איסוף ועיבוד נתוני חישה מרחוק מבוססי רחפן לשימוש בניטור התאוששות יער

המחקר שלנו נועד להקל על השימוש ב-LiDAR מבוסס רחפנים בהערכת שיקום יערות באמצעות פיתוח פרוטוקול ידידותי למשתמש. פיתוחים אחרונים שמאפשרים עבודה זו כוללים התקדמות בטכנולוגיית חיישני LiDAR ואינטגרציה עם מודלים של השאלה עמוקה. כדי להתחיל, בדוק את ציוד ה-RPAS ועדכן את הקושחה במידת הצורך.

תקים את תחנת הבסיס של RTK באזור נקי ורחוק ממכשולים ומקו העצים. חכו עד שתחנת הבסיס תפעל לגמרי לפני שתתחילי את טיסת הרחפן. צור קובץ טיסה לכל משימה והעלה אותו לשלט הרחוק.

כעת, בצע את משימות הטיסה לאיסוף נתוני LiDAR ורב-ספקטרלי מעל אזור העניין. הקם תחנת בסיס GNSS מעל מיקום תחנת הבסיס של RPAS והפעיל את תחנת הבסיס כדי לקבל קואורדינטות מדויקות לתיקון מיקום מדויק לנקודות. השתמש בקורא כרטיסים כדי להעביר את נתוני ה-LiDAR והנתונים הרב-ספקטרליים שנאספו מהחיישנים לעמדת עבודה.

השתמש בתוכנת פוטוגרמטריה לעיבוד מוקדם של הנתונים הרב-ספקטרליים ולבצע תיקונים גאומטריים ורדיומטריים. יצר אורתומוזאיקה רב-ספקטרלית. השתמשו בתוכנה המתאימה כדי לשחזר את נתוני ה-LiDAR הגולמיים לקובץ ענן נקודתי.

השתמש בכלי גיאו-מרחבי ליישור ענן נקודות LiDAR עם האורתומוזאיקה הרב-ספקטרלית. הרץ סקריפט פייתון למיזוג ענן נקודות LiDAR מיושר עם האורתומוזאיקה הרב-ספקטרלית ליצירת ענן נקודות רב-ספקטרלי. הורידו את CloudCompare, תוכנת עיבוד ענן תלת-ממדי, והתקינו אותה.

לאחר מכן, הורד את מתקין התוסף TreeAIBox גרסה 1 מ-GitHub, הרץ את המתקין ועקב אחרי הפקודות שעל המסך. פתח את CloudCompare מאייקון שולחן העבודה, או על ידי בחירת התחל, אחריו All Programs, ו-CloudCompare. טען את קובץ ענן הנקודות באמצעות Open קובץ אחד או כמה, ולחץ על Apply.

אם קואורדינטות הנקודה גדולות, קבל את הפקודה להחיל שינוי או קנה מידה גלובלי. בחר ב-Input, שקורא מטא-דאטה מהקובץ, ולחץ על כן כדי שענן הנקודות יופיע בקנבס. פתח את סרגל הכלים של התוספים לפייתון.

הרחיב את תפריט הנפתח של Script Register ולחץ על TreeAIBox כדי לפתוח את ממשק המשתמש הגרפי של התוסף. ודא שתיבת הסימון Use GPU נבחרה אם קיימת יחידת עיבוד גרפית הנתמכת בארכיטקטורת Compute Unified Device Architecture. מהפאנל העליון, בחר TreeFiltering ובחר ALS אם גבעולי העץ אינם נראים בנתוני RPAS.

עכשיו, נקה את תיבת הסימון של גודל האריחים. מהתפריט הנפתח של המודלים המוגדרים מראש, בחר treefiltering_als_esegformer. אם משתמשים במודל הזה בפעם הראשונה, לחצו על הורדה ואשר את הפופאפ שמציג את הנתיב המקומי.

בחר את ענן הנקודות בקנבס כך שיודגש עם תיבת גבולות. בלוח TreeFilter, לחץ על Apply. אשר שנוצר סולם או שדה חדש בשם TreeFilter עם ערך 2 לנקודות עץ באדום וערך 1 עבור נקודות אחרות בכחול לפני הממשיכים.

מהפאנל העליון של TreeAIBox, בחר ב-TreeisoNet. אפשר שיקום, גזע ALS סמוי ו-Treeloc. מהתפריט הנפתח בחר את המודל הנדרש מאומן מראש.

ודא שענן הנקודות בקנבס נבחר, ואז לחץ על יישום. לאחר העיבוד, ודאו שפריט חדש בשם Treetops מופיע תחת ענן הנקודות המקורי בחלון עץ ה-DB. בחר פריט זה והגדיל את גודל הנקודה, למשל ל-16, לשיפור הנראות, וודא שמיקומי ראשי העצים מופיעים כנקודות לבנות בקנבס.

לחלוקת כתרי העץ, בחר מחדש את פריט ענן נקודות העץ. מהפאנל העליון של TreeAIBox, בחר ב-TreeisoNet והפעל את TreeOff. הורד את המודל הנדרש שכבר אומן מראש ואז לחץ על Apply כדי להריץ את המודל.

לאחר מכן, ודא שנוצר קנה מידה או שדה חדש בשם TreeOff. ודאו שלכל עץ מוקצה מזהה ייחודי עם נקודות מאותו עץ החולקות את אותו מזהה. באופן אופציונלי, לאפס את גודל נקודת העץ לברירת מחדל כדי להפחית עומס ויזואלי.

כדי לשפר את הניגודיות הוויזואלית ולאקראי את צבעי העצים לפי מזהה, שכפל את ענן הנקודות המקורי כדי לשמר את הנתונים על ידי בחירת עריכה ושכפול. אחר כך, עבור ל-Edit, אחריו Scalar Fields, והמיר ל-RGB אקראי. הזן ערך גדול כדי להבטיח צבעים נפרדים ולחץ על אישור. צפה בענן הנקודות שמציג עצים בצבעים אקראיים.

לבסוף, מהפאנל העליון של TreeAIBox, בחר ב-TreeisoNet ולחץ על ייצוא סטטיסטיקות לייצא תוצאות סגמנטציה. לאחר מכן, לחץ על 'פתח נתיב פלט' כדי לצפות בקובץ המייצא בתיקיית התוצאות. אשר שהפלט הוא קובץ ערכים מופרדים בפסיקים המכיל מזהי עץ, קואורדינטות, גובה עץ ושטח כתר.

תוסף TreeAIBox סינן בהצלחה נקודות עצים וסימן עצים בודדים בכל שלושת האתרים, ובסך הכל זוהו 2,755 עצים בודדים. המודל זיהה 1,706 עצים באתר 1, 882 עצים באתר 2, ו-167 עצים באתר 3. שיעור הגילוי של עצי ייחוס השתנה בין האתרים כאשר 100% זוהו באתר 2, 95% באתר 1, ו-21% באתר 3.

המודל השיג שיעור זיהוי של 100% לכל עצי הייחוס בגובה מעל מטר אחד. ביצועי הגילוי ירדו בעצים קצרים יותר, כאשר רק 45% מהעצים בין 0.5 ל-1 מטר זוהו ואף אחד מהעצים מתחת ל-0.5 מטר לא זוהה. פרוטוקול זה נועד להתמודד עם פער המחקר בזיהוי וחלוקת עצים בודדים עבור עצים צעירים בסביבות יערות מורכבות.

פרוטוקול זה מציע שיטה מעשית, יעילה, ידידותית למשתמש ורב-שימושית לחילוץ מדדי עץ בודדים מנתוני LiDAR. הפרוטוקול שלנו יקדם את שיקום היער ומעקב אחר היערות, והוא שימושי במיוחד להערכת גודל בארות טיפוס חוזר, ולהפחית את הזמן והעלות של ביצוע סקרי המגרש.