איסוף ועיבוד נתוני חישה מרחוק מבוססי רחפן לשימוש בניטור התאוששות יער

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

doi:10.3791/68745

Method Article

איסוף ועיבוד נתוני חישה מרחוק מבוססי רחפן לשימוש בניטור התאוששות יער

DOI:

10.3791/68745

⸱

October 24th, 2025

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

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

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ההתקדמות האחרונה במערכות מטוסים מאוישים מרחוק (RPAS) מאפשרת רזולוציה של תת-מטר, אידיאלית לניטור התאוששות יער. שילוב בינה מלאכותית (AI) מאפשר תובנות עמוקות יותר ממערכי נתונים גדולים המבוססים על חישה מרחוק. פרוטוקול זה משפר את הניטור על ידי תמיכה בהערכה וניהול יעילים יותר של אדמות מיוערות המתאוששות מהפרעות.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

טכנולוגיות חישה מרחוק (RS), במיוחד גילוי אור וטווח (LiDAR) ותמונות מולטי-ספקטרליות (MS), מספקות יכולות ניטור צמחייה בקנה מידה רחב ברזולוציות מרחביות משתנות. מערכות מטוסים מאוישות מרחוק (RPAS) המצוידות בחיישני LiDAR ו-MS יכולות לשפר את הערכות הצמחייה על ידי הצעת לוחות זמנים גמישים לטיסות ולכידת נתונים ברזולוציה עדינה. שילוב נוסף של מודלים של למידה עמוקה (DL) טומן בחובו הבטחה לאוטומציה של זרימת העבודה שלאחר העיבוד, וזה חשוב במיוחד עבור יישומי ניטור צמחייה.

פרוטוקול זה מתאר חבילה של שיטות מעשיות לאיסוף, עיבוד, יישור ומיזוג של נתוני LiDAR ו-MS מבוססי RPAS עבור תיחום עץ תלת מימד בודד באמצעות תוסף DL אינטראקטיבי. מודל ה-DL הקנייני מזהה ומפלח ביעילות גבולות עצים על פני חיישנים שונים, אתרי מחקר ורזולוציות נתונים בתוך מערכות אקולוגיות של יער.

היישום הספציפי והמוטיבציה שלנו לפיתוח פרוטוקול וכלי זה הוא לניטור התאוששות יער באתרי בארות נפט וגז משוחזרים. נכון לעכשיו, שיטות הערכה מבוססות שטח גוזלות זמן, עבודה עתירת עבודה ומוגבלות מרחבית. ככל שמאמצי השיקום מתרחבים, יש צורך הולך וגובר בגישות יעילות וניתנות להרחבה יותר לניטור הצלחת השיקום והתאוששות המערכת האקולוגית. על ידי קידום יישומי DL מבוססי RPAS, מחקר זה תומך בניטור התאוששות אקולוגית באתרי בארות משוחזרים והוא ישים גם לנופים מיוערים אחרים.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

הפקת משאבי הנפט והגז הובילה להקמתם של מאות אלפי אתרי בארות ברחבי אלברטה¹, שרבים מהם ממוקמים בתוך היער הצפוני². מאמצי השיקום נועדו להחזיר אדמות מופרעות למצבן האקולוגי המקורי³. סקרים קרקעיים קונבנציונליים נותרו האמצעי העיקרי לניטור הסמכת טיוב⁴; עם זאת, זהו תהליך גוזל זמן ועבודה שהופך פחות יעיל ככל שמספר האזורים המופרעים והמשוחזרים ממשיך לגדול.

ההתקדמות האחרונה בטכנולוגיות חישה מרחוק (RS), במיוחד השימוש במערכות מטוסים מאוישים מרחוק (RPAS), מציעות פתרונות מבטיחים לאתגרים המרחביים והזמניים של ניטור בארות 5,6,7,8. פלטפורמות אלו מספקות נתונים ברזולוציה גבוהה מאוד, ומאפשרות מדידות מדויקות ברמת העץ הבודד. אינטגרציה עם בינה מלאכותית (AI), כפי שראינו בשנים^{האחרונות} ^9,10,11, מאפשרת עיבוד וניתוח של מערכי נתונים גדולים בחישה מרחוק באמצעות אוטומציה של זיהוי ומדידה של צמחייה. עם זאת, יצירת מערכי נתוני אימון ואימות מתאימים עבור מודלים של למידה עמוקה (DL) נותרה האתגר העיקרי, במיוחד עבור מערכי נתונים תלת מימדיים.

פרוטוקול זה מתאר זרימת עבודה שלב אחר שלב לאיסוף, עיבוד, יישור ומיזוג של נתוני LiDAR ורב-ספקטרליים (MS) מבוססי RPAS מסביבות מיוערות כדי לתאר עצים בודדים. שיטה זו משתמשת בתוסף TreeAIBox¹² שפותח לאחרונה, המשולב ב-CloudCompare, כדי לנתח את ענן הנקודות הנגזר מ-RPAS עבור פילוח כתר עץ בודד. התוסף מציג גישת DL תלת מימדית חדשה המבוססת על מודל TreeisoNet¹³ , חבילה של רשתות עצביות עמוקות מפוקחות המותאמות לפילוח עצים תלת מימדיים, אשר אומנו ואומתו על מערכי נתונים שמקורם ב-RPAS מחמישה אתרי בארות משוחזרים שונים. האתרים שנבחרו לאימון המודל השתנו בגבהי העצים, בצפיפות ובהרכב המינים כדי להבטיח את יכולת ההכללה של המודל. בנוסף, מערך נתוני האימון כלל נתונים שנאספו במהלך שלוש עונות רצופות: קיץ (אוגוסט 2023), סתיו (אוקטובר 2023) ואביב (מאי 2024) כדי להבטיח שהמודל יוכל לבצע במדויק בתנאים עונתיים שונים עם שינויים בנראות העץ. התוסף הופך את תהליכי סינון ענן הנקודות (עצים לעומת קרקע), זיהוי צמרות עצים ופילוח של כתרי עצים בודדים. הפלט של התוסף יכול לשמש לחישוב מדדי צמחייה, כגון שטח כתר, שבר חופה, צפיפות גבעול וגבהי עצים, המשמשים לניטור צמחייה לאחר שיקום.

מודל TreeisoNet, המשולב בתוסף TreeAIBox, מציע שיפורים משמעותיים על פני שיטות פילוח תלת מימד מסורתיות כגון פילוח פרשת מים או ShortestPath. TreeisoNet דיווחה על דיוק גבוה יותר בסוגי יערות מגוונים, מה שמדגים את היתרונות של גישת למידה עמוקה מפוקחת על פני חלופות לא מפוקחות¹³. באופן ספציפי, מודול איתור צמרות העץ (TreeLoc) השיג ציון F1 ממוצע של 0.96, ביצועים טובים משמעותית משיטת המקסימום המקומי (LM), שהשיגה ציון F1 ממוצע של 0.57¹³. באופן דומה, מודול תיחום הכתר (TreeOff) רשם הצטלבות ממוצעת מעל האיחוד (mIoU) של 0.85, ועקף את השיטות המסורתיות Watershed3D (mIoU 0.68) ו-ShortestPath (mIoU 0.79)¹³. מדדים אלה מדגישים את הדיוק המעולה של TreeisoNet בזיהוי צמרות עצים ותיחום כתרים, במיוחד בסביבות מורכבות כמו אתרי באר משוחזרים עם גבהי עצים משתנים, צפיפות גזע והרכבי מינים.

מודל TreeisoNet הוכשר על נתוני LiDAR שמקורם ב-RPAS עם צפיפות נקודות מעל 1100 נקודות למ"ר. השיטה המתוארת במאמר זה מתמקדת בניטור התאוששות יער באתרי בארות נפט וגז; עם זאת, ניתן להתאים אותו לשימוש באזורים מיוערים אחרים. זרימת העבודה מתאימה היטב למטעים צעירים ויערות מעורבים עם צפיפות גזע דלילה עד בינונית (<3,000 גבעולים לדונם), שבהם החסימה מינימלית. ביערות סגורים או רב-שכבתיים, זיהוי עצים תת-קומתיים עשוי להיות מופחת עקב חדירת LiDAR מוגבלת. המודל תומך בחופות מחטניים ונשירות כאחד, אם כי הדיוק עשוי להשתנות בהתאם למאפיינים ספציפיים למין, כגון מובילים דקים בעצי מחט צעירים. התוסף TreeAIBox כולל ספרייה של מודלים מוגדרים מראש ומאומנים מראש שנועדו להיות ישימים באופן נרחב על פני סוגי יערות שונים ומאומתים על מערכי נתונים מגוונים מאתרי בארות משוחזרים. משתמשים יכולים למנף את המודלים המובנים הללו ולהתאים פרמטרים של תוספים, כגון פער מקסימלי או רדיוס מינימלי, כדי לייעל את התפוקות עבור מערכי הנתונים הספציפיים שלהם ללא צורך להכשיר מודלים חדשים. גמישות זו מאפשרת למשתמשים להתאים את זרימת העבודה לתנאי יער שונים, כגון גבהים או צפיפויות עצים משתנים, ישירות בתוך ממשק המשתמש הגרפי הידידותי למשתמש (GUI) של CloudCompare. הגרסה הנוכחית של התוסף TreeAIBox אינה תומכת באימון מודלים חדשים בתוך התוכנה עצמה; עם זאת, משתמשים מתקדמים יכולים להוסיף מודלים חדשים שהוכשרו מראש לספריית המודלים.

סעיפי פרוטוקול 1 ו-2 מתארים את שלבי איסוף ועיבוד הנתונים שלנו בעוד שסעיף 3 של הפרוטוקול מתאר את השימוש בתוסף TreeAIBox כדי לחלץ מדדי עץ. המחקר הספציפי שלנו משתמש במיזוג של נתוני LiDAR מבוססי רחפן ותמונות MS; עם זאת, ניתן ליישם נהלים, ציוד ותוכנה שונים כדי ליצור ענן נקודות בצפיפות גבוהה file לשימוש בפרוטוקול סעיף 3. זרימת עבודה זו מייצגת התקדמות משמעותית בניטור הצמחייה על ידי שילוב גישת פילוח עצים מתקדמת המונעת על ידי בינה מלאכותית עם RS מבוסס RPAS, המאפשרת הערכות מהירות יותר, מדויקות וניתנות להרחבה של התאוששות יער.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. שימוש ב-RPAS לאיסוף נתונים

הערה: כל פעולות ה-RPAS חייבות לעמוד בתקנות המרחב האווירי המקומיות ובדרישות הבטיחות. השתמש בטבלת החומרים כדי לסקור את הציוד והחומרים הדרושים לאיסוף נתונים.

הכנת בדיקת איכות: לפני היציאה לשטח יש לבדוק את הציוד ולעדכן את הקושחה במידת הצורך. צור קבצי טיסה עבור כל משימת טיסה והעלה אותם לשלט הרחוק. צור תוכנית בטיחות ומסמך נהלי חירום לכל משימת טיסה. ראה קובץ משלים 1 להליך מפורט של הגדרת בדיקת איכות.
איסוף נתונים בשטח: בשטח, הגדר ציוד ובצע משימות טיסה כדי לאסוף נתוני LiDAR ו-MS על פני אזור עניין. ראה קובץ משלים 2 לזרימת עבודה מפורטת של הגדרת ציוד ופרמטרי טיסה.
הגדרת תחנת בסיס GNSS: הגדר והפעל תחנת בסיס GNSS מעל מיקום תחנת הבסיס של ה-RPAS כדי לקבל קואורדינטות מדויקות של מיקומה שישמשו לתיקון מיקום נקודה מדויק (PPP)¹⁴ במהלך עיבוד מקדים של נתונים (לדיוק גבוה, זמן הריצה המינימלי המומלץ של תחנת הבסיס הוא 2 שעות) (ראה משלים file 3 לדוגמא של הגדרת תחנת בסיס GNSS ונוהל להשגת הקואורדינטות).
העברת נתונים: השתמש בקורא כרטיסים כדי להעביר את נתוני ה-LiDAR וה-MS שנאספו מהחיישנים לתחנת עבודה להמשך עיבוד.

2. עיבוד נתונים גולמיים

עיבוד מקדים של נתונים מולטי-ספקטרליים: השתמש בתוכנת פוטוגרמטריה כדי לעבד מראש את נתוני MS שנאספו, לבצע תיקונים גיאומטריים ורדיומטריים וליצור MS orthomosaic.
הערה: ראה קובץ משלים 4 לקבלת זרימת עבודה כללית לעיבוד נתוני MS הנגזרים מ-RPAS באמצעות תוכנת פוטוגרמטריה.
שחזור ענן נקודות LiDAR: השתמש בתוכנה מתאימה כדי לשחזר את נתוני ה-LiDAR הגולמיים לקובץ ענן נקודות (למשל *.las/laz file). ראה קובץ משלים 5 לנוהל מפורט כיצד לבצע את השחזור.
יישר ומזג LiDAR ונתונים מולטי-ספקטרליים. השתמש בכלים גיאו-מרחביים כדי ליישר את ענן נקודות ה-LiDAR ואת ה-MS Orthomosaic. ראה קובץ משלים 6 לנוהל מפורט לביצוע היישור. השתמש בסקריפט Python (ראה קובץ משלים 7) למיזוג ענן הנקודות LiDAR עם MS orthomosaic כדי ליצור ענן נקודות MS.
הערה: ניתן להשתמש בכל סביבת פיתוח משולבת (IDE) כדי להריץ את סקריפט Python. קובץ משלים 8 מדגים זרימת עבודה כללית של מיזוג נתונים.

3. שימוש בתוסף TreeAIBox לפילוח עצים בודדים

הערה: ניתן לעקוב אחר סעיף זה של הפרוטוקול באמצעות כל נתוני ענן נקודות ברזולוציה גבוהה מסביבה מיוערת בפורמט קובץ *.las/.laz.

TreeAIBox נבדק רק באמצעות מערכת ההפעלה Windows.

התקנה והגדרה: הורד והתקן את תוכנת עיבוד ענן הנקודות התלת-ממדית, CloudCompare¹⁵. לאחר מכן, הורד את מתקין התוסף מ-GitHub (TreeAIBox_Plugin_Installer_v1.0.exe)¹² (איור 1). הפעל את תוכנית ההתקנה ופעל לפי ההנחיות שעל המסך.
הערה: המתקין מזהה אוטומטית את מיקום תוכנת CloudCompare ופורס את התוסף עם ספריות ה-DL הנדרשות בהתבסס על זמינות ה-GPU או ה-CPU. לשיטות התקנה חלופיות או פתרון בעיות, עקוב אחר הוראות README¹². לאחר ההגדרה, מבנה התיקיות צריך להתאים למה שמוצג באיור 2.
נתוני ענן נקודות טעינה:
1. פתח את CloudCompare מסמל שולחן העבודה, או על ידי מעבר אל התחל | לכל התכניות | CloudCompare. טען את ענן הנקודות file (למשל *.las/laz file) ל-CloudCompare על ידי גרירה לקנבס או שימוש בכפתור פתח קובץ אחד או יותר בקונסולה הראשית ולחץ על החל (איור 3).
2. אם קואורדינטות הנקודות גדולות, תשאל הנחיה אם להחיל הזזה/קנה מידה גלובלי. בחר קלט, הקורא את המטא-נתונים מקובץ .las/laz ולחץ על כן (איור 4). ענן הנקודות יופיע כעת בבד הציור.
פתיחת התוסף TreeAIBox: פתח את סרגל הכלים של התוסף Python, הרחב את התפריט הנפתח Script Register ולחץ על TreeAIBox כדי לפתוח את ממשק המשתמש הגרפי של התוסף (איור 5).
סינון עצים ונקודות קרקע
1. ודא שתיבת הסימון השתמש ב-GPU (CUDA) מסומנת אם GPU הנתמך ב-CUDA זמין. מהפאנל העליון, בחר TreeFiltering, בחר ALS אם גבעולי עץ אינם גלויים בנתוני ה-RPAS, בטל את הסימון של גודל האריח, בחר 'treefiltering_als_esegformer3D_128_15cm(GPU3GB)' מהתפריט הנפתח Predefined Models (איור 6). אם אתה משתמש במודל זה בפעם הראשונה, צבע הגופן יופיע באפור. לחץ על הורד ואשר את החלון המוקפץ המציג את הנתיב המקומי.
2. בחר בענן הנקודות בבד הציור (מסומן בתיבה תוחמת) ולחץ על Apply בחלונית TreeFilter . ייווצר שדה סקלרי חדש בשם treefilter : value = 2 (נקודות עץ, אדום) וערך = 1 (נקודות אחרות, כחול) (איור 7). אשר זאת לפני שתמשיך לשלב הבא.
איתור צמרות עצים
1. מהחלונית העליונה של TreeAIBox, בחר TreeisoNet, הפעל את Reclamation, ALS (גזע מרומז) ו-TreeLoc, ובחר את המודל המאומן מראש: 'treeisonet_als_reclamation_treeloc_esegformer3D_
  128_10cm(GPU4GB)' מהתפריט הנפתח. ודא שענן הנקודות בבד הציור נבחר (מודגש בתיבה תוחמת), ולאחר מכן לחץ והחל (איור 8).
2. בסיום העיבוד, פריט חדש בשם treetops יופיע מתחת לענן הנקודות המקורי בחלון DB Tree . בחר פריט זה והגדל את גודל הנקודה (למשל, ל-16) לשיפור הנראות. ודא שמיקומי צמרות העצים מופיעים כנקודות לבנות בבד הציור (איור 9).
פילוח כתרי עצים
1. בחר מחדש את פריט ענן נקודת העץ (מודגש באדום) (איור 10). מהחלונית העליונה של TreeAIBox , בחר TreeisoNet והפעל את TreeOff. הורד את המודל המאומן מראש 'treeisonet_als_reclamation_treeoff
  _esegformer3D_128_10cm(GPU4GB)' (איור 11) אם עדיין לא זמין, לחץ על החל כדי להפעיל את הדגם.
2. ייווצר עץ שדה סקלרי חדש, שיקצה לכל עץ מזהה ייחודי. נקודות מאותו עץ חולקות את אותו מזהה. לחלופין, אפס את גודל נקודת ראש העץ לברירת המחדל כדי להפחית את העומס החזותי. ודא שהתצוגה של בד התוכנה דומה לתצוגה המוצגת באיור 12.
3. תצוגה חזותית אופציונלית: צבעי עץ אקראיים: כדי לשפר את הניגודיות החזותית של עצים מפולחים, בצע רנדומיזציה אקראית של צבעי עץ לפי מזהה. ראשית, שכפל את ענן הנקודות המקורי כדי לשמר את הנתונים (עריכה | שיבוט). לאחר מכן, עבור אל עריכה | שדות סקלריים | המרה ל-RGB אקראי (איור 13). הזן ערך גדול (לדוגמה, 256000) כדי להבטיח מספיק צבעים נפרדים ולחץ על OK. ענן הנקודות יציג עצים בצבעים אקראיים (איור 14).
  הערה: שלב זה מיועד להדמיה בלבד ואינו משפיע על מזהי פילוח, אך הוא יחליף ערכי RGB בענן הנקודות המשובטים.
ייצוא מדדי פילוח ופלטים: מהחלונית העליונה של TreeAIBox , בחר TreeisoNet ולחץ על ייצוא סטטיסטיקות כדי לייצא תוצאות פילוח עץ. לאחר מכן, לחץ על פתח נתיב פלט כדי להציג את קובץ הפלט בתיקיית התוצאות (איור 15). ה- CSV המיוצא מכיל מזהי עץ מפולחים, קואורדינטות, גובה עץ ושטח כתר.
הערה: פעולה זו משלימה את עיבוד הנתונים באמצעות TreeAIBox.

figure-protocol-1
איור 1: גישה למתקין התוסף TreeAIBox דרך מאגר GitHub. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-protocol-2
איור 2: מבנה התיקיות עם התוסף TreeAIBox. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-protocol-3
איור 3: טעינת ענן הנקודות file ל-CloudCompare. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-protocol-4
איור 4: הגדרת שינוי גלובלי עבור ענן הנקודות כאשר הוא נטען לתוך CloudCompare. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-protocol-5
איור 5: שימוש בסרגל הכלים של תוסף Python של CloudCompare כדי להפעיל את התוסף TreeAIBox. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-protocol-6
איור 6: הגדרת פאנל TreeFiltering כדי להפריד בין נקודות העץ לנקודות הקרקע. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-protocol-7
איור 7: התוצאות של הפרדת נקודות העץ מנקודות הקרקע. נקודות העץ מוצגות באדום, בעוד שנקודות הקרקע מוצגות בכחול. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-protocol-8
איור 8: הגדרת פאנל TreeisoNet לגילוי צמרות עצים באמצעות TreeLoc. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-protocol-9
איור 9: התוצאות של גילוי צמרות העצים. הנקודות הלבנות מייצגות את מיקומי צמרות העצים. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-protocol-10
איור 10: בחירה מחדש של פריט ענן נקודות העץ לפני החלת החלונית TreeOff. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-protocol-11
איור 11: הגדרת פאנל TreeisoNet לפילוח כתרי עצים באמצעות TreeOff. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-protocol-12
איור 12: תוצאות פילוח כתרי העצים. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-protocol-13
איור 13: הגדרת ענן הנקודות המפולח כדי לחלק באופן אקראי את צבעי העצים בהתאם למזהים שלהם לניגודיות גבול טובה יותר. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-protocol-14
איור 14: תוצאות האקראיות של צבעי העץ. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

figure-protocol-15
איור 15: חילוץ של תוצאות סגמנטציה של עצים מלוח TreeisoNet לקובץ csv. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

בעקבות הפרוטוקול שנקבע, נאספו נתוני LiDAR ו-MS שמקורם ב-RPAS בשלושה אתרי מחקר שנשתלו בעצים צעירים. אתרים אלה נבחרו כדי לבחון את יכולתו של המודל לזהות עצים בודדים בגבהים שונים. באתר 1 ניטעו אשוח בלסמי ( אשוח בלסמי), שגובהו הממוצע 1.46 מ'. באתר 2 התגלו עצי אורן (Pinus contorta ) שגובהם הממוצע 2.17 מ'. באתר 3 התגלו עירוב של עצי Abies balsamea ו-Pinus contorta קטנים, שגובהם הממוצע היה 0.51 מ' בלבד. בנוסף לנתוני RS, מיקומם של 224 עצי ייחוס נרשם גם ביחידת GNSS.

לאחר איסוף ועיבוד נתונים, התוסף TreeAIBox הוחל כדי לסנן נקודות עץ ולתחום עצים בודדים. התוצאות שהופקו על ידי התוסף מוצגות באיור 16.

figure-results-1
איור 16: התפלגות העצים הבודדים המתוחמים לשלושה אתרי מחקר (A - אתר 1; B - אתר 2; C - Site 3) שנוצר על ידי התוסף TreeAIBox. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

בסך הכל זוהו 2,755 עצים בודדים בשלושת האתרים. המודל זיהה 1,706 עצים באתר 1 (איור 16A), 882 עצים באתר 2 (איור 16B) ו-167 עצים באתר 3 (איור 16C). שיעור הזיהוי של עצי ייחוס השתנה בין האתרים, כאשר 100% מעצי הייחוס זוהו באתר 2, 95% באתר 1 ורק 21% באתר 3, כפי שמוצג בטבלה 1. תוצאות אלו מדגישות את הביצועים הגבוהים של המודל בזיהוי עצים > 1 מ', עם שיעור זיהוי של 100% עבור כל עצי הייחוס בטווח זה. עם זאת, הביצועים ירדו עבור עצים קצרים יותר: רק 45% מעצי הייחוס בין 0.5 ל-1 מ' זוהו, ואף אחד מהעצים < 0.5 מ' לא זוהה (טבלה 2).

אתר #	גובה עץ אבר, M (STDEV)	# עצי ייחוס	# עצי ייחוס שזוהו	% מעצי הייחוס שזוהו
1	1.46 (0.45)	75	71	95
2	2.17 (0.4)	74	74	100
3	0.51 (0.17)	75	16	21

טבלה 1: שיעורי זיהוי עצי התייחסות לפי אתרים שונים.

טווח גובה העץ	# עצי ייחוס	# עצי ייחוס שזוהו	% מעצי הייחוס שזוהו
0 - 0.5 מ'	41	0	0
0.5 - 1 מ '	40	18	45
1 - 1.5 מ'	49	49	100
1.5 - 2 מ '	42	42	100
> 2 מטר	52	52	100

טבלה 2: שיעורי זיהוי עצי התייחסות לפי טווחי גובה עצים שונים.

קובץ משלים 1: זרימת עבודה של איסוף נתונים של RPAS - משימות קדם-שדה. אנא לחץ כאן להורדת קובץ זה.

קובץ משלים 2: זרימת עבודה של איסוף נתונים של RPAS - בשטח. אנא לחץ כאן להורדת קובץ זה.

קובץ משלים 3: שימוש ביחידות GNSS למעקב מיקום מדויק. אנא לחץ כאן להורדת קובץ זה.

קובץ משלים 4: הליך עיבוד נתונים של MS באמצעות תוכנת פוטוגרמטריה. אנא לחץ כאן להורדת קובץ זה.

קובץ משלים 5: שחזור ענן נקודות מנתוני LiDAR גולמיים. אנא לחץ כאן להורדת קובץ זה.

קובץ משלים 6: ענן נקודות LiDAR ויישור אורתומוזאיקה של MS באמצעות כלים גיאו-מרחביים. אנא לחץ כאן להורדת קובץ זה.

קובץ משלים 7: סקריפט Python למיזוג ענן נקודות LiDAR ותמונת MS ליצירת ענן נקודות MS. אנא לחץ כאן להורדת קובץ זה.

קובץ משלים 8: זרימת עבודה כללית של ענן נקודות LiDAR ומיזוג תמונות MS. אנא לחץ כאן להורדת קובץ זה.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

אחד האתגרים המרכזיים ביישום DL על נתוני RS, במיוחד ענני נקודות תלת מימדיים, טמון בפיתוח מערכי נתונים מאוזנים ומייצגים של אימון ואימות. האפקטיביות של כל מודל DL תלויה במידה רבה במגוון ובאיכות הנתונים המבוארים המשמשים במהלך האימון 9,10,11,16. מודל ה-DL התלת-ממדי החדש ששימש במחקר זה אומן ותוקף באמצעות מערכי נתונים שנאספו ממספר אתרי בארות משוחזרים באזור היער הצפוני, המאופיין בצמחייה צעירה, נטועה ומתחדשת באופן טבעי. אתרים אלה נבחרו בקפידה כדי להקיף מגוון רחב של תנאי יער, כולל שונות בגבהי העצים, צפיפות הגבעול והרכב המינים, כדי להבטיח הכללה רחבה של המודל. בנוסף, מערך נתוני האימון היה מגוון מבחינה זמנית, ושילב נתוני RS שנאספו על פני שלוש עונות רצופות. וריאציה עונתית זו הייתה קריטית לאימון המודל לבצע ביצועים אמינים בתנאי ראות שונים של החופה, תוך התחשבות בשינויים בכיסוי העלווה ובמורכבות המבנית. השילוב של נתונים רב-עונתיים ורב-מבניים תרם לחוסנו של המודל, במיוחד ביכולתו לזהות עצים בודדים בתנאי אור משתנים ובשלבים פנולוגיים.

ממצא בולט ממחקר זה היה ששילוב נתוני MS או RGB לצד LiDAR לא שיפר משמעותית את הדיוק של זיהוי עצים או פילוח כתר בזרימת העבודה של TreeAIBox. זה מצביע על כך שהתכונות הגיאומטריות של ענני נקודות LiDAR, כגון צורת כתר וסידור מרחבי, הן המניעים העיקריים לזיהוי ופילוח עצים יעילים, במיוחד בסביבות עם צמחייה צעירה או דלילה. עם זאת, נתונים ספקטרליים הראו ערך ביישומים משלימים, כגון סיווג מינים, שבהם תמונות MS שיפרו את הבידול של עצים מחטניים ונשירים.

גורם קריטי המשפיע על ההצלחה של זיהוי ופילוח עצים בודדים בזרימת העבודה של TreeAIBox הוא איכות ענן נקודות הקלט. ביצועים אופטימליים דורשים נתוני LiDAR בצפיפות גבוהה מאוד, בדרך כלל יותר מ-1,000 נקודות למ"ר. מערכות LiDAR מודרניות מבוססות RPAS יכולות להשיג צפיפות זו על ידי שימוש בפרמטרי טיסה אופטימליים, כגון גבהים נמוכים וחפיפות טיסה גבוהות. בעוד ש-TreeAIBox מסוגל לעבד ענני נקודות בצפיפות נמוכה יותר, צפיפות נקודות מופחתת יכולה להגביל את לכידת הפרטים המבניים. זה מוביל לעתים קרובות לירידה ברמת הזיהוי והסגמנטציה, במיוחד עבור עצים קטנים יותר שבהם תכונות הכתר והגבעול עשויות להיות מיוצגות בתת-ייצוג.

זרימת העבודה של TreeAIBox משפרת את היעילות והאוטומציה בהשוואה לשיטות פילוח מסורתיות או ידניות, עם אינדיקטורים מדידים מהאימות שלנו באתרי בארות משוחזרים. זמני העיבוד לזיהוי צמרות עצים ופילוח כתרים הם בממוצע 5-10 דקות לאתר ב-GPU רגיל (למשל, NVIDIA RTX 3060), לעומת שעות לתיחום ידני בתוכנה כמו CloudCompare. האוטומציה מושגת באמצעות ממשק המשתמש הגרפי של התוסף, שמבטל סקריפטים ותלות בשורת הפקודה, ומאפשר לאנשים שאינם מומחים להריץ ניתוחים מקצה לקצה עם קלט מינימלי. מבחינה מעשית, זה הפחית ניתוח של 1 דונם מ-5-8 שעות (שיטות ידניות) לפחות מ-30 דקות. החזרה למצב CPU מבטיחה נגישות ללא חומרה מתקדמת, אם כי האצת המעבד הגרפי מקצרת את הזמנים פי 3-5. יעילות זו מאפשרת ניטור תכוף, תמיכה ביישומים ניתנים להרחבה בניהול יערות תוך שמירה על דיוק גבוה.

מגבלה ספציפית שנצפתה במחקר זה הייתה היכולת המופחתת של המודל לזהות עצים <-1.0 מ'. בעוד ששיעורי הזיהוי של עצים > 1.0 מ' היו גבוהים, עם 100% עצי ייחוס שזוהו נכון בטווח הגובה הזה, הביצועים ירדו משמעותית עבור עצים קטנים יותר (טבלה 2). מגבלה זו נובעת ככל הנראה ממספר גורמים. ראשית, צפיפות נמוכה יותר של נקודות LiDAR ליד הקרקע, במיוחד תחת חופות סגורות, בשילוב עם כיסוי עשבוני צפוף, מעכבת את הזיהוי של פרטים מבניים בקנה מידה עדין הקשורים לעצים קטנים. בנוסף, חסימה הנגרמת על ידי צמחייה גבוהה יותר מונעת לעתים קרובות החזרות נקודתיות מספיקות מלהגיע לעצים תת-קומתיים, וזה מקור ידוע לטעויות ביישומים כאלה^10,16. האלגוריתם עלול גם להיכשל בלכידת תכונות מורפולוגיות עדינות, כגון מובילי עצים דקים, או לסווג באופן שגוי עצים מקובצים היטב כאובייקט יחיד. התמודדות עם אתגרים אלה עשויה לכלול אופטימיזציה של פרמטרי רכישת LiDAR, כגון התאמת גובה הטיסה או זווית הסריקה כדי לשפר את הנראות בגובה הקרקע, כמו גם חידוד שיטות הפילוח כדי להתמודד טוב יותר עם נתונים חסומים ודלילים.

למרות מגבלות אלה, השיטה המוצעת מדגימה הבטחה משמעותית ליישום בניטור לאחר שיקום וייעור מחדש. RS מבוסס RPAS, בשילוב עם אלגוריתמי DL תלת מימדיים, מציע פתרון מדרגי, חסכוני וברזולוציה גבוהה למעקב אחר התאוששות הצמחייה לאורך זמן, במיוחד באזורים המופרעים על ידי פעילות תעשייתית כגון הפקת נפט וגז. היכולת לזהות עצים בודדים, להעריך את גובהם ולהעריך את התפלגות המרחבית מספקת תובנות משמעותיות לגבי התחדשות האתר ועמידה בתקני השיקום. יתר על כן, שיטה זו יכולה לתמוך באסטרטגיות ניהול אדפטיביות על ידי מתן אפשרות לניטור תכוף ולא פולשני הלוכד דינמיקה עונתית ומבנית של מערכות אקולוגיות מתאוששות. מכיוון שפרויקטי שיקום דורשים יותר ויותר נתונים ארוכי טווח בקנה מידה עדין כדי להעריך את ההתאוששות האקולוגית, גישה זו מציעה כלי רב עוצמה ומעשי למנהלי יערות וחוקרים המבקשים להעריך את ביצועי הצמחייה בנופים מורכבים והטרוגניים.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

למחברים אין ניגודי אינטרסים לחשוף.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המימון למחקר זה ניתן על ידי המשרד למחקר ופיתוח אנרגיה CFS-23-101. המחברים רוצים להודות לפיליפ הופמן, דניאלס קונונובס ואליזבת פריאל על הסיוע בתחום.

Materials

List of materials used in this article
Name	Company	Catalog Number	Comments
אפליקציית Avenza Maps	אבנצה	נה	לניווט שדה לא מקוון באמצעות מפות PDF גיאופרנס שנוצרו ב-QGIS
מטרות משובצות	כל ספק	נה	נקודות בקרה קרקעיות
CloudCompare	CloudCompare	נה	תוכנות לעיבוד ועריכה בענן תלת-ממדי
תחנת סוללות DJI BS60 (עם סוללות M300 (x8), סוללות D-RTK2 (x4), כבל חשמל וכבל USB-C לחיבור לשלט רחוק)	DJI	נה
מטוס DJI M300 RTK עם DLS (עם בקר ומדחף חלופי)	DJI	נה	DLS (חיישן אור Downwelling)
DJI טרה פרו	DJI	נה	שחזור נתוני LiDAR גולמיים לענן נקודות תלת-ממדי.
חיישן LiDAR DJI Zenmuse L1 (עם כרטיס microSD)	DJI	נה
תחנת ניידת D-RTK2 (עם חצובה ומוט הארכה)	DJI	נה
תחנת בסיס Emlid Reach RS2+ (עם חצובה)	אמליד	נה
רובר Emlid Reach RS2+ (עם עמוד מדידה GNSS)	אמליד	נה
כונני קשיח חיצוניים	כל ספק	נה	לגיבוי נתונים
יומן טיסות	כל ספק	נה
Google Earth Pro	גוגל	נה	יצירת קבצי טיסה של KML
משטח נחיתה	כל ספק	נה	להשקה/נחיתת מטוס
מחשב נייד	כל ספק	נה	לשימוש בשטח להורדת נתונים, עיצוב כרטיסים וכו'.
חיישן MicaSense RedEdge-P (עם כרטיס MicaSense SD, כבל USB-C, לוח החזרה מכויל MicaSense (CRP))	MicaSense	נה
PIX4Dmapper	Pix4D S.A.	נה	תיקון גיאומטרי ורדיומטרי של תמונות רב-ספקטרליות ויצירת אורתומוזאיקה.
פנאומומטר	כל ספק	נה
פייצ'ארם	JetBrains s.r.o.	נה	סביבת פיתוח משולבת של פייתון (IDE)
QGIS	QGIS	נה	עיבוד, עריכה והדמיה של נתונים גאו-מרחביים
קורא כרטיסי SD ומיקרו-SD	כל ספק	נה
סמארטפון	כל ספק	נה	להתחבר לחיישן MicaSense RedEdge-P וליחידות Emlid Reach RS2+
מסמרים/מסמרים כוכביים, פטיש וסרט דגל	כל ספק	נה	לסמן את מיקום תחנת הבסיס D-RTK2
לוח	כל ספק	נה	לניווט בשטח
TreeAIBox (CloudCompare תוסף)		נה
רדיו דו-כיווני	כל ספק	נה
תחנת עבודה (מעבד i5 ומעלה, כרטיס גרפי NVIDIA עם תמיכה ב-CUDA עם VRAM > 4GB; RAM ≥ 32GB, SSD ≥ 512GB	כל ספק	נה

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

איסוף ועיבוד נתוני חישה מרחוק מבוססי רחפן לשימוש בניטור התאוששות יער

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

References

Reprints and Permissions

Tags

Related Articles