détection rapide

Nous présentons les procédures détaillées d’une méthode d’estimation de la biomasse végétale envahissante qui utilise les données obtenues par télédétection de véhicules aériens sans pilote (UAV) pour évaluer la biomasse et saisir la distribution spatiale des espèces envahissantes. Cette approche s’avère très bénéfique pour l’évaluation des risques et l’alerte précoce des plantes envahissantes.

Estimation de la biomasse des plantes envahissantes par vision par ordinateur

Le renouvellement de surface est une méthode micrométéorologique de plus en plus utilisée pour déterminer les flux d’énergie, mais sa complexité technique la rend inaccessible à un large public. Nous décrivons les étapes nécessaires à la mise en place et à l’étalonnage d’une station de terrain de renouvellement de surface, à l’acquisition et au traitement des données, ainsi qu’à l’interprétation correcte des résultats.

Renouvellement de surface : une méthode micrométéorologique avancée pour mesurer et traiter les données de densité de flux d’énergie à l’échelle du champ

Une approche robuste et flexible pour confirmer la résistance aux herbicides dans les populations de mauvaises herbes est présentée. Ce protocole permet de déduire les niveaux de résistance aux herbicides et de les appliquer à un large éventail d’espèces de mauvaises herbes et d’herbicides avec des adaptations mineures.

Protocoles pour les essais la résistance aux herbicides robuste chez différentes espèces de mauvaises herbes

Une méthode détaillée d’extraction et d’assemblage de lysimètres de carottes de sol intact et leur utilisation pour l’étude du lixiviat et de la perte associée de nutriments à partir de litière de volaille appliquée en surface est démontrée.

Un protocole pour la collecte et la construction de sols Lysimètres Core

échantillonnage du sol répétée a été récemment démontré être un moyen efficace pour surveiller les changements des sols forestiers au cours des années et des décennies. Pour soutenir son utilisation, un protocole est présenté qui synthétise les dernières informations sur les méthodes de rééchantillonnage du sol pour aider à la conception et à la mise en œuvre des programmes de surveillance des sols réussis.

Méthodes de rééchantillonnage du sol pour surveiller les changements dans les concentrations chimiques des sols forestiers

Sismologie en trois dimensions (3D) réflexion est une méthode puissante pour l’imagerie des volcans sous la surface. En utilisant des données sismologiques 3D industrielles du bassin du Tarim, nous illustrons comment extraire les filons-couches et les conduits des volcans sous la surface de cubes de données sismiques.

Méthodes de traitement des données d’imagerie sismique 3D des volcans sous la surface : des Applications pour le basalte d’inondation de Tarim

Nous développé un moulin à faible coût et petit vol, construits avec des éléments couramment disponibles et facilement utilisés dans l’expérimentation. En utilisant cet appareil, nous avons mesuré la capacité de vol d’une scarabée ambrosia, Platypus quercivorus.

Mesurer la capacité de vol de l’insecte Ambrosia, Platypus Quercivorus (Murayama), utilisant un Low-Cost et petit moulin de vol construit facilement

Nous présentons ici un protocole pour tester la virulence de la plante avec le phytopathogène Magnaporthe grisea. Ce rapport contribuera au dépistage à grande échelle des pathotypes d’isolats de champignons et servir de point de départ idéal pour la compréhension des mécanismes résistants des plantes au cours de la sélection moléculaire.

Le Test de Infection de plantes : Spray et induite par la plaie de l’Inoculation avec la plante pathogène Magnaporthe Grisea

L'observation de la distribution d'eau dans le xylisme fournit des informations significatives sur la dynamique du débit d'eau dans les plantes ligneuses. Dans cette étude, nous démontrons l'approche pratique pour observer la distribution d'eau de xylée in situ en utilisant un cryostat et cryo-SEM, qui élimine les changements artifactual dans l'état de l'eau pendant la préparation de l'échantillon.

La distribution d'eau de Xylem dans les usines ligneuses visualisée avec un microscope électronique cryo-scanné

Apprenez à utiliser le LiDAR par drone pour surveiller la récupération forestière avec un protocole convivial intégrant l'IA. Cette méthode permet de détecter et segmenter les arbres individuellement avec précision.

Collecte et traitement de données de télédétection par drone pour la surveillance de la récupération des forêts

Explorer plus de vidéos