שיטה חצי-אוטומטית למיפוי וסיווג קהילות צמחי ביצות חופיות בוריאליות באמצעות נתוני רחפנים וקרקע

סיכום

הפרוטוקול כולל ארבעה שלבים משולבים: סקר כלי טיס בלתי מאויש (UAV), איסוף נתוני אמת קרקעית, חישוב מדדי צמחייה, וסיווג ומיפוי בסיוע בינה מלאכותית של קהילות צמחי ביצות חופיות. התוצאה היא מאגר נתונים גאו-מרחבי רב-שכבתי התומך ביישומים באקולוגיה, ניטור סביבתי וקבלת החלטות לשימור וניהול בתי גידול ביצות חופיים.

תקציר

מיפוי קהילות צמחים חצי-אוטומטי מגשר על הפער בין סקרים אקולוגיים מסורתיים לניטור מערכות אקולוגיות מודרניות בעזרת בינה מלאכותית, ומאפשר סקר ומעקב אחר אתרים בקנה מידה ומהירויות שלא היו אפשריים בעבר. ביצות חופיות, הנשלטות על ידי צמחים עשבוניים נמוכים, דורשות סקר פוטוגרמטרי מבוסס רחפן (כלי טיס בלתי מאויש, מל"ט) כדי להשיג רזולוציה מרחבית גבוהה יותר וגמישות רבה יותר בתזמון. פרוטוקול זה מורכב מארבעה שלבים: סקר אווירי מבוסס רחפנים, איסוף נתוני אמת קרקעית וגיאורפרנסינג, חישוב מדדי צמחייה, וסיווג מפוקח באמצעות אלגוריתם יער אקראי (RF) ב-R (כלומר, מיפוי חצי-אוטומטי בסיוע AI של התפלגות קהילות צמחים באמצעות סיווג למידת מכונה). חבילות מפתח R כוללות terra, sp, sf, rgdal, raster, rsample, MLmetrics, randomForest. הדגש בשלב השני הוא על שיטת סקר אקולוגי מסורתית — דגימת קרקע מרובעת שכבות. דגימת קרקע משמשת כאמת קרקעית, ומספקת ראיות אמפיריות להבטחת דיוק ואמינות המוצר הסופי של המפה. נבדקו שני סוגי חיישנים המותקנים על כלי טיס בלתי מאוישים: חיישן רב-ספקטרלי ומצלמת RGB, שהניבו 19 אינדקסים רב-ספקטרליים ו-27 מדדים מבוססי RGB, יחד עם מודל משטחים דיגיטלי (DSM) שמקורו ב-RGB. קהילות הצמחים מופו באתר מחקר ביצות חוף הבלטי, והושגו תוצאות ביצועי האלגוריתם הבאות: באמצעות מאגר הנתונים הרב-ספקטרלי, המודל השיג דיוק כולל של 92.3% עם שגיאת מחוץ לשקית (OOB) של 7.75%; בהשוואה, מערך הנתונים RGB השיג דיוק מעל 98% עם שגיאת OOB של 1.14%. תוצאות אלו מחזקות את ההתאמה של שני סוגי החיישנים. כל שלב בפרוטוקול מייצר מערכי נתונים גיאופרנסיים. ניתן לאסוף אותם לפרויקט מערכת מידע גאוגרפית (GIS) שכבתית עם תצפיות ביופיזיקליות שטח מוטמעות, המשמש בסיס למחקר אקוסיסטמי מורכב, כגון מידול אקולוגי לחיזוי השפעות ושינויים. בפועל, פרויקט GIS זה יכול לשמש כרשומה היסטורית של ניהול כיסוי קרקע ותמיכה, תכנון שיקום סביבתי וניטור.

מבוא

מטרת הפרוטוקול היא לספק תהליך עבודה מעשי שלב אחר שלב המשלב סקר פוטוגרמטרי מבוסס רחפנים (כלומר, מבוסס כלי טיס בלתי מאוישים [כטב"ם]) עם תצפיות ביופיזיקליות באתר כנתוני אמת קרקעית, ליצירת מפת התפלגות קהילתית של צמחי ביצות חופיים. התוצאה הסופית, מפת כיסוי קרקע, נוצרת באמצעות תהליך למידת מכונה חצי-אוטומטי (אלגוריתם יער אקראי [RF])¹.

מפת קהילות צמחים היא מאגר נתונים חיוני במידול אקולוגי של ביצות, משום שהיא ממירה דפוסי צמחייה מורכבים לייצוג מרחבי, מבוסס פיקסלים, של מבנה בית הגידול. מערך הנתונים הבסיסי הזה מאפשר מידול של תהליכים אקולוגיים (למשל, התפלגות ביומסה, אינטראקציות בין מינים, תגובות אקו-הידרולוגיות, מחזורי חומרים מזינים) בנוף ^2,3,4.

בנוסף למפת קהילת הצמחים, ביצוע שלבי פרוטוקול זה מייצר אוסף נתונים גאו-מרחביים. מערך הנתונים נשמר כפרויקט מערכת מידע גאוגרפית (GIS), ניתן לשלב אותו ב-GIS, לשתף ולהשתמש בו לניתוח וקבלת החלטות נוספות של מערכות אקולוגיות לתמיכה בתכנון ניהולי וניטור סביבתי.

בשיטה זו, סקר כטב"ם מניב RGB (כלומר, אדום, ירוק, כחול, שלושת הצבעים הראשיים) ו/או מפה אורתומוזאית רב-ספקטרלית מדויקת גאומטרית, יחד עם מודל פני שטח דיגיטלי (DSM), כולם משמשים כנתוני בסיס ^5,6. נתונים אלו משמשים לחישוב מדדי צמחייה (VIs) באמצעות מפות אורתומוזאיות כקלט למחשבון תוכנת ה-GIS. כדי ליצור את מפת הפלט הסופית, VI משמשים כמשתני חיזוי לכל פיקסל עבור RF, וממירים את המידע הספקטרלי הגולמי של האורתומוזאיקה לקלטים מובנים לסיווג ^7,8. מכיוון ש-VI הם שילובים מתמטיים של רצועות ספקטרליות המדגישות תכונות צמחייה המשתקפות על ידי צמחים ואור⁷, VIs יכולים לשמש כנתונים עצמאיים באקולוגיה לניטור איכות בתי הגידול והמגוון הביולוגי, ולתמוך במודלים אקולוגיים ^8,9. לכן, VI נשמרים כמפות רסטר ונכללות בפרויקט GIS.

כדי לסווג ולמפות קהילות צמחים בסביבה בסיוע בינה מלאכותית, יש לשלב מערכי נתונים מרחוק (כגון מפות סקר רחפנים, DSM ו-VIs) עם תצפיות ביופיזיקליות גיאופרנסיות באתר, כדי להבטיח אמינות אקולוגית, שחזוריות ופרשנות משמעותית^. נתוני שטח כאלה משמשים כאמת יסוד עבור אלגוריתם RF לסווג נתוני פיקסלים של בתי גידול-צמחייה-כיסוי פיקסלים ב-VI ולחזות התפוצה של קהילות הצמח באתר מחקר (למשל, ליצירת מפת קהילת צמחים)¹¹. בנוסף לשמש כמאגר נתונים קרקעי ללמידת מכונה, תצפיות גיאופרנס מספקות אמצעי לעגן תצפיות ביופיזיקליות בתוך GIS. כך, מערך הנתונים האקולוגי משמש כטבלת תכונות, שניתן להשתמש בה כמשתנים סביבתיים למידול מערכות אקולוגיות^12,13. נתונים באתר חשובים להוכחת התנאים האקולוגיים של בית גידול, משום שהם נאספים ישירות בתוך הסביבה האמיתית הנחקרת, ומספקים הערכה ריאליסטית ומיידית של תנאים ספציפיים¹⁴.

ביצות חופיות הן בתי גידול בעלי אנרגיה נמוכה הממוקמים באזורים מוגנים לאורך החוף. מערכות אקולוגיות של ביצות מפוזרות לאורך קווי החוף של שישה יבשות, למעט אנטארקטיקה, וממלאות תפקידים אקולוגיים מרכזיים ברחבי העולם, למעט נופים מכוסים קרח באזורים הקוטביים הקיצונים¹⁵. גידול האוכלוסייה העולמית והתיעוש, ההגנות החופיות וההגברת הפרקטיקות החקלאיות משפיעים משמעותית על ביצות החוף, וגורמים לפיצול והתדרדרות^16,17. לחצים אלו הופכים את מערכות האקולוגיות החופיות לעדיפות לשיקום ושימור אקולוגי^ברחבי העולם.

ניטור סביבתי ומודלים של בתי גידול חופיים מסייעים בהערכת בריאות המערכת האקולוגית, זיהוי שינויים זמניים והערכת תוצאות השיקום¹⁹. עם זאת, ניטור יעיל עלול להיפגע בשל האופי הדינמי של מערכות אקולוגיות אלו, נגישותן המוגבלת והעלויות הגבוהות של איסוף נתונים באזורים מורכבים, לעיתים מרוחקים, באזורים בין-גאותיים. בבתי גידול דינמיים וקשים לגישה, הצמחייה לעיתים מספקת את האות הברור והיציב ביותר לשינוי אקולוגי¹⁸.

מכיוון שהצמחייה היא בסיס יסודי להיווצרות בתי גידול, סיווג קהילות צמחים ומיפוי התפוצה שלהן מספק בסיס קריטי להערכה אקולוגית ולמידול תהליכי בית גידול 20,21,22. ביצות חופיות הן מערכות הטרוגניות מאוד, המציגות שונות משמעותית במרחקים קצרים בגובה, מליחות, מבנה הצמחייה, ההידרולוגיה ומאפייני המשקעים. עקב מורכבות זו, הפרוטוקול כולל דגימה מרובעת שכבתית²³ (מינימום עשר דגימות קוודרט של 1 מ' × 1 מטר לכל קהילת צמחים), דבר שהוא לא רק מועיל אלא גם חיוני מתודולוגית ליצירת מודלים אקולוגיים מייצגים ומפות כיסוי קרקע ^24,25.

כדי להמחיש את המתודולוגיה הזו, נערך מחקר מקרה בביצה מיקרוגאותית באי היומאה בארכיפלג מערב אסטוניה בים הבלטי (איור 1). נוף החוף של הים הבלטי, כולל ביצות באזורים של הצטברות משקעים ביותר מ-100,000 איים בתוך הארכיפלגים, מנוהל ברמות שונות של עוצמה²⁶. לצורך שימור ושיקום המגוון הביולוגי, ביצות חופיות בוראליות בלטיות נשמרות כערבות חצי-טבעיות^27,28. מרעות רטובות כאלה הן בעלות ערך מורשת אזורית, וחלקן, כולל אתר מחקר המקרה, הן חלק מרשת Natura 2000 של אזורים מוגנים. באזורים אלו, כדי לשמר צמחייה נמוכה, התומכת במגוון ביולוגי גדול יותר ומספקת בתי גידול לחיות בר כמו חופזות²⁹, מרעות חופיים מרעות באופן נרחב ו/או מגוזם עונתית כדי לשמור על מרעה פתוח ולמנוע מינים נרחבים להשתלט עליהם, לדוגמה, Phragmites australis³⁰. באזורים חופיים בוריאליים, ביצות המנוהלות תחת אמצעי שימור כוללות בדרך כלל ארבע קהילות צמחים מרכזיות: חלוץ פתוח (OP), חוף תחתון (LS), חוף עליון (ארה"ב), ודשא גבוה (TG)³¹. כל הארבעה מתרחשים באתר מחקר המקרה שנבחר. מיני צמחים וסקולריים שולטים במישורי הדשא הרטובים החופיים. מיני האינדיקציה המרכזיים הם הלופיטים: Salicornia europaea (טווח הגובה הנפוץ ביותר 3–30 ס"מ) ו-Suaeda maritima (10–50 ס"מ). ה-LS נשלט על ידי Glaux maritima (3–25 ס"מ) ו-Juncus geradii (25–75 ס"מ). מיני האינדיקציה בארה"ב הם Festuca rubra (15–90 ס"מ) ו-Leontodon autumnalis (10–80 ס"מ), והעשבים הדומיננטיים מזהים TG: Deschampsia cespitosa (30–120 ס"מ), Elytrigia repens (30–120 ס"מ), ומולניה קארולאה (50–180 ס"מ). בנוסף, צמחי ביצות חופיים טיפוסיים באזור אקלים זה כוללים: Spergularia marina (5–30 ס"מ), Plantago maritima (10–30 ס"מ), Triglochin maritima (15–70 ס"מ), ו-Agrostis stolonifera (15–30 ס"מ), הנפוצים בקהילות.

ביצות חופיות מוגדרות על ידי נופים בעלי הקלה נמוכה עם וריאציות מיקרוטוגרפיות עדינות, כגון שקעים וגברות, המשפיעות על התפוצה בקהילות הצמחים. תכונות נוף אלו נוצרות באופן טבעי באמצעות תהליכים כמו שקיעת משקעים במהלך שיטפונות, גלי סופה וזרמי גאות³². תכונות אלו לעיתים קרובות חסרות חתימות ברורות שניתן לזהות באמצעות תמונות אוויריות גסות, אך הרכב המינים משקף תגובות ספקטרליות ספציפיות שניתן לתעד ולסווג^{אותן 33}. לעיתים קרובות, מיפוי אווירי בלוויין ובמטוסים מספק את הנתונים הגאו-מרחביים הנדרשים לסקר ומידולים של מערכות אקולוגיות רבות לתמיכה בניטור והערכה^34,35. עם זאת, מיפוי אווירי מבוסס רחפנים בגובה נמוך הוא חיוני למדידה יעילה של מרעות חופיות. גישה זו מספקת נתונים ברזולוציה גבוהה ומספקת תיעוד פוטוגרמטרי מפורט יותר של מאפייני נוף, כולל דפוסי התפלגות צמחייה ומודלים של גובה צמחייה שמקורם במודל פני שטח דיגיטלי (DSM), ובכך משפרת את דיוק הסיווג³.

בהשוואה לגישות חלופיות, תהליכי עבודה של רחפנים מאפשרים תזמון גמיש שיתאים לשלבים פנולוגיים, ימזערו הפרעות בענן ויתפסו פרטים מבניים שאינם זמינים מלוויינים^36,37. בשילוב עם למידת מכונה (למשל, Random Forest), נתוני הרחפנים תומכים בזיהוי אוטומטי של דפוסים, סיווג עצמים והפקת תובנות חשובות ממאגרי נתונים מורכבים שהיו מכבידים מאוד עבור בני אדם³⁸. עם זאת, דגימת קרקע באתר נשארת חיונית ללמידה מפוקחת, שכן היא מספקת תוויות מאומתות לאימון והערכת מודלים, ומבטיחה שמודלים ילמדו דפוסים נכונים ושהביצועים שלהם חזקים ואמינים 11,39,40.

פרוטוקול זה מיועד למערכות אקולוגיות בעלות הקלה נמוכה עם קהילות צמחים בעלות צמיחה נמוכה, הנגישות לדגימה באתר. תהליך העבודה מחולק לארבעה שלבים מובחנים (איור 2): (1) סקר אווירי מבוסס רחפנים, (2) איסוף נתוני אמת קרקעית והפניה גאוגרפית, (3) חישובי מדדי צמחייה, ו-(4) סיווג מפוקח באמצעות יער אקראי בסביבת המחשוב הסטטיסטית בקוד פתוח R. הפרוטוקול יושם באמצעות RStudio עם חבילות מפתח הבאות: terra, sp, sf, rgdal, raster, rsample, MLmetrics ו-randomForest.

פרוטוקול

הערה: השלבים הבאים מתארים תהליך עבודה מפורט (ראו תרשים באיור 3) למיפוי וסיווג קהילות צמחי ביצות חופיות. פרוטוקול זה ניתן לשכפל באמצעות חיישן רב-ספקטרלי המותקן על כלי טיס בלתי מאוישים או באמצעות מצלמת RGB. השלמת הפרוטוקול הזה תיקח מספר ימים. לכן, המתודולוגיה מחולקת לארבעה שלבים, עם הפסקות אופציונליות. הרצף שנקבע מומלץ כי תוצאות השלב הקודם תומכות בביצוע השלב הבא. שלושת השלבים הראשונים מייצרים מערכי נתונים המשמשים כקלטים לשלב הסופי.

1. סקר אווירי מבוסס רחפנים

1. רכשו ובחנו אמצעי זהירות חיוניים למפעילי רחפנים, תקנות מקומיות, ומדריכים לחומרה ותוכנה של רחפנים.
   1. להבטיח שהטייס פועל בבטחה, חוק ובאופן מקצועי; להחזיק בכל ההסמכות או הרישיונות הנדרשים לאזור הפעילות; ולהיות מאומנים במלואם על דגם הרחפן הספציפי ועל השימוש בחיישנים/מצלמות ותהליכי המשימה המותקנים. יש להתייעץ עם המסגרת הרגולטורית המדינתית או האזורית לרכישת ביטוח רחפנים.
   2. זהה את סיווג המרחב האווירי לאזור המשימה וקבל את האישורים הנדרשים. כבדו מגבלות גובה, אזורי איסור טיסה והגבלות קרבה סביב שדות תעופה, תשתיות ואזורים מיושבים. לשיקולים סביבתיים וחיות בר, יש לפעול לפי הגבלות עונתיות (למשל, תקופות קינון) ולעמוד בתקנות סביבתיות לנופים מוגנים, ביצות, אתרי Natura 2000 ואזורים מוגנים נוספים.
   3. הודיעו לחברי הקהילה המקומית או בעלי העניין, במידת הצורך, כדי לקבל אישורים ולמנוע אי-הבנות. הבהרת כללי הגנת הנתונים לגבי מתי תמונות אוויריות עשויות ללכוד אנשים, רכוש פרטי או כלי רכב, על ידי הבטחת הבנה שכולם מבינים שטיסת הרחפן נועדה למפות קהילות צמחים למחקר, ושכל מידע נוסף הכפוף לחוקי הגנת המידע יישאר חסוי.
      הערה: הודעה בדרך כלל נחוצה כאשר תקנות לאומיות או אזוריות מחייבות תקשורת מוקדמת להפעלת רחפנים.
   4. לעקוב אחרי כל הנחיות היצרן להרכבה, תחזוקה ותפעול הרחפן והחיישנים המותקנים; ציות כזה מבטיח תפעול בטוח ומגן על שלמות הציוד. יש לכבד את מגבלות הרוח המקסימליות (9 מ"ש, כולל משבי רוח), טווחי טמפרטורה (מינימום 0 מעלות צלזיוס; מקסימום 35 מעלות צלזיוס), וקיבולות המטען בעת בחירת חיישנים/מצלמות. אחסון והובלת סוללות בהתאם להוראות היצרן ולתקנות בטיחות התעופה.
2. תכנן משימת טיסת רחפן.
   הערה: ליישום פרוטוקול זה נעשה שימוש במערכת הרחפן eBee X עם כנף קבועה, המצוידת בחיישן רב-ספקטרלי ו-RGB ותוכנת ניהול טיסה. תמיד עיינו במדריך היצרן כשאתם משתמשים בכטב"ם.
   1. תוכנת ניהול טיסות פתוחות מותקנת מראש על מחשב נייד. בדף קבלת הפנים, תחת לשונית המשימה החדשה , בחר את המצלמה לשימוש (במקרה זה: Sequoia), הזן כותרת משימה תיאורית (למשל, שם אתר הלימוד), ובחר ביצירת משימה. לוח המשימה ייפתח אוטומטית, ומפת הלוויין תופיע בתצוגה הראשית.
   2. במפת הלוויין, השתמשו בסמן כדי להגדיל, לסובב ולנווט למיקום המשוער של אתר המחקר. בלשונית אזור העבודה , בחר ב'מיקום אזור עבודה ' ומקם את הסמן קרוב למרכז אתר המחקר, ולחץ. יופיע עיגול המייצג את אזור העבודה; מתאים את גודלו על ידי הגדלת או הקטנה של הרדיוס.
   3. בפאנל המשימה, לחץ על לשונית ההמראה והנחיתה . לאחר מכן לחץ על Add New Start, נווט בסמן במפת הלוויין למיקום ההמראה הרצוי, ולחץ כדי להגדיר נקודת התחלה חדשה. לאחר מכן, לחץ על Add new Home, בחר נחיתה ליניארית, נווט בסמן במפה לנקודת הנחיתה/החזרה של ה-UAV הרצויה, ולחץ להגדרה.
      הערה: בעת תכנון משימות, השתמשו במפת הלוויין ובכלי המדידה של התוכנה כדי למצוא אזורי נחיתה והמראה מיטביים, שכן נדרש מסלול נחיתה ללא מכשולים. חלק מהכטב"מים בעלי כנף קבועה אינם בעלי המראה אנכית ודורשים טיפוס הדרגתי לגובה במהלך ההמראה וירידה הדרגתית. כטב"מים כאלה זקוקים למסלול נחיתה באורך 200–300 מטר וברוחב 75 מטר.
   4. בפאנל המשימות , בחר בלשונית חסימות המשימה . לחץ על הוסף בלוק משימות, ואז בחר מיפוי אופקי. מתפריט הנפתח של המצלמה , בחרו ב-Sequoia, ומהתוכנית למעלה בחרו ב-Elevation data - EAD. תפריט ההגדרות המוקדמות יופיע עם לשוניות עם ערכים מתכווננים: רזולוציה של 10 ס"מ/פיקסל, חפיפה רוחבית 75%, וחפיפה אורכית של 80%, מה שמוביל לגובה טיסה של 106.1 מ'/AED (ערכים אוטומטיים אלו נבחרו לסקר ה-UAV).
   5. הנח את הסמן בתצוגת המפה הלוויינית וצייר פוליגון סביב אזור המחקר על ידי לחיצה שמאלית להוספת נקודות פינה מתכווננות סביב אתר הסקר. לסיום, לחצו קליק ימני כדי להציג את מסלול טיסת הרחפן הפוטנציאלי על המפה.
      הערה: ליישום פרוטוקול זה, אזור הסקר הוערך בשטח של 40 דונם עם זמן טיסה של 32 דקות.
   6. עדיין בפאנל המשימה, בלשונית פעולות הבטיחות, ודא שהפעולות הבאות נבחרו. לחזרה הביתה: אם מתגלה רוח חזקה, אם המצלמה מדווחת על תקלה, בתאורה נמוכה (או מכסה העדשה פועל), אם הסיבולת נמוכה, אם דיוק ה-GNSS יורד, אם קישור המודם הקרקעי אובד למשך 300 שניות (ניתן לכוונון), ואם יש לבחור ב-Climb: אם מזוהה קרבה לקרקע.
   7. התזמון קריטי: קבע את משימת המיפוי כמה שיותר קרוב לתאריך הדגימה הביופיזיקלית (בדיקת קרקע). דבר זה חיוני, שכן הוא מבטיח שתמונות רחפנים ונתוני שטח ישקפו את המערכת האקולוגית באותם תנאים סביבתיים ופנולוגיים, ובכך משפרים משמעותית את הדיוק המדעי והפרשנות של המפות.
   8. בחר חלון גאות נמוך (או תנאי "מים נמוכים" בחופים שאינם גאות) כדי למקסם את בית הגידול החשוף ולהפחית סנוור מים; בעת תזמון סקרים אוויריים, יש לקחת בחשבון גם הפרעות חיות בר ולנסות להימנע מעונות רבייה.
3. בצע את בדיקות הטרום-טיסה ואת משימת הטיסה.
   1. במקום, להעריך את תנאי הסביבה. אמת שמפלס מי הים הנוכחי נמוך; להימנע מהפרעות לחיות הבר; ודא שאזור ההמראה והנחיתה יציב, יבש וגבוה מספיק מעל המים. בדקו את אזור המרחב האווירי שבו תתבצע משימת הטיסה לכל מכשול אווירי, כולל אזורי ההמראה והנחיתה.
   2. עקוב אחרי תחזית מזג האוויר לתנאי טיסה מיטביים: רוח (מקסימום 9 מטר לשנייה), ראות (ללא ערפל), לחות (מתחת ל-75%), ומשקעים (תחזית מקסימלית 40%).
   3. הרכבת מערכת רחפנים: חומרת רחפנים, חיישנים/מצלמה, אנטנה ותוכנת ניהול טיסה. חבר סוללת רחפן. בדוק את חומרת ה-UAV, כולל חיישן/מצלמות; לוודא שהעדשה נקייה; ולוודא שהחיישן/המצלמה מחוברים נכון ל-UAV.
   4. הפעל את מחשב העבודה בשטח, פתח את תוכנת ניהול הטיסה (eMotion), ולחץ על טעינת משימה מתוך קובץ הדפדפה .
      1. חבר את אנטנת ה-USB למחשב הנייד, לחץ על 'התחבר', ומופיע סרגל בקרת טיסה מימין.
      2. בלשונית המצלמה , ודאו שיש מספיק זיכרון לאחסון כל תמונות הסקר (כרטיס SD ריק, מינימום 32 GB), ושהמצלמה הנכונה (Sequoia) רשומה. הפעל את קול המחשב כדי לשמוע התראות תוכנה.
   5. וודא שהקושחה והתוכנה מתעדכנים (באמצעות התראות תוכנה אוטומטיות) וכייל את המצפן במידת הצורך.
   6. ודא שהמשימה המתוכננת מראש נטענה כראוי (כלומר, מסלולי הטיסה, ההמראה והנחיתה נראים בתצוגה הראשית). ודא שפעולות הבטיחות נבחרו נכון (כפי שמפורט בשלב 1.2.6).
   7. כיוון את החיישן הרב-ספקטרלי. הנח את הפאנל על הקרקע, ואז מחזיק את הרחפן מעליו כשהחיישן/עדשת המצלמה פונה אל הפאנל.
      1. בתוכנה, יש לגשת לסרגל בקרת הטיסה, לפתוח את לשונית המצלמה וללחוץ על כיול.
      2. המתינו לאותות קול שיצביעו על צילום עד שהטקסט של כיול רדיומטרי הושלם . זה לא נחוץ אם משתמשים רק בחיישן ה-RGB.
   8. לפני תחילת המשימה, בדוק את כיוון הרוח. קח חופן קטן של דשא קל, יבש, חול או עלים יבשים. שחרר את החומר מגובה העיניים; הכיוון שבו הדשא נודד מסמן את מסלול הרוח.
   9. לאחר מכן, בתצוגה הראשית של התוכנה (מפת לוויין), כוון את כיוון מסלול הטיסה של הרחפן על ידי גרירת ידית הכיוון כך שקווי הטיסה יהיו בניצב לכיוון הרוח. ודא שמסלול הטיסה מכסה את כל אתר הסקר: כוון פינות פוליגונים על ידי גרירת נקודות פינות.
   10. כוון את כיוון מסלול הנחיתה כדי לוודא שכיוון מסלול הנחיתה נגד הרוח.
   11. ודא שמסלול הטיסה, אזורי ההמראה והנחיתה נמצאים בתוך אזור העבודה לאחר כל ההתאמות. הרחבו את מעגל אזור העבודה, במידת הצורך, על ידי הגדלת ערכי הרדיוס המספריים בלשונית אזור העבודה .
   12. התחל את טיסת ה-UAV כמשימת טיסה אוטומטית בהתאם למסלול הטיסה המתוכנן מראש (שטח הסקר למחקר מקרה: 40.5 הקטר). זמן התחלת טיסה יומן.
       1. במהלך הטיסה, תשמור על תוכנת ניהול הטיסה פעילה ואנטנת הרחפן תמיד מחוברת.
       2. האזינו וצפו בתוכנה לעדכוני חיי סוללה, ביצועי חיישנים, ואותות האזעקה של הרחפן במהלך המשימה (למשל, עלייה במהירות הרוח, זיהוי מכשולים).
       3. שמור על קו ראייה (VLOS) עם הרחפן במשימה בכל עת, אלא אם אושר אחרת. הימנעו מכל הסחות דעת והישארו מוכנים להגיב להתראות או לבצע נחיתת חירום. לוג טיסה, זמן סיום טיסה.
          הערה: הפרקטיקה הטובה ביותר (בהתאם לאזור, זה יכול להיות דרישה חוקית) היא לבצע סקרים עם שני מפעילים: אחד שמתחזק VLOS והשני עוקב אחר תוכנת ניהול הטיסה. במקרה של תאונת רחפן, יש להשהות את פעילות הטיסה, לאבטח את האזור, לתעד את האירוע, להודיע לרשויות הרלוונטיות ולהתחיל בהליכי ביטוח.
4. בצע נהלים לאחר הטיסה.
   1. להוציא את כל תמונות האוויר מהחיישן או המצלמה המותקנים על הרחפן ולגבות את כל נתוני הסקר, כולל יומן הטיסה, למחשב ו/או לענן.
      הערה: הסיכון לאובדן נתונים עולה עם הזמן, שכן ציוד עלול להינזק וכרטיסי SD עלולים להיפגם.
   2. אמת את חדות, חשיפה וכיסוי התמונה, ובדוק אם יש פערים ברצף התמונה שייתכן ונגרמו כתוצאה מטעות חיישן או על ידי סנוור, צללים או הצפת גאות. תזמן מחדש וסקר מחדש לפי הצורך, כדי להבטיח שטיסת הרחפן מתבצעת בקרבה זמנית קרובה לבדיקת הקרקע.
   3. הורידו ושמרו את קובץ פורמט ההחלפה העצמאי של המקלט (RINEX) מארכיונים ציבוריים כגון שירותי סקר קרקע לאומיים, בהתאם לתאריך ושעת הטיסה.
   4. בכונן קשיח חיצוני (250 GB-1TB), צור תיקייה למקרה המחקר (הכותרת המומלעת: מיקום date_ [הימנע משימוש ברווחים ותווים מיוחדים]). זו תהיה התיקייה הראשית לאחסון נתונים וגישה לשלבים הבאים, והמיקום שבו ייווצר/יישמרו שכבות החבילה הגיאולוגית.
   5. כדי לבצע תיוג גיאוגרפי של תמונות סקר אווירי, בתוכנת ניהול הטיסה, פתח את לשונית Postflight. אם אותו מחשב שימש לטיסה בלוח השנה, בחר את תאריך הטיסה. אם לא, בחר לא.
   6. עיין והעלה את יומן הטיסה מקובץ הגיבוי. צור תיקיית פרויקט בכונן הזיכרון החיצוני של מקרה המחקר (פרויקט הכותרת כפי שמוצע על המסך). לחץ הבא.
   7. עיינו והעלו יומני טיסה מכרטיס ה-SD ששימש במהלך הטיסה, שניתן לזהות לפי מספר הטיסה, או להעלות מקובץ גיבוי. חכה עד שמסלול הטיסה יופיע בתצוגה הראשית של התוכנה. תוודא שזה האזור/יומן הטיסה הנכון. לחץ הבא.
   8. מתפריט הנפתח תחת אפשרויות עיבוד לאחר מכן, בחר PPK: עיבוד נתוני GNSS גולמיים של רחפן. תחת יומן תחנת הבסיס בחר Rinex, גלש ומצא את קובץ RINEX השמור. לחץ על הבא, ואז המתין לסיום החישובים. ודא ש-PPK תוקן > תגיות גיאוגרפיות שעובדו לאחר מכן מופיעות ב-100%, ואז לחץ על הבא.
   9. בתפריט הנפתח 'טעינת תמונות ', בחרו אחת מהאפשרויות הבאות: מכרטיס ה-SD או דפדף כדי למצוא את התיקייה עם תמונות הסקר האווירי המתאימות ליומן הטיסה. לחץ הבא. המתן עד שההתאמה של התמונה תופיע בהצלחה , ולחץ על Next כדי להתחיל את ייבוא התמונה המתויגת גיאוגרפית לתיקיית הפרויקט. תמונות אלו ישמשו כקלטים בתהליך פוטוגרמטריה.
      הערה: עבור כל יומן טיסה, יש לבצע תיוג גיאוגרפי של תמונות בנפרד (חזור על שלבים 1.4.4 – 1.4.8). לדוגמה, לאחר החלפת סוללת הרחפן, הסקר האווירי הבא יכלול יומן טיסה חדש.
5. עיבוד נתוני פוטוגרמטריה (כלומר, יצירת מוצרי מפה באמצעות תמונות סקר אווירי).
   1. בתחנת העבודה, חבר את הכונן הקשיח החיצוני המכיל את תמונות הסקר של ה-UAV המתויגות גיאוגרפית ופתח את תוכנת הפוטוגרמטריה המותקנת מראש.
      1. צור פרויקט חדש ושמור אותו בכונן חיצוני (פורמט מומלץ: קידומת MS או RGB + מיקום + תאריך).
      2. הוסיפו את התמונות, תוך ציון שמאגרי הנתונים הרב-ספקטרליים וה-RGB חייבים לעבור עיבוד בפרויקטים נפרדים; לכן, יש להשתמש בקידומת MS לדימויים רב-ספקטרליים וב-RGB עבור האחרון.
         הערה: נעשה שימוש ב-PIX4Dmapper; עם זאת, ניתן להשתמש בתוכנות פוטוגרמטריה חלופיות לשחזור פרוטוקול זה.
   2. ודא שבמסך הקופץ של מאפייני התמונה מופיעים/נבחרים הדברים הבאים: WGS 84 כמערכת הקואורדינטות, מספר התמונות המדויק שנמצא גיאוגרפית, ומודל המצלמה הנבחרת מפרסם רצועות (Sequoia ו-Green, Red, Red edge, NIR או RGB).
      1. לחץ Next, ואז בחר את תבנית העיבוד: Ag multispectral עבור Multispectral, אבל RGB Ag עבור תמונות RGB. סיום, ומפת לוויין עם מיקומי תמונה תופיע בתצוגה הראשית.
         הערה: לפרויקט הרב-ספקטרלי, ודאו להוסיף תמונות כיול עם לוח כיול גלוי (נוצר בשלב 1.3.7 ונשמרו אוטומטית עם כל נתוני הסקר). למחקר מבחן זה, סך הכל 2,320 תמונות רב-ספקטרליות ו-577 תמונות RGB אותנו גיאוגרפית.
   3. פתח את חלון אפשרויות העיבוד , לחץ על 1. עיבוד ראשוני כאן תחת Key Point Image Scale, בחר Full ו-Generate Orthomosaic Preview ב-Quality Report, ואז לחץ על 2. Point Cloud ו-Mesh > Point Cloud בלשונית זו, בחר 1/2 (חצי גודל תמונה, ברירת מחדל) ובחר Classify Point Cloud.
   4. לחץ 3. לשונית DSM, Orthomosaic ו-Index > Index Index בחר את GeoTIFF ו-Merge Tiles ואת כל האינדקסים הזמינים ליצירת (איור 4).
      1. לפרויקט הרב-ספקטרלי, יש לוודא, תחת עיבוד וכיול רדיומטרי, שסוג הכיול של כל תחום מוגדר למצלמה, קרינת שמש וזווית שמש.
      2. לחץ על DSM ו-Orthomosaic תחת Raster DSM בחר אריחי GeoTIFF ו-Merge, וכן תחת Orthomosaic בחר אריחי GeoTIFF ו-Merge. לחץ על אישור והתחל לעבד.
         הערה: בעת עיבוד תמונות רב-ספקטרליות, סוג הכיול נקבע אוטומטית באמצעות תמונות כיול שצולמו באתר לפני הטיסה (שלב 1.3.7), אך ניתן לכייל אותו ידנית על ידי לחיצה על כיול. לאחר מכן דפדף כדי למצוא תמונה של לוח הכיול (עם כותרת התחום המתאים) והזן את ערך פקטור ההחזרה שנקרא מפאנל הכיול.
   5. עיבוד הפוטוגרמטריה מסתיים במפות החזרה שנוצרו/נשמרו (מפות סקר UAV) בתיקיית הפרויקט הרב-ספקטרלית: ירוק, אדום, קצה אדום, NIR, וב-RGB: אדום, ירוק, כחול, גווני אפור, אורתומוזאיק, ו-DSM (מודל שטח דיגיטלי). לוודא שכל המדדים, האורתומוזאיים ו-DSM GeoTIFF ממוזגים ואימות דוחות הפרויקט לאיתור שגיאות; אם מתגלות בעיות, חזור על העיבוד.

2. איסוף נתוני אמת קרקעית וביצוע גיאורפרנסינג

1. התכוננו לעבודת שטח.
   1. בקרו באתר המחקר מראש וחקרו את האזור כדי לזהות קהילות צמחים פוטנציאליות מעניינות, ובכך לרכוש ידע חווייתי על האתר. החליטו אילו תצפיות ביופיזיקליות ניתן לאסוף באתר והן הכרחיות לתיאור הרכב קהילת הצמחים באתר המחקר הנבחר.
      הערה: להמחשת פרוטוקול זה, המוקד היה על מיני צמחייה, מבנה והרכב כדי לסיווג 4 קהילות צמחים המעידות על בית גידול של מרעה חופי בוראלי בלטי: חלוץ פתוח (OP), חוף תחתון (LS), חוף עליון (ארה"ב), ודשא גבוה (TG).
   2. הכינו והדפיסו מדריך זיהוי מיני צמחים חזותי המפרט את המינים המעידים על קהילות צמחים בבית הגידול הספציפי שממופים. המדריך יכול להאיץ ולסייע בזיהוי מינים באתר אם מכשירים אלקטרוניים נכשלו.
   3. הכינו דף עבודה לתיעוד תצפיות שטח, כולל רשימה של מיני סימן יחד עם מינים נוספים הנפוצים באזור הנחקר והאזור הסובב, וכן תצפיות שטח ביופיזיקליות נוספות שיש לתעד (למשל, תאריך סקר, גובה הצמחייה, משקלי ביומסה).
2. השתמש בהליך דגימה שכבתית לאיסוף נתוני אמת קרקעית באמצעות ריבועים.
   1. זהה קהילת צמחים באופן חזותי בהתבסס על ידע שטח חווייתי.
   2. הניחו מסגרת קוואדרט על הקרקע במקום מייצג את קהילת הצמחים הנבדעת, תוך הימנעות מאזורים עם הפרעות משמעותיות. לביצות חופיות בוריאליות, קוואדרט של 1 מ' על 1 מטר מספיק. קוואדרט זה ישמש כגרף לדוגמה לתצפיות ביופיזיקליות ודגימת ביומסה.
   3. רשמו את תאריך הסקר, שמות המודדים, סוג/מחלקת קהילת הצמחים, וקוד המספר לכל רבע מדגם.
      הערה: מומלץ לקבוע קודי מספר בסדר הבא: קוד שדה לימוד + קוד קהילת הצמח + מספר רצף רבעון לדוגמה של הרבע הנרשם. קודי המספרים הללו יקשרו תצפיות שדה ביופיזיקליות למאגר הנתונים הגאו-מרחבי ולקואורדינטות.
   4. רשמו קואורדינטות בכל פינה של רבע הדגימה באמצעות מערכות GNSS/RTK ותוכנות מדידת קרקע, על ידי הזנת קוד מספר התואם לקוד המספר של הרבעון ושמירת הקואורדינטות.
      הערה: השתמש במקלט GNSS שמספק נתוני מיקום מדויקים (ברמת סנטימטר); עיין במדריך המשתמש לקבלת הוראות להפעלת המכשיר והתוכנה המשלימות שלו.
   5. לגבי תצפיות ביופיזיות, בתוך רבע הדגימה, יש לרשום אחוזי כיסוי משוערים לכל מין צמח שנצפה, וכן את כיסוי משתנים פוטנציאליים נוספים, כולל קרקע חשופה, פסולת צמחים, טחב ואצות (מה שמבטיח שהסך הכולל בין 95% ל-105%, טווח מקובל לסקרים פיטוסוציולוגיים). בצע חמש מדידות אקראיות של גובה הצמחייה באמצעות סרט מדידה כדי לקבוע את גובה הדגימה הממוצע.
   6. עם אותו רבע דגימה, אספו תצפיות ביופיזיות אופציונליות: לדוגמה, אחוז לחות הקרקע, דגימת ביומסה של צמחייה על ידי כריתת צמחייה בגובה הקרקע, איסוף ביומסה לשקית נייר, ושקילה באמצעות סולם מאוזן המופעל על סוללות (דיוק ± 1 גרם). כדי למצוא את משקל הביומסה האמיתי, מחסר את משקל שקית הנייר מהמשקל הכולל. תעד את כל המשקלים לעתיד.
3. שחזרו את הליכי הדגימה המרובעת השכבתיים שתוארו בשלבים הקודמים (2.2.1–2.2.6) לפחות 10 פעמים בכל אחת מקבוצות קהילת הצמחים (כלומר, OP, US, LS, TG).
   הערה: הימנעו מהצבת רבעי דגימה קרובים מדי זה לזה. חשוב לספק דגימה עקבית ומקיפה באתרי המחקר כדי להבטיח שדגימות הרבעים המתועדות משקפות במדויק את בתי הגידול. מכיוון שקהילות צמחים מופיעות לעיתים קרובות בדפוסי פסיפס בביצות חופיות, יש לדגום את אותה קהילת צמחים במיקומים שונים באתר המחקר.
4. דיגיטציה של רשומות דגימת קוודרט לאחר השלמת כל התצפיות בשטח.
   1. תמלל את כל הערות העבודה בשטח לתוכנת גיליונות אלקטרוניים, ויצירת מאגר נתונים לניתוח על ידי ארגון הנתונים בפורמט טבלה עם שורת כותרות המתייגת כל משתנה; ואז הזן את כל הערכים בהתאם.
   2. שמור את הקובץ ויצא אותו כקובץ ערכים מופרדים בפסיקים (CSV).
5. צור מאגר נתונים של אמת קרקעית על ידי התבוננות גאוגרפית בתצפיות ביופיזיות.
   1. הורד את כל הקואורדינטות המוקלטות של מיקומי הפינות של הרבעון כקובץ CSV ממערכת GNSS/RTK המשמשת בשטח.
   2. צור פרויקט חדש בתוכנת מערכת מידע גיאוגרפית (GIS) (QGIS שימש ליישום פרוטוקול זה), ושמור אותו כקובץ .qgz בפרויקט שנוצר בשלב 1.4.3. תיקייה זו וקובץ .qgz יכללו את כל מערכי הנתונים הגאו-מרחביים מהשלבים הבאים.
   3. במרחב העבודה של GIS, ייבא קובץ CSV המכיל את הקואורדינטות של פינות קוואדרט כשכבת טקסט מוגבלת. לאחר ייבוא הקואורדינטות הללו, הן יופיעו כנקודות צורה.
   4. חבר את הקואורדינטות של כל נקודת פינה ברבעון כקובץ shapefile: פוליגון, ושמור את קובץ הצורה.
   5. חבר את קובץ הצורה של הפוליגון עם קובץ הנתונים הדיגיטלי של שדה CSV (שנוצר בשלב 2.4) על ידי קישור קודי המספרים של שני הקבצים.
   6. שמור את מערך הנתונים החדש שנוצר כקובץ GeoPackage (.gpkg) בתיקייה שנוצרה על הכונן הקשיח החיצוני (שלב 1.4.4). שמור לעדכון פרויקט GIS.

3. חישוב מדד הצמחייה (VIs)

1. הכינו מפות סקר מבוססות רחפנים עבור ה-Vis.
   1. לתוך מרחב העבודה של תוכנת GIS (השתמש באותו קובץ .qgz שנוצר בשלב 2.5.2 ועודכן ב-2.5.6), ייבא את כל פסיפסי ההחזרה (מוצרי מפה) שנוצרו באמצעות סקר ה-UAV בשלב הראשון של הפרוטוקול, בשלב 1.5.
   2. הקטן את גודל המפות על ידי 'חיתוך' נתונים מיותרים. בהתבוננות בהתפלגות הריבועים של הדגימה ועל בסיס ידע חווייתי בהיקף אתר המחקר, יוצרים גבול מצולעים סביב אתר המחקר ומפות את היקף הפוליגון (איור 5). זה יקטין את גודל הקובץ ויגדיל את מהירות העיבוד.
      הערה: מפות סקר חתוכות (GREEN , RED, Red Edge, NIR ו-RGB אדום, ירוק, כחול GeoTIFF ו-ground_truth.gpkg (נוצרו בשלב 2.5.6) זמינות להורדה ממאגר Zenodo באמצעות קישור: https://doi.org/10.5281/zenodo.20075625 למטרות חינוכיות בלבד כדי לתרגל שחזור השלבים הבאים.
2. השתמש בכלי מחשבון רסטר לחישוב; נוסחאות VI מופיעות בתיק המשלים 1: 34,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56 ^,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71.
   1. בעת חישוב VI רב-ספקטרלי, השתמש ב-RED, GREEN, NIR ו-Red-edge GeoTIFF כערכי קלט. (ראו איור 6, GIS Raster Calculator, נוסחת VI אחת כדוגמה).
   2. בחישובי VI מבוססי RGB, תחילה נרמל את המדדים האדום, הירוק והכחול (מפות מכפלות משלב 1.5). חשב RGB VI חדשים רק לאחר סיום תהליך הנירמול (נוסחאות לנרמול אינדקסי RGB זמינות בקובץ משלים 1 כחלק מרשימת RGB VI).
   3. שמרו VI חדשים כ-GeoTIFF (למשל, קבצי רסטר) בתיקיות נפרדות, תוך מתן שמות בהתאם (למשל, קידומת (MS או RGB) + שם אינדקס) בתיקיית GIS Project שנוצרה על הכונן הקשיח החיצוני (שלב 1.4.4).
   4. הוסף את ה-DSM ו-VI אוטומטיים אחרים (למשל, גווני אפור) שנוצרו/חתכו בשלב 3.1.2 לתיקיית RGB VIs. תיקיות אלו המכילות VIs, יחד עם קובץ אמת קרקעית (שנוצר בשלב 2.5.6), משמשות כמאגרי נתונים בסיסיים לאלגוריתם יער אקראי לסיווג קהילות צמחים במפות. שמור לעדכון פרויקט GIS עם קישורים לקבצי רסטר VI.

4. סיווג מפוקח ב-R באמצעות יער אקראי

הערה: כדי לבצע שלב זה, פתח סביבת חישוב סטטיסטית עבור R ב-RStudio, ואז עבור ל-File > Open File ובחר את הסקריפט המסופק בקובץ המשלים 2. התסריט הזה מוכן לשימוש ומאורגן כדי להבטיח שחזוריות ולהקל על התאמה לאתרי מחקר אחרים. ניתן לבצע זאת בשתי דרכים: (1) להריץ את כל הסקריפט בבת אחת: ללחוץ על Source או ללחוץ על Ctrl + Shift + Enter, כדי לוודא שהתיקייה ונתיבי קבצי GeoPackage מעודכנים; או (2) הרץ שורה אחר שורה או בלוק אחר בלוק: הנח את הסמן על שורה או בחר בלוק ולחץ Ctrl + Enter. אפשרות זו מומלצת כי היא מציעה אפשרויות טובות יותר לפתרון תקלות.

1. הכן את הסביבה R.
   1. להתקין ולטעון חבילות נדרשות (למשל, terra, sp, sf, raster, rsample, MLmetrics, randomForest, rgdal)⁷².
      הערה: אם rgdal אינו תואם לגרסאות החדשות ביותר של R, ניתן להחליף את הפונקציות stack() ו-readOGR() ב-rast() ו-st_read(), בהתאמה.
   2. הגדר את תיקיית העבודה.
2. בצע קדם-עיבוד רסטרי.
   1. טען את כל קבצי הרסטר מהאזור שנסקר בתיקיית עבודה מסוימת.
   2. ודא הקרנה, רזולוציה ומידה עקביים בין הרסטרים של הקלט. אם מתגלות אי-עקביות, השתמש בפונקציה resample() ב-R (למשל, terra::resample() או raster::resample()) כדי ליישר את הרסטרים לקובץ ייחוס משותף (בדרך כלל זה עם הרזולוציה המרחבית הגסה ביותר כדי למנוע שדרוג מלאכותי) (ראו מאמר של Hijmans ואחרים ⁷³).
3. בצע חילוץ נתונים:
   1. ייבא נתוני אמת קרקעית מחבילת GeoPackage (נוצרה בשלב 2.5.6).
   2. השתמש בפונקציית terra:: extract() כדי לקשר ערכי רסטר לפוליגונים לדוגמה.
   3. חבר את מסגרת הנתונים המכילה את הערכים שהופקו עם קודי קהילת הצמחים, כדי לוודא שהם פקטורים.
4. חלק את מערך הנתונים לקבוצות אימון ואימות באמצעות דגימה שכבתית לשמירה על איזון מחלקות. שנו את היחס בין דגימות אימון לאימות לפי מועדף, או בהתאם לזמינות הדגימות.
   הערה: מערכי נתונים קטנים יותר בדרך כלל דורשים חלוקה של 80/20 כדי לספק נתוני אימון מספקים. מערכי נתונים גדולים יותר: 70/30 מספיקים ומספקים מערך אימות או מבחן חזק יותר (ראו את הפרסום של מוחמד ואלסונוסי⁷⁴).
5. בצע כיוונון מודלים.
   1. הגדר רשת פרמטרים כדי לחקור שילובים שונים של mtry ו-ntree.
      הערה: mtry הוא מספר המשתנים (המנבאים) שנדגמים באקראי כמועמדים לכל פיצול בעת פיתוח עץ החלטה ב-RF. הערך ברירת המחדל הוא בדרך כלל השורש הריבועי של סך כל המנבאים לסיווג ושליש עבור רגרסיה. לעומת זאת, ntree הוא סך כל עצי ההחלטה שיגדלו ביער. מספר גבוה יותר של עצים בדרך כלל משפר את הביצועים אך מאריך את זמן החישוב; קצב השגיאה בדרך כלל מתייצב לאחר מספר מסוים של עצים.
   2. ללאה דרך הרשת (כלומר, חיפוש רשת, שבודק באופן שיטתי שילובים שונים של ערכי היפרפרמטרים כדי למצוא את הקבוצה הטובה ביותר למודל) והערך דיוק עבור כל שילוב.
   3. בחר את השילוב עם הדיוק הגבוה ביותר.
      הערה: ראו Belgiu ו-Drăguţ⁷⁵, וגם Bergstra ואחרים^, להבנה טובה יותר של הרלוונטיות והגישות האלטרנטיביות לצעד זה.
6. להתאים את מודל ה-RF באמצעות שילוב הפרמטרים הטוב ביותר. הסקריפט רושם את שגיאת Out-of-Bag (OOB) ואת החשיבות המשתנה.
7. בצע חיזוי והערכת דיוק.
   1. חזו את מחלקת קהילת הצמחים עבור כל הפיקסלים בערימת הרסטר ובמאגר הנתונים של הוולידציה. ייצוא את מפת הסיווג כ-GeoTIFF (ראו איור 7, שמציג צילום מסך של קונסולת R הכולל ויזואליזציות של הפלטים הסופיים; איור 7A מציג את מוצר מפת קהילת הצמחים כאשר משתמשים במאגר קלט של VIs רב-ספקטרליים, ואיור 7B מציג את מוצר מפת קהילת הצמח בעת שימוש במערך נתונים RGB+DSM).
   2. חשב את מטריצת הבלבול, דיוק, ציון F-1, דיוק ושחזור בסט האימות (ראו איור 8, שמציג את צילומי המסך של R המדגימים דירוגי ביצועים VI; איור 8A מציג צילום מסך של קונסולת R ומציג כאשר משתמשים ב-VI רב-ספקטרלי כמאגר נתונים קלט, ואיור 8B מציג צילום מסך בעת שימוש במאגר נתונים RGB+DSM; איור 8A, תצוגות B כוללות גרפים בעלי חשיבות משתנה בשם "final_rf"). לפרטים נוספים על מדדים אלו, עיינו במאמר של נאידו ואח' ⁷⁷.
8. פתח מחדש את פרויקט QGIS (נוצר בשלב 2.5.2 ועודכן ב-2.5.6 ו-3.2.3), הוסף מפות סיווג קהילות צמחים (GeoTIFFs). שמור את פרויקט QGIS כדי לעדכן את פרויקט ה-GIS.
   1. כדי לשתף ולגבות את כל מערכי הנתונים הגיאו-מרחביים (מפות סקר רחפנים, אמת קרקעית, מפות VI, מפות סיווג קהילות צמחים כפרויקט GIS), כנס לתיקייה של אתר המחקר, לחץ קליק ימני ובחר שלח לתיקיית > דחוס (zip).
      הערה: תיקיית פרויקט ה-GIS המלאה עשויה להוות מערך נתונים משמעותי (מערך מחקר מקרה זה בשטח של 40 הקטר עלה על 140 גיגה-בייט). במידת הצורך, יש לתקשר רק את התוצאות הסופיות ואת מאגרי הנתונים של האמת הקרקעית כדי להקטין את גודל הקובץ.

תוצאות

השיטה החצי-אוטומטית למיפוי וסיווג קהילות צמחים נועדה לייצר מידע מדויק על כיסוי קרקע לביצות חופיות, הנשלטות על ידי צמחים עשבוניים הטרוגניים בעלי צמיחה נמוכה ומאופיינים במיקרוטופוגרפיה; ראו דוגמה לבית גידול כזה בתמונה באיור 1. נערך מחקר מבחן של ביצות החוף הבוראלי הבלטי באי היומאה, אסטוניה. באתר, נבדקו ארבע קהילות צמחים לאימון מודל הסיווג: Open Pioneer (OP), Lower Shore (LS), Upper Shore (ארה"ב), וטאל גראס (TG). איור 2 מספק סקירה תמציתית של המתודולוגיה שיושמה בארבעה שלבים מובחנים. לעומת זאת, איור 3 מציג מדריך דיאגרמטי מפורט המתאר צעדים ממוספרים וניתנים לפעולה המשולבים בחצים לייצוג זרימת הנתונים, ובכך מסנתז את המתודולוגיה בין השלבים והשלבים של הפרוטוקול. התוצרים הסופיים של שיטה זו, תוך שימוש בחיישן רב-ספקטרלי וחיישן RGB, הם מפות קהילות צמחים רב-ספקטרליות ומבוססות RGB, המאוחסנות כשכבות בפרויקט GIS יחד עם כל מאגרי הנתונים הביניים. איכות מערכי הנתונים הגיאו-מרחביים הוערכה עם סיום כל שלב פרוטוקול, שכן איכות התוצאות בשלבים הבאים תלויה באיכות תוצאות השלב הקודם, שמגיעה לשיא בשלב הסופי, שבו הקלטים מהווים את מצטבר כל השלבים הקודמים.

להלן מסכם את תוצאות כל אחד מארבעת שלבי הפרוטוקול:

בשלב הראשון, הסקר האווירי של הרחפנים בוצע בגובה 120 מטר, מה שהניב מרחק דגימת קרקע (GSD) של כ-10 ס"מ לפיקסל. הסקר האווירי הניב תמונות רב-ספקטרליות ו-RGB. לאחר עיבוד קינמטי (PPK), תוקנו תגיות גיאוגרפיות לכל תמונת רחפן, והתמונות עובדו בפסיפס בתוכנת פוטוגרמטריה מקצועית ליצירת מפות סקר אוויריות. עיבוד פוטוגרמטרי של תמונות אוויריות רב-ספקטרליות הניב קבצי רסטר של החזרות אדום, ירוק, NIR ואדום-קצה.

תמונות אוויריות רב-ספקטרליות ו-RGB עובדו כפרויקטים נפרדים בשל הרזולוציות השונות במהותן של הצילום. ראו איור 4 של הגדרות הפסיפס של תמונת RGB. איור 4A. עיבוד אפשרויות על ידי בחירת אריחים ממוזגים ויצירת מפות פלט מאוחדות וחלקות. איור 4B. בחירת חישובי אינדקס אוטומטיים מתמונות RGB יצרה ארבע מפות רסטר: אחת לכל תחום (אדום, ירוק וכחול), ו-DSM (מודל משטח דיגיטלי). איור 4C. מדגים יצירת נקודות קישור אוטומטיות כדי להתאים פיקסלים נפוצים על פני תמונות חופפות במהלך שלב העיבוד הראשוני. יחד עם 3 אינדקסים RGB (אדום, ירוק, כחול) ו-DSM, תוכנת הפוטוגרמטריה יצרה רסטר בגווני אפור שנוצר בתוכנה: ייצוג מונוכרומטי חד-ערוצי, שמגדיל ומשלב בין הפסים השונים (למשל, אדום, ירוק, כחול), כאשר ערכי פיקסלים נמוכים מופיעים בשחור וערכים גבוהים לבנים. הניסוח של מדד הגווני האפור הזה הוא ספציפי לתוכנה ואינו סטנדרטי בין פלטפורמות פוטוגרמטריה.

תוכנת פוטוגרמטריה יצרה דוחות איכות המתארים את תוצאות העיבוד עבור שתי קבוצות פרויקטי פסיפס תמונות אוויריות: רב-ספקטרלי ו-RGB. דוחות אלו מספקים מדדים מרכזיים לאימות הדיוק. מדדים לתוצאות איכותיות הם שגיאת הקרנה נמוכה: ככל שקרוב יותר לאפס, כך טוב יותר (כל דבר מתחת ל-1.0 מקובל בדרך כלל). לדוגמה, "קווי התאמה" צפופים משמעותם התאמות חזקות בין רוב התמונות. מפות הפלט הוערכו ויזואלית ונמצאו נקיות מחסרי רווח והפרשים ויזואליים אחרים. הבדלים ויזואליים הם סימן לשגיאות אפשריות בהחזרה ובפסיפס, וכן לבעיות רשת גיאורפנס בסיסיות. דוח הפוטוגרמטריה, יחד עם מדריכי תוכנה ספציפיים ומשאבי הדרכה, משמש לזיהוי הבעיה, מציאת פתרון ועיבוד מחדש של תמונות אוויריות.

מפות סקר אווירי של רחפנים שימשו כמאגר נתונים בסיסי לחישוב מחדש של מידע ספקטרלי מורכב לאינדקסים סטנדרטיים מבוססי פיקסלים (כלומר, מדדי צמחייה VI שנוצרו בשלב השלישי), מה שאפשר להשתמש בהם כקלטים מובנים לסיווג למידת מכונה (בשלב הסופי של הפרוטוקול).

תצפיות ביופיזיקליות באתר נאספו כמאגר נתונים של אמת קרקעית. באתר מחקר המקרה (ביצות חוף בלטיק בוראלי), זוהו ונדגמו ארבע קהילות צמחים וסקולריות מרכזיות: Open Pioneer (OP), Lower Shore (LS), Upper Shore (ארה"ב), ו-Tall Grass (TG). בשימוש בשיטת הדגימה המרובעת השכבתית שהוגדרה בשלב השני של הפרוטוקול, זוהתה קהילת הצמחים המקורית על ידי נוכחות מיני אינדיקטור: Salicornia europaea ו-Suaeda maritima; LS באחוזים גבוהים של Glaux maritima ו-Juncus geradii; בארה"ב לפי מיני האינדיקציה שלה: Festuca rubra ו-Leontodon autumnalis; בעוד ש-TG מתאפיין בנוכחות משמעותית של עשבים גבוהים: Deschampsia cespitosa, Elytrigia repens ו-Molinia caerulea. נאספו לפחות 10 דגימות קוואדרט לכל קהילת צמחים. כל דגימה ברבע כללה את התצפיות הביופיזיות הבאות: הרכב מיני הצמח (%), לחות הקרקע (%), גובה הצמחייה בסנטימטרים, ומיקומי קואורדינטות מדויקים של הקוודרט. משתנים אלו הועברו דיגיטציה כמערך נתונים מטבלאות, יובאו לפרויקט GIS, נוספו לקובץ shapefile הנתונים GNSS של הקוואדרט המדגם, ונשמרו כ-GeoPackage (.gpkg). קובץ כזה, שאינו תלוי בפלטפורמה, המכיל תצפיות ביופיזיקליות של קהילות צמחי ביצות ונתוני קואורדינטות מדויקים של מדגם, משרת מטרה כפולה: להערכה ומידול סביבתי ואקולוגי נוסף. החשוב מכל, לביצוע מוצלח של פרוטוקול זה, קובץ GeoPackage זה משמש כנתוני אימון ואימות מודלים בתהליך למידת המכונה שמוגדר בשלב 4. קידוד קהילת צמחים: OP, LS, US, TG; שימשו כתוויות אימון בתהליך למידת המכונה. דיוק (תוויות באיכות גבוהה, ביקורת אנושית, פורמט עקבי) ומבנה (פורמט נקי ומלבני (שורות/עמודות)) הם קריטיים ליצירת מערך נתונים איכותי לאמת קרקעית. תוויות אמת בסיסיות חייבות להיות בעלות שיעורי שגיאה קרובים לאפס (למשל, טעויות הקלדה) כדי להבטיח קונבנציות תיוג עקביות. לדוגמה, אם "OP" היא האמת הבסיסית, חשוב לוודא שלא תויג אותו בדרך אחרת (כמו "op", "O.P.") כדי למנוע כפילות.

כדי לבצע את השלב השלישי של הפרוטוקול, מאגרי הנתונים מהסקר האווירי שבוצע בשלב הראשון שימשו לחישוב מחדש של נתוני סקר אווירי גולמיים למדדי צמחייה (VIs). ראשית, כדי לצמצם את גודל מערך הנתונים ולייעל את תהליך המחשוב, פלטי הפוטוגרמטריה "חתוכים" כדי להשמיט נתוני פיקסלים לא רלוונטיים או באיכות נמוכה מחוץ לגבולות אתר המחקר (ראו איור 5 כהמחשה לפעולות שבוצעו בתוכנת GIS).

לאחר מכן, חושבו 19 VIs רב-ספקטרליים באמצעות מפות החזרה אדומה, ירוקה, NIR ו-Red-edge. קבצי הרסטר הרב-ספקטרליים VI הבאים נוצרו ונכללו בפרויקט ה-GIS: מדד Datt 4 (Datt4)⁴¹, מדד צמחייה משופרת (EVI)⁴², מדד כלורופיל ירוק (GCI)⁴³, מדד הפרש ירוק (GDI)⁴⁴, מדדי צמחייה מוכללת (GDVI)⁴⁵, מדד אחוז צמחייה אינפרא-אדום ירוק (GIPVI)⁴⁶, מדד צמחייה ירוק מנורמל (GNDVI)⁴⁷, מדד ההבדל הירוק-אדום (GRDI)⁴⁴, מדד צמחייה ירוק-אדום (GRVI)⁴⁵, מדד צמחייה מנורמל מותאם (mNDVI)⁴⁸, מדד צמחייה מותאם לקרקע⁴⁹ (MSAVI: ראו איור 6. צילום מסך של מחשבון רסטר בתוכנת GIS עם קלט נוסחת MSAVI), יחס פשוט מותאם אדום-קצה (MSRred_edge)⁵⁰, מדד מים מנורמל (NDWI)⁵¹, מדד צמחייה מנורמל (NDVI)⁵², NDVI אדומים (NDVIre)⁴⁷, מדד צמחייה משולשת אדומה (RTVIcore)⁵⁰, מדד צמחייה מותאמת לקרקע (SAVI)^53,54, יחס פשוט (SR)⁵⁵, יחס אדום-קצה פשוט (SRre)⁴⁷.

יתרה מזאת, חושבו ונשמרו 23 וי-וי מבוססי RGB כקבצי רסטר בפרויקט GIS לניתוח מרחבי נוסף: מדד יחס כחול–ירוק (BGRI)⁵⁷, מדד בהירות (BI)⁵⁸, מדד צמחייה כחול טווח דינמי רחב (BRVI)⁵⁹, מדד צבע הצמחייה (CIVE)⁶⁰, מדד צמחייה ירוק משופר (EGVI)⁶¹, מדד צמחייה משופרת (ERVI)⁶², מדדי ירוק עודפים ExG ו-ExGI⁶³, מדד שילוב (COM)⁶⁴, קואורדינטת כרומטית ירוקה (GCC)^34,65, מדד עלים ירוקים (GLI)⁶⁶, מדד צמחייה ירוקה-אדומה (GRVI)⁶⁷, מדד צמחייה ירוקה אדומה מותאם (MGRVI)⁶⁸, מדד ההפרש הירוק-כחול המנורמל (NGBDI)⁶⁹, מדד ההפרש הירוק-אדום המנורמל (NGRDI)⁶⁹, מדד יחס אדום–ירוק–כחול ומדד צמחייה אדום-ירוק-כחול (RGBRI⁷⁰) ו-RGBVI⁶⁸), מדד יחס אדום-ירוק (RGRI)⁵⁷, מדד צמחייה מותאמת לקרקע נראית לעין (SAVI)⁵³, מדד ירוק משולש (TGI)⁶⁹, מדד עמידות אטמוספירית נראית לעין (VARI)⁴⁷, מדד צמחי (VEG)⁷¹, מדד וובק (WI)⁶³.

התוצאות הסופיות כוללות שתי מפות סיווג נפרדות לקהילת מולטי-ספקטרליות ו-RGB שנשמרו כ-GeoTIFF בתוך פרויקט ה-GIS, יחד עם כל הנתונים הגאו-מרחביים הקודמים. 19 VI רב-ספקטרליים, יחד עם מערך הנתונים של אמת קרקעית, שימשו כמנבאים ברמת פיקסל בתהליך למידת מכונה (למשל, אלגוריתם RF) כדי לסיווג קהילות צמחים חופיות בוריאליות (OP, LS, US, TG) וליצירת מפת קהילות צמחים רב-ספקטרלית. ומנבאים מבוססי RGB (25 RGB VI, אינדקס גווני אפור,^ו-56 אינדקסים אדומים, כחולים, ירוקים ו-DSM מנורמלים), יחד עם מאגר הנתונים של אמת קרקעית, לסיווג ויצירת מפת קהילות צמחים מבוססת RGB (ראו איור 7). תוצאות סופיות מתוארות בקונסולת R; איור 7A מייצג רב-ספקטרליות, ואיור 7B מייצג מפות קהילות צמחים מבוססות RGB).

ליצירת פלטים סופיים, סביבת R (שלב 4 של הפרוטוקול) שימשה לסקריפט וביצוע תהליך הלמידת המכונה (למשל, אלגוריתם RF), מה שאפשר ויזואליזציה של פלטים ביניים, כגון דירוגי ביצועים במדד צמחייה (VI) (איור 8). בעת מיפוי וסיווג קהילות הצמחים, קונסולת R סיפקה הודעות שגיאה והסברים בזמן אמת, מה שהקל על פתרון תקלות והבטיח התקדמות חלקה בכל שלב.

מחקר זה העריך שני מודלים של אלגוריתמים RF למפות סיווג קהילות צמחים. מודל RF הראשון, שהשתמש ב-VIs רב-ספקטרליים כמאגר הנתונים הקלט, השיג דיוק של 92.34% עם ציון F1 של 0.915 במאגר האימות של האימות. זו תוצאה תקפה, שכן ציוני פורמולה 1 נעים בין 0 (הגרוע ביותר) ל-1 (מושלם), כאשר ציונים גבוהים יותר מצביעים על ביצועים טובים יותר. הציון F1 במודל RF מייצג את הממוצע ההרמוני של דיוק ושחזור. מדד זה מאזן ביעילות בין חיוביים שגויים לשליליים, כלומר, הוא אינו מאפשר לסוג אחד של שגיאה לגבור על השני, דבר חיוני למאגרי נתונים לא מאוזנים, ולעיתים קרובות מדווח בממוצע בין מחלקות או מדווח לכל מחלקה כדי להעריך את ביצועי המודל הכוללים^78,79. שיעור השגיאות ב-OOB של המודל הרב-ספקטרלי עמד על 7.75%, מה שמעיד על סיכון בינוני לסיווג שגוי. ציוני F1 ברמת כיתה במאגר האימות נעו בין 0.845 ב-TG ל-0.984 בקהילות צמחים OP, מה שמעיד על שונות מתונה בביצועים בין קהילות.

מודל ה-RF השני שנערך התבסס על VIs ו-DSM שנגזרו מסקר האוויר RGB, והשיג דיוק של 98.89% עם ציון F1 כולל של 0.987. שיעור שגיאות ה-OOB שלו היה רק 1.14%, מה שמשקף אמינות גבוהה מאוד. ציוני F1 ברמת כיתה היו גבוהים באופן עקבי (0.986–0.993), מה שמעיד על סיווג איתן לכל הקהילות.

הגרף בעל חשיבות משתנה ב-R (איור 8A) הדגים את יכולות החיזוי של כל VI עבור קהילות צמחי הביצות החופיות בבוריאל. ה-VIs הרב-ספקטרליים המשפיעים ביותר כמנבאים היו mNDVI ו-SR, המעידים על רגישות חזקה לירוקות וביומסה של הכיסוי. באופן דומה, גם GRDI, NDVI, NDVIre ו-SRre דורגו גבוה, מה שמשקף את תפקיד מדדי ההפרש האדום והנורמל בהבחנת סוגי צמחייה. לעומת זאת, המדד המבוסס RGB וגרף החשיבות משתנה של DSM מראים שמודל גובה מבני שמקורו ב-DSM כמנבא הוא גורם מרכזי לדיוק הסיווג (איור 8B). מנבאים חשובים נוספים כוללים את TGI, גווני אפור ו-VARI, המנצלים שונות בהחזרת RGB. לכן, תוצאות אלו מצביעות על כך שמדדים שמקורם ב-DSM וב-RGB משפרים משמעותית את אמינות הסיווג ומפחיתים את הסיכון לטעות.

כל מאגר הנתונים הגיאו-מרחבי נשמר כפרויקט GIS, תיקייה הכוללת סקר רחפנים ומפות רסטר VI, חבילת תצפית ביופיזית (אמת קרקעית), ומפות קהילות צמחים; כולם מקושרים כפרויקט QGIS (קובץ .qgz). הפרויקט מתאים לשימוש לא מקוון ומאפשר אינטרופרביליות בין פלטפורמות GIS.

איור 1: אתר המחקר. תמונה עם סיכת מיקום במפה הגלובלית, המצביעה על האי היומאה בארכיפלג האסטוני המערבי. אתר הלימוד, Kõrgessaare rannaniit, ממוקם בכפר ויסקוזה ומהווה אזור שימור טבע. סוג בית גידול: מרעה חוף בלטי בוראלי (Natura 2000 קוד 1630). אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 2: דיאגרמת זרימת עבודה קונספטואלית. (1) סקר אווירי מבוסס רחפן, (2) איסוף נתוני אמת קרקעית וגיאורפרנסינג, (3) חישוב מדדי צמחייה, ו-(4) סיווג מפוקח באמצעות יער אקראי ב-R. מפות בפועל מיישום הפרוטוקול ממחישות שיטה זו בת ארבעה שלבים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 3: דיאגרמת זרימת עבודה מפורטת. הדיאגרמה מפרטת את ארבעת השלבים (והשלבים המרכזיים) של הפרוטוקול בפאנלים בצבעים שונים, יחד עם מערכי נתונים שנוצרו בכל שלב. Arrors מסמלים את זרימת הנתונים. צבע כחול מבדיל בין מערך נתונים רב-ספקטרלי לבין RGB באדום. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 4: דוגמה לתוכנת פוטוגרמטריה. (A–C) צילום מסך של פרויקט פסיפס תמונת RGB: (א) אפשרויות עיבוד ל-DSM ואורתומוזאיקה. (ב) אופציות עיבוד למדדים אדומים, ירוקים וכחולים. (ג) תצפית על התקדמות העיבוד, כולל תמונות אוויריות וזוויות מצלמה. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 5. חיתוך קבצי רסטר במפות בתוכנת GIS. צילום מסך של סביבת עבודה של QGIS עם שכבות נראות ולשוניות פתוחות ברצף המדגימה כיצד לחתוך נתונים מיותרים: רסטר-חילוץ-קליפ של רסטר לפי Extent ("extent" במקרה זה מתייחס לצורת פוליגון שצוירה לפי רצון ומשמשת להסתרת פיקסלים הנופלים מחוץ לגבולותיה). אנא לחצו כאן לצפייה בגרסה גדולה יותר של איור זה.

איור 6. צילום מסך של מחשבון רסטר בתוכנת GIS. כדוגמה נוסחת מדד צמחייה מותאם לקרקע (MSAVI) כדוגמה. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 7. סביבת חישוב סטטיסטית לצילומי מסך בגרסת R המדגימה את הפלטים הסופיים שצוירו בקונסולת R (RStudio). (א) מפות קהילות צמחים רב-ספקטרליות ו-(ב) מפות קהילות צמחים מבוססות RGB. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 8. סביבת מחשוב סטטיסטית לצילומי מסך R המדגימים דירוגי ביצועים VI. (א, ב) תצוגות של קונסולת R: (א) צילום מסך כאשר משתמשים ב-VI רב-ספקטרלי כמערך קלט, ו-(ב) צילום מסך כאשר משתמשים במערך נתונים RGB+DSM. שתי התצוגות (A ו-B) כוללות גרפים בעלי חשיבות משתנה בשם "final_rf" (שם אובייקט שנוצר על ידי סקריפטים). אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

קובץ משלים 1: משוואות אינדקס צמחייה. רשימת משוואות מדד צמחייה (VI) רב-ספקטרלי ומבוססות RGB המשמשות בפרוטוקול זה, כולל נוסחאות לנרמול תחום RGB לפני חישוב RGB VI. אנא לחצו כאן להורדת הקובץ הזה.

קובץ משלים 2: סקריפט סיווג ואימות RF. R. אנא לחצו כאן להורדת הקובץ הזה.

דיון

השלבים הקריטיים בפרוטוקול הם בשלב 1, סקר הרחפן, ובשלב 2, עבודת שטח, שבה נאספים תצפיות ביופיזיקליות ומורכב מאגר הנתונים של האמת הקרקעית. שניהם תלויים במזג האוויר ויש לבצע אותם בקרבה. ושתיהן חייבות לספק מערכי נתונים גאו-מרחביים עם דיוק קואורדינטות גבוה (הושגה דיוק של 1–3 ס"מ למחקר המקרה). הצלחת חישובי מדדי הצמחייה ותהליך למידת המכונה תלויה ישירות באיכות הנתונים של סקר הרחפנים ובאמת הקרקעית. שלבים קריטיים להשגת דיוק מפות סקר הרחפנים מתוארים בשלב 1.4, הליך לאחר הטיסה. אם עיבוד פוסט/תיוג גאוגרפי של תמונות משתמש בנתוני RINEX שאינם נגישים, חלופה היא להשתמש בתחנת בסיס RTK חיה, שמספקת אותות תיקון GNSS בזמן אמת לרחפן במהלך הטיסה (ראו דוגמה במאמר הווידאו Movchan et ^al.37 עם דוגמה להוראות הגדרה).

לפני איסוף הנתונים, יש לבקר באתר המחקר כדי לרכוש ידע חווייתי על הנוף, לזהות את קהילות הצמחים המעניינות, ולקבוע אילו תצפיות ביופיזיקליות ניתן לאסוף באתר כדי לתאר את הרכב קהילת הצמחים. מכיוון שכל אתר מחקר מציג מאפייני נוף וצמחייה מובחנים המעוצבים על ידי אזור האקלים שלו, זיהוי מיני צמחים חיוני למיפוי מדויק של כיסוי קרקע, שכן תכונות ביוכימיות, מבניות ופיזיולוגיות ספציפיות למין מייצרות חתימות השתקפות ספקטרליות ייחודיות. לכל רבע דגימה, יש לרשום קואורדינטות בכל ארבע הפינות באמצעות ציוד GNSS/RTK ותוכנת מדידת קרקע, כאשר קוד הזיהוי של הרבעון מוזן ונשמר. כל התצפיות הביופיזיקליות הנוספות או הדגימות שנאספות בתוך הרבע חייבות להיות מקושרות לקואורדינטות אלו כך שכל מדידה תהיה מעוגנת למערך הנתונים הגאו-מרחבי וניתן יהיה לאסוף אותן בפורמט אחיד של טבלאות לסיווג קהילות צמחים וניתוחים סטטיסטיים או מודלים אקולוגיים נוספים. הרבעים שנדגמו מסומנים כנקודות אימון, עם שמות/קודי קהילות מצורפים (לדוגמה, בסט האימון הזה, הם היו OP, LS, US ו-TG). Random Forest (RF) לומד אז את דפוסי הפיקסלים המשויכים לכל תווית. התוצאה הסופית של סיווג ה-RF היא מפה המציגה את התפלגות תוויות קהילות הצמחים ברחבי אתר המחקר, בהתבסס על דגימות הכשרה בקוואדרטים שסופקו במהלך עבודת השטח.

שלבים 3 (חישובי מדד צמחייה) ו-4 (סיווג מפוקח ב-R באמצעות יער אקראי) הם תלויים זה בזה וניתנים לשינוי רב. לדוגמה, קובץ משלים 1 מפרט 19 נוסחאות מתמטיות לחישוב אינדקסים מרצועות רב-ספקטרליות ו-23 נוסחאות לחישוב מחדש של נתוני סקר אווירי RGB. עם זאת, מאחר ש-VI מנוסחים על ידי חוקרים, המשוואות הן קוד פתוח ומפורסמות במאמרים שעברו ביקורת עמיתים ובמאגרי מידע של אינדקסים ספקטרליים⁸⁰. מספר רב יותר (מאשר מסופק) של נוסחאות זמינות לבדיקה בתהליך למידת מכונה לסיווג מפות קהילות של הצמחים. שינויים במאגרי הנתונים ישפיעו על ביצועי האלגוריתם. ניתן להוסיף ולהשמיט VI כדי לבדוק מודלים. הזמינות של שתי מפות קהילות סופיות של צמחים, שמקורן במאגרי נתונים רב-ספקטרליים ומבוססי RGB, מספקת הזדמנות להשוות את ביצועי המודלים. מודל ה-RGB השיג 98.89%, אך זה לא בהכרח אומר שהחיישן עדיף על החיישן הרב-ספקטרלי, שהשיג ציון נמוך יותר. נתונים מבוססי RGB מסתמכים על צבע וגובה, שיכולים להיות יעילים לסיווג מפות כיסוי קרקע של בתי גידול מבניים מגוונים ^9,33. לעומת זאת, דימויים רב-ספקטרליים מספקים מידע נוסף על פיזיולוגיית הצמחים, לא רק על המראה, ועשויים להיות טובים יותר בהבחנה בין סוגי צמחייה עם צבעים דומים ועמידות לצללים (למשל, אור NIR, שהצמחים מחזירים חזק, ניתן ללכוד גם כאשר הם מוצלים חלקית⁸¹). שימוש רק בחיישני RGB מוגבל על ידי טווח הספקטרום הצר שלהם (אדום, ירוק, כחול), שכן הבדלים ביוכימיים ופיזיולוגיים עדינים (למשל, תכולת כלורופיל ולחץ מים) עשויים שלא להיות ניתנים לזיהוי ללא תחומי NIR, אדום-קצה או היפרספקטרליים.

המגבלות העיקריות של השיטה עשויות לכלול את מערכת הרחפנים היקרה ואת הפוטוגרמטריה שהודגמה. עם זאת, השיטה תוכננה כך שכדי לשחזר פרוטוקול זה, ניתן להשתמש בחיישן רב-ספקטרלי ובמצלמת RGB לסירוגין. ליישום פרוטוקול זה, נעשה שימוש במערכת הרחפנים eBee X המצוידת בחיישן רב-ספקטרלי ו-RGB (Sequoia) ובתוכנת ניהול הטיסה eMotion; עם זאת, מערכות רחפנים אחרות יכולות לשחזר את הפרוטוקול אם הן כוללות חיישן רב-ספקטרלי ו/או מצלמת RGB, פונקציית תכנון משימות בתוכנת ניהול הטיסה, כיוון מצלמת הנדיר של 90 מעלות, ויומן טיסה נגיש למשתמש לתיוג גיאוגרפי לאחר הטיסה או יכולת RTK לתיעוד קואורדינטות מדויקות במהלך הטיסה. יתרה מזאת, שאינם טייסים רשאים לקבל קבלנות משנה של סקרי מל"טים אם הטייס החוזה עומד בכל הדרישות החוקיות והתפעוליות, פרקטיקה נפוצה במחקר, שימור ומעקב סביבתי; עם זאת, צוות המחקר נשאר אחראי על תכנון המשימה הבסיסי, כולל הגדרת אתר המחקר וקביעת זמני הסקר. לכן, אפילו לטייסים שאינם רחפנים, מומלץ להכיר אותם לשלב הראשון של הפרוטוקול. בנוסף, תוכנת הפוטוגרמטריה המודגמת יכולה לשמש ליישום מוצלח של הפרוטוקול, או לקבל רישיון לתקופה קצרה כדי להפחית עלויות.

יתרון בולט של פרוטוקול זה הוא התאימות שלו למצלמות רב-ספקטרליות ועם מצלמות RGB UAV סטנדרטיות. ניתן לאמץ אותו על ידי צוותי מחקר ואנשי שימור עם תקציבים מוגבלים, והוא ניתן להרחבה בין אזורים ומוסדות, מה שהופך אותו למתאים למעקב ארוך טווח. עצמאות חומרה זו מבטיחה שזרימת העבודה תישאר עמידה לעתיד ובלתי תלויה בחומרה. מכיוון שניתן להשתמש גם בנתוני סקר RGB וגם במדידות רב-ספקטרליות, זרימת העבודה תומכת בהשוואות בין אתרים מרובים, סדרות זמן ארוכות טווח — אפילו כאשר ציוד משתנה — ואינטגרציה של מאגרי נתונים RGB היסטוריים (ותיקים).

שיפורים עתידיים בפרוטוקול זה עשויים לשלב מדדי טקסטורה שמקורם בתמונות ברזולוציה גבוהה כדי ללכוד טוב יותר הבדלים מבניים בצמחייה. בהקשר זה, חקר אנסמבלים של מודלים RF המשלבים דימות RGB ורב-ספקטרלי עשוי לשפר את דיוק הסיווג. כמו כן, המלצות עתידיות להגדלת מפות קהילות צמחים שמקורן בכלי טיס בלתי מאוישן לתמונות לוויין ושילוב גישה זו עם פלטפורמות מבוססות ענן יאפשרו^מידול אקוסיסטמי בקנה מידה גדול. בעוד שנתוני הרחפנים נשארים חיוניים ללכידת הפרטים המבניים והספקטרליים בקנה מידה סנטימטר הנדרשים למיפוי מדויק ברמת הקהילה, תמונות לוויין יכולות לשמש כשכבת חיזוי נוספת או כקלט הקשרי רחב יותר. שילוב משתנים שמקורם בלוויין במודל ה-RF עשוי לשפר את יכולתו להכליל על פני מרחבים רחבים יותר ולתמוך בהערכות בתי גידול רב-קניות. גישה היברידית זו תאפשר לשלב מפות קהילתיות מבוססות רחפנים בפרספקטיבה רחבה יותר של הנוף, ותאפשר לשיטה לזהות דפוסים אזוריים, לתת עדיפות למיקומי סקר כטב"מים ולחזק מסגרות ניטור ארוכות טווח. חקירת האופן שבו ניתן לשלב נתוני לוויין עם קלטי רחפנים בתוך צינור ה-RF מהווה הזדמנות מחקרית להרחבת יכולת ההרחבה והתועלת התפעולית של הפרוטוקול.

שילוב תמונות רחפנים, סקרים בשטח, מדדי צמחייה וסיווג בעזרת בינה מלאכותית לתהליך עבודה אחד שניתן לשחזר הוא חיוני, שכן הוא מספק את הפרטים המרחביים, הספקטרליים והאקולוגיים הנדרשים למיפוי מדויק של צמחייה נמוכה. חישה מרחוק מבוססת רחפנים זכתה לתשומת לב הולכת וגוברת בקהילה המדעית והתפתחה במהירות לכלי נפוץ ליישומים מגוונים, במיוחד בניטור סביבה חופית⁸³. שיטה זו מספקת מדריך מעשי לתהליך עבודה מבוסס רחפנים בסיוע למידת מכונה, לחינוך ומחקר, שמטרתו לתמוך בשיקום אקולוגי ובניטור ערבות טבעיות או חצי-טבעיות במערכות אקולוגיות חופיות.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה

שם	חברה	מספר קטלוג	הערות
eBee X	senseFly/AgEagle	eBee X, https://www.sensefly.com/drones/ebee-x/	מערכת UAV eBee X היא מל"ט מפות מקצועי עם כנפיים קבועות. ניתן להשתמש במערכת מל"ט מיפוי חלופית
eMotion	senseFly/AgEagle	https://www.sensefly.com/drone-software/emotion/	משמש לתכנון משימות טיסת מל"ט וניהול נתונים אווירים. תוכנת eMotion היא חלק משלים של מערכת המל"ט eBeeX
כונן קשיח חיצוני	כל ספק	NA	הגודל תלוי בגודל אזור המחקר ובגודל הפרויקט (250 GB - 1TB)
מחשב נייד לעבודה בשטח	כל ספק	NA	מכונה חזקה וניידת המתאימה לפעולות בשטח ולניהול טיסות מל"ט (מבוסס על מפרט eMotion:  64 סיביות Windows 10/11; Intel Core i5/i7 (דור 12+) או AMD Ryzen 5/7 (>3.5 GHz) - מהירויות שעון גבוהות חשובות יותר ממספר הליבות; 16GB מינימום (32GB+ מומלץ מאוד); Mid-range NVIDIA GTX/RTX (לדוגמה, RTX 3060/4060); NVMe SSD (נדרש).
מערכת GNSS/RTK של Trimble	Trimble Inc.	דגם  R10	יש לה מקלט עם תוכנת סקר קרקע וסוללות חלופיות. ניתן להשתמש במערכות GNSS/RTK חלופיות.
מספריים לדשא	כל ספק	NA	דגימת ביומסה (אופציונלי)
Pix4Dmapper	Pix4D	https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/	תוכנת פוטוגרמטריה: Pix4Dmapper זמינה להשכרה על בסיס חודשי או שנתי. ניתן להשתמש בתוכנת פוטוגרמטריה חלופית כדי ליישם את הפרוטוקול הזה.
מדריך זיהוי צמחים	כל ספק	NA	משמש לביצוע תצפיות ביופיזיות (מקוונות, ספר או הדפסה של מדריכי זיהוי צמחים מקומיים)
QGIS	QGIS	3.44.9 Solothurn	תוכנת GIS חינמית ופתוחה, זמינה בכתובת https://qgis.org/, ניתן להשתמש בתוכנת GIS חלופית כדי ליישם את הפרוטוקול
מסגרת קוואדרט של 1 מ' על 1 מ'	כל ספק	NA	לשימוש בשלב 2 עבור עבודת שטח/דגימה, כלומר לביצוע תצפיות ביופיזיות, ניתן להכין אותו בעצמך
R	R-Software Services	גרסה 4.2.0, https://cran.r-project.org	סביבת מודל חישוב וגרפיקה פתוחה לנבואה וגרפיקה, ניתוח נתונים ודגמים חיזויים נפוצים מאוד למחשוב סטטיסטי.
RStudio	R-Software Services	גרסה 2024.4.0.735, https//posit.co/download/rstudio/
Rtools	R-Software Services	https://cran.r-project.org/bin/windows/Rtools/	כיוון שחלק מהחבילות עשויות לדרוש קומפילציה ממקור. חבילות עיקריות בשימוש: terra 1.5 21, sp 1.5 0, sf 1.0 15, rgdal 1.6 6, raster 3.5 15, rsample 1.3 1, MLmetrics 1.1 1, ו-randomForest 4.7 1.1.
סקאלה (מופעלת על ידי סוללה, מפולסת, דיוק ±1 גרם)	כל ספק	NA	עמיד עבור עבודת שטח
Sequoia	Parrot SA	Parrot SEQUOIA+	זהו חיישן רב-ספקטרלי/RGB, לשימוש בשלב 1. חיישן RGB ו/או רב-ספקטרלי (רוב המל"טים המקצועיים כוללים חיישן אחד או שניהם). ליישום הפרוטוקול הזה השתמשו ב-Parrot SEQUOIA+ (חברת Parrot SA)
קורא לחות קרקע	כל ספק	NA
אפליקציית מזג אוויר לתחזית UAV	כל ספק	NA	לתכנון טיסות השתמשו ב-https://www.uavforecast.com/
ערכת חיישן WET	Delta T Devices	WET-UM-1.6	חיישן לחות קרקע (אופציונלי)
תחנת עבודה	כל ספק	NA	מפרט אופטימלי הנדרש לעיבוד חלק של פרויקטים פוטוגרמטריים ולמידת מכונה בר (מפרטים מבוססים על דרישות תוכנת Pix4Dmapper: Windows 10/11, 64 סיביות; מעבד רב-ליבתי מרובע או משושה Intel i9/Threadripper/Ryzen 9/; GeForce GTX GPU תואם ל-OpenGL 3.2 ו-2 GB RAM; דיסק קשיח: SSD; פרויקטים גדולים (מעל 500- 1000 תמונות ב-14 MP): 32 GB RAM, 60 GB SSD מקום פנוי.