Raccolta ed elaborazione di dati telerilevati basati su droni da utilizzare nel monitoraggio del recupero forestale

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

doi:10.3791/68745

Method Article

Raccolta ed elaborazione di dati telerilevati basati su droni da utilizzare nel monitoraggio del recupero forestale

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

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

I recenti progressi nei sistemi aerei a pilotaggio remoto (RPAS) consentono una risoluzione inferiore al metro, ideale per il monitoraggio del recupero delle foreste. L'integrazione dell'intelligenza artificiale (AI) consente di ottenere informazioni più approfondite da grandi set di dati telerilevati. Questo protocollo migliora il monitoraggio sostenendo una valutazione e una gestione più efficienti dei terreni forestali che si stanno riprendendo dalle perturbazioni.

Abstract

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

Le tecnologie di telerilevamento (RS), in particolare le immagini LiDAR (Light Detection and Ranging) e multispettrali (MS), forniscono funzionalità di monitoraggio della vegetazione su larga scala a diverse risoluzioni spaziali. I sistemi aeromobili a pilotaggio remoto (RPAS) dotati di sensori LiDAR e MS possono migliorare le valutazioni della vegetazione offrendo orari di volo flessibili e acquisendo dati a risoluzione fine. L'ulteriore integrazione dei modelli di deep learning (DL) è promettente per l'automazione del flusso di lavoro di post-elaborazione, che è particolarmente importante per le applicazioni di monitoraggio della vegetazione.

Questo protocollo delinea una suite di metodi pratici per la raccolta, l'elaborazione, l'allineamento e l'unione di dati LiDAR e MS basati su RPAS per la delineazione individuale di alberi 3D utilizzando un plug-in DL interattivo. Il modello DL proprietario rileva e segmenta efficacemente i confini degli alberi in vari sensori, siti di studio e risoluzioni di dati all'interno degli ecosistemi forestali.

La nostra applicazione specifica e la motivazione per lo sviluppo di questo protocollo e strumento è il monitoraggio del recupero delle foreste nei siti di pozzi di petrolio e gas bonificati. Attualmente i metodi di valutazione sul campo richiedono molto tempo, sono laboriosi e sono limitati dal punto di vista spaziale. Con l'espansione degli sforzi di bonifica, c'è una crescente necessità di approcci più efficienti e scalabili per monitorare il successo della bonifica e il recupero dell'ecosistema. Facendo progredire le applicazioni DL basate su RPAS, questa ricerca supporta il monitoraggio del recupero ecologico sui siti di pozzi bonificati ed è applicabile anche ad altri paesaggi boschivi.

Introduction

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

L'estrazione di risorse di petrolio e gas ha portato alla creazione di centinaia di migliaia di pozzi in tutta l'Alberta¹, molti dei quali si trovano all'interno della foresta boreale². Gli sforzi di bonifica mirano a riportare le terre disturbate al loro stato ecologico originale³. Le indagini convenzionali a terra rimangono il principale mezzo di monitoraggio della certificazione delle bonifiche⁴; Tuttavia, si tratta di un processo dispendioso in termini di tempo e manodopera che sta diventando meno efficiente man mano che il numero di aree disturbate e bonificate continua ad aumentare.

I recenti progressi nelle tecnologie di telerilevamento (RS), in particolare l'uso di sistemi aerei a pilotaggio remoto (RPAS), offrono soluzioni promettenti alle sfide spaziali e temporali del monitoraggio dei siti dei pozzi 5,6,7,8. Queste piattaforme forniscono dati ad altissima risoluzione, consentendo misurazioni accurate a livello di singolo albero. L'integrazione con l'intelligenza artificiale (AI), come abbiamo visto negli ultimi anni ^9,10,11, facilita l'elaborazione e l'analisi di grandi set di dati telerilevati attraverso l'automazione del rilevamento e della misurazione della vegetazione. Tuttavia, la generazione di set di dati di addestramento e convalida appropriati per i modelli di deep learning (DL) rimane la sfida principale, in particolare per i set di dati 3D.

Questo protocollo delinea un flusso di lavoro passo-passo per la raccolta, l'elaborazione, l'allineamento e l'unione di dati LiDAR e multispettrali (MS) basati su RPAS provenienti da ambienti boschivi per delineare i singoli alberi. Questo metodo utilizza il plug-in TreeAIBox¹² di nuova concezione, integrato in CloudCompare, per analizzare la nuvola di punti derivata da RPAS per la segmentazione della chioma dei singoli alberi. Il plug-in introduce un nuovo approccio DL 3D basato sul modello TreeisoNet¹³ , una suite di reti neurali profonde supervisionate su misura per la segmentazione 3D degli alberi, che è stata addestrata e verificata su set di dati derivati da RPAS provenienti da cinque diversi siti di pozzi recuperati. I siti selezionati per l'addestramento del modello variavano in altezza, densità e composizione delle specie per garantire la generalizzabilità del modello. Inoltre, il set di dati di addestramento includeva dati raccolti durante tre stagioni consecutive: estate (agosto 2023), autunno (ottobre 2023) e primavera (maggio 2024) per garantire che il modello potesse funzionare con precisione in diverse condizioni stagionali con variazioni nella visibilità degli alberi. Il plug-in automatizza i processi di filtraggio delle nuvole di punti (alberi rispetto al suolo), rilevamento delle cime degli alberi e segmentazione delle singole chiome degli alberi. L'output del plug-in potrebbe essere utilizzato per calcolare le metriche della vegetazione, come l'area della chioma, la frazione della chioma, la densità del fusto e l'altezza degli alberi, utilizzate per il monitoraggio della vegetazione post-bonifica.

Il modello TreeisoNet, integrato nel plug-in TreeAIBox, offre miglioramenti significativi rispetto ai tradizionali metodi di segmentazione 3D come la segmentazione dei bacini idrografici o ShortestPath. TreeisoNet ha riportato una maggiore accuratezza in diversi tipi di foreste, dimostrando i vantaggi di un approccio di deep learning supervisionato rispetto alle alternative non supervisionate¹³. In particolare, il modulo di localizzazione delle cime degli alberi (TreeLoc) ha ottenuto un punteggio F1 medio di 0,96, superando significativamente il metodo del massimo locale (LM), che ha ottenuto un punteggio F1 medio di 0,57¹³. Allo stesso modo, il modulo di delineazione della corona (TreeOff) ha registrato una media media di Intersection over Union (mIoU) di 0,85, superando i tradizionali metodi Watershed3D (mIoU 0,68) e ShortestPath (mIoU 0,79)¹³. Queste metriche evidenziano l'accuratezza superiore di TreeisoNet nel rilevare le cime degli alberi e delineare le chiome, in particolare in ambienti complessi come i siti di pozzi bonificati con diverse altezze degli alberi, densità degli steli e composizioni delle specie.

Il modello TreeisoNet è stato addestrato su dati LiDAR derivati da RPAS con densità di punti superiore a 1100 punti per metro quadrato. Il metodo descritto in questo articolo è incentrato sul monitoraggio del recupero forestale nei siti di pozzi di petrolio e gas; Tuttavia, potrebbe essere adattato per l'uso in altre aree boschive. Il flusso di lavoro è adatto per le giovani piantagioni e le foreste di legno misto con densità di fusto da rada a moderata (<3.000 steli per ettaro), dove l'occlusione è minima. Nelle foreste a chioma chiusa o multistrato, il rilevamento di alberi del sottobosco può essere ridotto a causa della limitata penetrazione del LiDAR. Il modello supporta sia le chiome delle conifere che quelle delle latifoglie, anche se l'accuratezza può variare in base alle caratteristiche specifiche della specie, come i leader sottili nelle giovani conifere. Il plug-in TreeAIBox include una libreria di modelli predefiniti e pre-addestrati progettati per essere ampiamente applicabili a vari tipi di foresta e convalidati su diversi set di dati provenienti da siti di pozzi bonificati. Gli utenti possono sfruttare questi modelli integrati e regolare i parametri del plug-in, come il gap massimo o il raggio minimo, per ottimizzare gli output per i loro set di dati specifici senza dover addestrare nuovi modelli. Questa flessibilità consente agli utenti di adattare il flusso di lavoro alle diverse condizioni della foresta, come la variazione dell'altezza o della densità degli alberi, direttamente all'interno dell'interfaccia utente grafica (GUI) di CloudCompare. La versione attuale del plugin TreeAIBox non supporta l'addestramento di nuovi modelli all'interno del software stesso; Tuttavia, è possibile per gli utenti avanzati aggiungere nuovi modelli pre-addestrati alla libreria di modelli.

Le sezioni 1 e 2 del protocollo descrivono le fasi di raccolta ed elaborazione dei dati, mentre la sezione 3 del protocollo descrive l'uso del plug-in TreeAIBox per estrarre le metriche dell'albero. La nostra ricerca specifica utilizza una fusione di dati LiDAR basati su droni e immagini MS; Tuttavia, è possibile applicare diverse procedure, apparecchiature e software per generare un file nuvola di punti ad alta densità da utilizzare nella sezione 3 del protocollo. Questo flusso di lavoro rappresenta un progresso significativo nel monitoraggio della vegetazione grazie all'integrazione di un approccio di segmentazione degli alberi all'avanguardia basato sull'intelligenza artificiale con RS basato su RPAS, consentendo valutazioni più rapide, accurate e scalabili del recupero delle foreste.

Protocol

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

1. Utilizzo di un SAPR per la raccolta dei dati

NOTA: Tutte le operazioni RPAS devono essere conformi alle normative locali sullo spazio aereo e ai requisiti di sicurezza. Utilizza la Tabella dei materiali per esaminare le attrezzature e i materiali necessari per la raccolta dei dati.

Preparazione pre-volo: prima di andare sul campo, controllare l'attrezzatura e aggiornare il firmware se necessario. Crea file di volo per ogni missione di volo e caricali sul telecomando. Crea un piano di sicurezza e un documento sulle procedure di emergenza per ogni missione di volo. Vedere File supplementare 1 per una procedura dettagliata di configurazione preliminare.
Raccolta dati sul campo: sul campo, configurare le apparecchiature e condurre missioni di volo per raccogliere dati LiDAR e MS su un'area di interesse. Vedere il file supplementare 2 per un flusso di lavoro dettagliato della configurazione dell'attrezzatura e dei parametri di volo.
Configurazione della stazione base GNSS: Configurare ed eseguire una stazione base GNSS sulla posizione della stazione base RPAS per ottenere coordinate accurate della sua posizione che verranno utilizzate per la correzione PPP (Precise Point Positioning)¹⁴ durante la pre-elaborazione dei dati (per un'elevata precisione, il tempo di esecuzione minimo consigliato della stazione base è di 2 ore) (vedere File supplementare 3 per un esempio di configurazione della stazione base GNSS e procedura per ottenere le coordinate).
Trasferimento dati: utilizzare un lettore di schede per trasferire i dati LiDAR e MS raccolti dai sensori a una workstation per un'ulteriore elaborazione.

2. Elaborazione dei dati grezzi

Pre-elaborazione dei dati multispettrale: utilizzare il software di fotogrammetria per pre-elaborare i dati MS raccolti, eseguire correzioni geometriche e radiometriche e generare un ortomosaico MS.
NOTA: Vedere il file supplementare 4 per un flusso di lavoro generale per l'elaborazione di dati MS derivati da RPAS utilizzando il software di fotogrammetria.
Ricostruzione della nuvola di punti LiDAR: utilizzare un software appropriato per ricostruire i dati LiDAR grezzi in un file di nuvola di punti (ad es. file *.las/laz). Vedere il file supplementare 5 per una procedura dettagliata su come eseguire la ricostruzione.
Allinea e unisci dati LiDAR e multispettrali. Utilizza gli strumenti geospaziali per allineare la nuvola di punti LiDAR e l'ortomosaico MS. Vedere il file supplementare 6 per una procedura dettagliata per l'esecuzione dell'allineamento. Utilizzare uno script Python (vedere il file supplementare 7) per unire la nuvola di punti LiDAR con l'ortomosaico MS per creare una nuvola di punti MS.
NOTA: qualsiasi ambiente di sviluppo integrato (IDE) può essere utilizzato per eseguire lo script Python. Il file supplementare 8 illustra un flusso di lavoro generale per l'unione dei dati.

3. Utilizzo del plug-in TreeAIBox per la segmentazione dei singoli alberi

NOTA: Questa sezione del protocollo può essere seguita utilizzando qualsiasi nuvola di punti ad alta risoluzione proveniente da un ambiente boschivo in formato file *.las/.laz.

TreeAIBox è stato testato solo utilizzando il sistema operativo Windows.

Installazione e configurazione: Scarica e installa il software di elaborazione delle nuvole di punti 3D, CloudCompare¹⁵. Quindi, scarica il programma di installazione del plug-in da GitHub (TreeAIBox_Plugin_Installer_v1.0.exe)¹² (Figura 1). Esegui il programma di installazione e segui le istruzioni sullo schermo.
NOTA: il programma di installazione rileva automaticamente la posizione del software CloudCompare e distribuisce il plug-in con le librerie DL richieste in base alla disponibilità di GPU o CPU. Per metodi di installazione alternativi o risoluzione dei problemi, seguire le istruzioni README¹². Dopo l'installazione, la struttura delle cartelle deve corrispondere a quella illustrata nella Figura 2.
Caricamento dei dati della nuvola di punti:
1. Apri CloudCompare dall'icona del desktop o andando su Start | Tutti i programmi | CloudCompare. Caricare il file della nuvola di punti (ad es. file *.las/laz) in CloudCompare trascinandolo nell'area di disegno o utilizzando il pulsante Apri uno o più file nella console principale e fare clic su Applica (Figura 3).
2. Se le coordinate del punto sono grandi, un prompt chiederà se applicare uno spostamento/scala globale. Selezionare Input, che legge i metadati dal file con estensione las/laz, quindi fare clic su Sì (Figura 4). La nuvola di punti apparirà ora nell'area di disegno.
Apertura del plug-in TreeAIBox: apri la barra degli strumenti del plug-in Python, espandi il menu a discesa Registro script e fai clic su TreeAIBox per aprire la GUI del plug-in (Figura 5).
Filtraggio di alberi e punti di terra
1. Assicurati che la casella di controllo Usa GPU (CUDA) sia selezionata se è disponibile una GPU supportata da CUDA. Dal pannello superiore, selezionare TreeFiltering, scegliere ALS se gli steli degli alberi non sono visibili nei dati RPAS, deselezionare la dimensione del riquadro, selezionare "treefiltering_als_esegformer3D_128_15cm(GPU3GB)" dal menu a discesa Modelli predefiniti (Figura 6). Se si utilizza questo modello per la prima volta, il colore del carattere apparirà in grigio. Fare clic su Download e confermare il popup che mostra il percorso locale.
2. Selezionare la nuvola di punti nell'area di disegno (evidenziata con un riquadro di delimitazione) e fare clic su Applica nel pannello Filtro ad albero . Verrà creato un nuovo campo scalare denominato treefilter : value = 2 (punti dell'albero, rosso) e value = 1 (altri punti, blu) (Figura 7). Conferma questa informazione prima di procedere al passaggio successivo.
Rilevamento delle cime degli alberi
1. Dal pannello superiore di TreeAIBox , selezionare TreeisoNet, abilitare Reclamation, ALS (stem implicit) e TreeLoc e scegliere il modello pre-addestrato: 'treeisonet_als_reclamation_treeloc_esegformer3D_
  128_10cm(GPU4GB)" dal menu a discesa. Assicurarsi che la nuvola di punti nell'area di disegno sia selezionata (evidenziata con un riquadro di delimitazione), quindi fare clic su e Applica (Figura 8).
2. Al termine dell'elaborazione, un nuovo elemento denominato treetops apparirà sotto la nuvola di punti originale nella finestra DB Tree . Selezionare questa voce e aumentare la dimensione dei punti (ad esempio, a 16) per una migliore visibilità. Verificare che le posizioni in cima agli alberi appaiano come punti bianchi nell'area di disegno (Figura 9).
Segmentazione delle chiome degli alberi
1. Riselezionare l'elemento della nuvola di punti dell'albero (evidenziato in rosso) (Figura 10). Dal pannello superiore di TreeAIBox , selezionare TreeisoNet e abilitare TreeOff. Scarica il modello pre-addestrato 'treeisonet_als_reclamation_treeoff
  _esegformer3D_128_10cm(GPU4GB)" (Figura 11) se non è già disponibile, fare clic su Applica per eseguire il modello.
2. Verrà creato un nuovo treeoff del campo scalare, assegnando a ciascun albero un ID univoco. I punti dello stesso albero condividono lo stesso ID. Facoltativamente, reimpostare le dimensioni predefinite dei punti della cima dell'albero per ridurre l'ingombro visivo. Verificare che la visualizzazione dell'area di disegno del software sia simile a quella mostrata nella Figura 12.
3. Visualizzazione opzionale: Colori casuali degli alberi: per migliorare il contrasto visivo degli alberi segmentati, randomizzare i colori degli alberi in base all'ID. Innanzitutto, clonare la nuvola di punti originale per preservare i dati (Modifica | Clone). Quindi, vai su Modifica | Campi scalari | Conversione in RGB casuale (Figura 13). Immettere un valore elevato (ad esempio, 256000) per garantire un numero sufficiente di colori discreti e fare clic su OK. La nuvola di punti visualizzerà gli alberi in colori casuali (Figura 14).
  NOTA: Questo passaggio è solo per la visualizzazione e non influisce sugli ID di segmentazione, ma sovrascriverà i valori RGB nella nuvola di punti clonata.
Esportazione delle metriche e degli output di segmentazione: dal pannello superiore di TreeAIBox , seleziona TreeisoNet e fai clic su Esporta statistiche per esportare i risultati della segmentazione ad albero. Quindi, fare clic su Apri percorso di output per visualizzare il file di output nella cartella dei risultati (Figura 15). Il file CSV esportato contiene ID albero segmentati, coordinate, altezza dell'albero e area della chioma.
NOTA: Questo completa l'elaborazione dei dati utilizzando TreeAIBox.

figure-protocol-1
Figura 1: Accesso al programma di installazione del plugin TreeAIBox tramite il repository GitHub. Clicca qui per visualizzare una versione più grande di questa figura.

figure-protocol-2
Figura 2: La struttura delle cartelle con il plugin TreeAIBox. Clicca qui per visualizzare una versione più grande di questa figura.

figure-protocol-3
Figura 3: Caricamento del file della nuvola di punti in CloudCompare. Clicca qui per visualizzare una versione più grande di questa figura.

figure-protocol-4
Figura 4: Impostazione di uno spostamento globale per la nuvola di punti mentre viene caricata in CloudCompare. Fare clic qui per visualizzare una versione più grande di questa figura.

figure-protocol-5
Figura 5: Utilizzo della barra degli strumenti del plug-in Python di CloudCompare per avviare il plug-in TreeAIBox. Fare clic qui per visualizzare una versione più grande di questa figura.

figure-protocol-6
Figura 6: Impostazione del pannello TreeFiltering per separare i punti dell'albero dai punti di massa. Fare clic qui per visualizzare una versione più grande di questa figura.

figure-protocol-7
Figura 7: I risultati della separazione dei punti dell'albero dai punti del suolo. I punti dell'albero sono mostrati in rosso, mentre i punti del terreno sono mostrati in blu. Clicca qui per visualizzare una versione più grande di questa figura.

figure-protocol-8
Figura 8: Impostazione del pannello TreeisoNet per rilevare le cime degli alberi utilizzando TreeLoc. Clicca qui per visualizzare una versione più grande di questa figura.

figure-protocol-9
Figura 9: Risultati del rilevamento della cima degli alberi. I punti bianchi rappresentano le posizioni delle cime degli alberi. Clicca qui per visualizzare una versione più grande di questa figura.

figure-protocol-10
Figura 10: Riselezione dell'elemento della nuvola di punti dell'albero prima di applicare il pannello TreeOff. Clicca qui per visualizzare una versione più grande di questa figura.

figure-protocol-11
Figura 11: Impostazione del pannello TreeisoNet per la segmentazione delle chiome degli alberi utilizzando TreeOff. Clicca qui per visualizzare una versione più grande di questa figura.

figure-protocol-12
Figura 12: I risultati della segmentazione delle chiome degli alberi. Clicca qui per visualizzare una versione più grande di questa figura.

figure-protocol-13
Figura 13: Impostazione della nuvola di punti segmentata per randomizzare i colori degli alberi in base ai loro ID per un migliore contrasto dei contorni. Clicca qui per visualizzare una versione più grande di questa figura.

figure-protocol-14
Figura 14: I risultati della randomizzazione dei colori degli alberi. Clicca qui per visualizzare una versione più grande di questa figura.

figure-protocol-15
Figura 15: Estrazione dei risultati della segmentazione ad albero dal pannello TreeisoNet in un file csv. Clicca qui per visualizzare una versione più grande di questa figura.

Results

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

Seguendo il protocollo stabilito, i dati LiDAR e MS derivati da RPAS sono stati raccolti in tre siti di studio piantati con giovani alberi. Questi siti sono stati selezionati per testare la capacità del modello di rilevare singoli alberi di varie altezze. Il sito 1 è stato piantumato con Abies balsamea (abete balsamico), con un'altezza media di 1,46 m. Il sito 2 presentava alberi di Pinus contorta (pino lodgepole) con un'altezza media di 2,17 m. Il sito 3 conteneva un mix di piccoli alberi di Abies balsamea e Pinus contorta , con un'altezza media di soli 0,51 m. Oltre ai dati RS, è stata registrata anche la posizione di 224 alberi di riferimento con un'unità GNSS.

Dopo la raccolta e l'elaborazione dei dati, è stato applicato il plug-in TreeAIBox per filtrare i punti degli alberi e delineare i singoli alberi. I risultati prodotti dal plugin sono mostrati nella Figura 16.

figure-results-1
Figura 16: La distribuzione dei singoli alberi delineati per tre siti di studio (A - Sito 1; B - Sito 2; C - Sito 3) generato dal plugin TreeAIBox. Clicca qui per visualizzare una versione più grande di questa figura.

In totale, sono stati rilevati 2.755 singoli alberi nei tre siti. Il modello ha identificato 1.706 alberi nel Sito 1 (Figura 16A), 882 alberi nel Sito 2 (Figura 16B) e 167 alberi nel Sito 3 (Figura 16C). Il tasso di rilevamento per gli alberi di riferimento variava tra i siti, con il 100% degli alberi di riferimento rilevati per il sito 2, il 95% per il sito 1 e solo il 21% per il sito 3, come mostrato nella Tabella 1. Questi risultati evidenziano le elevate prestazioni del modello nel rilevamento di alberi > 1 m, con un tasso di rilevamento del 100% per tutti gli alberi di riferimento in questo intervallo. Tuttavia, le prestazioni sono diminuite per gli alberi più corti: solo il 45% degli alberi di riferimento tra 0,5 e 1 m è stato rilevato e nessuno degli alberi < 0,5 m è stato identificato (Tabella 2).

Sito #	Altezza media dell'albero, m (Stdev)	# di alberi di riferimento	# di alberi di riferimento rilevati	% degli alberi di riferimento rilevati
1	1.46 (0.45)	75	71	95
2	2.17 (0.4)	74	74	100
3	0.51 (0.17)	75	16	21

Tabella 1: Tassi di rilevamento degli alberi di riferimento per diversi siti.

Intervallo di altezza dell'albero	# di alberi di riferimento	# di alberi di riferimento rilevati	% degli alberi di riferimento rilevati
0 - 0,5 m	41	0	0
0,5 - 1 m	40	18	45
1 - 1,5 m	49	49	100
1,5 - 2 m	42	42	100
> 2 m	52	52	100

Tabella 2: Tassi di rilevamento degli alberi di riferimento in base a diversi intervalli di altezza degli alberi.

File supplementare 1: Flusso di lavoro di raccolta dati RPAS - Attività pre-campo. Fare clic qui per scaricare questo file.

File supplementare 2: Flusso di lavoro di raccolta dei dati RPAS - sul campo. Fare clic qui per scaricare questo file.

File supplementare 3: Utilizzo di unità GNSS per il rilevamento preciso della posizione. Clicca qui per scaricare questo file.

File supplementare 4: Procedura di elaborazione dei dati MS utilizzando un software di fotogrammetria. Fare clic qui per scaricare questo file.

File supplementare 5: una ricostruzione di nuvole di punti da dati LiDAR grezzi. Clicca qui per scaricare questo file.

File supplementare 6: Una nuvola di punti LiDAR e l'allineamento dell'ortomosaico MS utilizzando strumenti geospaziali. Clicca qui per scaricare questo file.

File supplementare 7: uno script Python per unire una nuvola di punti LiDAR e un'immagine MS per generare una nuvola di punti MS. Clicca qui per scaricare questo file.

File supplementare 8: un flusso di lavoro generale di una nuvola di punti LiDAR e unione di immagini MS. Clicca qui per scaricare questo file.

Discussion

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

Una delle sfide principali nell'applicazione dei dati DL a RS, in particolare delle nuvole di punti 3D, risiede nello sviluppo di set di dati di addestramento e convalida bilanciati e rappresentativi. L'efficacia di qualsiasi modello DL dipende in gran parte dalla diversità e dalla qualità dei dati annotati utilizzati durante l'addestramento 9,10,11,16. Il nuovo modello 3D DL impiegato in questo studio è stato addestrato e convalidato utilizzando set di dati raccolti da più siti di pozzi bonificati all'interno della zona della foresta boreale, caratterizzata da vegetazione giovane, piantumata e che si rigenera naturalmente. Questi siti sono stati accuratamente selezionati per comprendere un'ampia gamma di condizioni forestali, tra cui la variazione dell'altezza degli alberi, la densità del fusto e la composizione delle specie, per garantire un'ampia generalizzabilità del modello. Inoltre, il set di dati di allenamento era temporalmente diversificato, incorporando i dati RS raccolti in tre stagioni consecutive. Questa variazione stagionale è stata fondamentale per addestrare il modello a funzionare in modo affidabile in diverse condizioni di visibilità della chioma, tenendo conto dei cambiamenti nella copertura fogliame e nella complessità strutturale. L'integrazione di dati multistagionali e multistrutturali ha contribuito alla robustezza del modello, in particolare nella sua capacità di rilevare singoli alberi in condizioni di luce e fasi fenologiche variabili.

Un risultato degno di nota di questo studio è stato che l'incorporazione di dati MS o RGB insieme a LiDAR non ha migliorato significativamente l'accuratezza del rilevamento degli alberi o della segmentazione della chioma all'interno del flusso di lavoro di TreeAIBox. Ciò suggerisce che le proprietà geometriche delle nuvole di punti LiDAR, come la forma della corona e la disposizione spaziale, sono i fattori principali per un efficace rilevamento e segmentazione degli alberi, in particolare in ambienti con vegetazione giovane o rada. Tuttavia, i dati spettrali hanno dimostrato valore in applicazioni complementari, come la classificazione delle specie, dove le immagini MS hanno migliorato la differenziazione di conifere e latifoglie.

Un fattore critico che influenza il successo del rilevamento e della segmentazione dei singoli alberi nel flusso di lavoro di TreeAIBox è la qualità della nuvola di punti di input. Le prestazioni ottimali richiedono dati LiDAR ad altissima densità, in genere superiori a 1.000 punti per metro quadrato. I moderni sistemi LiDAR basati su RPAS possono raggiungere questa densità utilizzando parametri di volo ottimizzati, come basse altitudini e alte sovrapposizioni di volo. Sebbene TreeAIBox sia in grado di elaborare nuvole di punti a bassa densità, una densità di punti ridotta può limitare l'acquisizione dei dettagli strutturali. Ciò porta spesso a una riduzione dell'accuratezza del rilevamento e della segmentazione, in particolare per gli alberi più piccoli in cui le caratteristiche della chioma e del fusto possono essere sottorappresentate.

Il flusso di lavoro TreeAIBox migliora l'efficienza e l'automazione rispetto ai metodi di segmentazione tradizionali o manuali, con indicatori misurabili derivanti dalla nostra convalida sui siti di pozzi recuperati. I tempi di elaborazione per il rilevamento delle cime degli alberi e la segmentazione della chioma sono in media di 5-10 minuti per sito su una GPU standard (ad esempio, NVIDIA RTX 3060), rispetto alle ore per la delineazione manuale in software come CloudCompare. L'automazione si ottiene attraverso l'interfaccia grafica del plug-in, che elimina gli script e le dipendenze della riga di comando, consentendo ai non esperti di eseguire analisi end-to-end con un input minimo. In termini pratici, ciò ha ridotto l'analisi di un pozzo di 1 ettaro da 5-8 ore (metodi manuali) a meno di 30 minuti. Il fallback alla modalità CPU garantisce l'accessibilità senza hardware di fascia alta, anche se l'accelerazione GPU riduce i tempi di 3-5 volte. Queste efficienze consentono un monitoraggio frequente, supportando applicazioni scalabili nella gestione forestale mantenendo un'elevata precisione.

Una limitazione specifica osservata in questo studio è stata la ridotta capacità del modello di rilevare alberi < 1,0 m. Mentre i tassi di rilevamento per gli alberi > 1,0 m erano elevati, con il 100% degli alberi di riferimento correttamente identificati in quell'intervallo di altezza, le prestazioni sono diminuite significativamente per gli alberi più piccoli (Tabella 2). Questa limitazione è probabilmente dovuta a diversi fattori. In primo luogo, una minore densità di punti LiDAR vicino al suolo, specialmente sotto chiome chiuse, combinata con una densa copertura erbacea, impedisce il rilevamento di dettagli strutturali su larga scala associati a piccoli alberi. Inoltre, l'occlusione causata da una vegetazione più alta spesso impedisce a un numero sufficiente di punti di raggiungere gli alberi del sottobosco, il che è una nota fonte di errore in tali applicazioni^10,16. L'algoritmo potrebbe anche non riuscire a catturare caratteristiche morfologiche sottili, come i leader degli alberi sottili, o classificare erroneamente gli alberi strettamente raggruppati come un singolo oggetto. Affrontare queste sfide può comportare l'ottimizzazione dei parametri di acquisizione LiDAR, come la regolazione dell'altitudine di volo o dell'angolo di scansione per migliorare la visibilità a livello del suolo, nonché il perfezionamento dei metodi di segmentazione per gestire meglio i dati occlusi e sparsi.

Nonostante queste limitazioni, il metodo proposto dimostra una sostanziale promessa per l'applicazione nel monitoraggio post-bonifica e riforestazione. La RS basata su RPAS, se combinata con algoritmi 3D DL, offre una soluzione scalabile, economica e ad alta risoluzione per monitorare il recupero della vegetazione nel tempo, in particolare in aree disturbate da attività industriali come l'estrazione di petrolio e gas. La capacità di rilevare i singoli alberi, stimarne l'altezza e valutare la distribuzione spaziale fornisce informazioni significative sulla rigenerazione del sito e sulla conformità agli standard di bonifica. Inoltre, questo metodo può supportare strategie di gestione adattiva consentendo un monitoraggio frequente e non invasivo che cattura le dinamiche stagionali e strutturali degli ecosistemi in recupero. Poiché i progetti di ripristino richiedono sempre più dati a lungo termine e su larga scala per valutare il recupero ecologico, questo approccio offre uno strumento potente e pratico per i gestori forestali e i ricercatori che cercano di valutare le prestazioni della vegetazione in paesaggi complessi ed eterogenei.

Disclosures

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

Gli autori non hanno conflitti di interesse da rivelare.

Acknowledgements

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

Il finanziamento per questa ricerca è stato fornito dall'Ufficio per la ricerca e lo sviluppo dell'energia CFS-23-101. Gli autori desiderano ringraziare Philip Hoffman, Daniels Kononovs ed Elizabeth Friel per l'assistenza sul campo.

Materials

List of materials used in this article
Name	Company	Catalog Number	Comments
App Avenza Maps	Avenza	NA	Per la navigazione offline nei campi utilizzando mappe PDF georeferenziate create in QGIS
Bersagli a scacchi	Qualsiasi fornitore	NA	Punti di controllo a terra
CloudCompare	CloudCompare	NA	Software di elaborazione e editing 3D di punti cloud
Stazione batteria DJI BS60 (con batterie M300 (x8), batterie D-RTK2 (x4), cavo di alimentazione e cavo USB-C per collegare al telecomando)	DJI	NA
DJI M300 RTK Aircraft con DLS (con controller e eliche di ricambio)	DJI	NA	DLS (Sensore di luce in discesa)
DJI Terra Pro	DJI	NA	Ricostruzione dei dati LiDAR grezzi in nuvole di punti 3D.
Sensore LiDAR DJI Zenmuse L1 (con scheda microSD)	DJI	NA
Stazione mobile D-RTK2 (con treppiede e asta di prolunga)	DJI	NA
Emlid Reach RS2+ Base Station (con treppiede)	Emlid	NA
Rover Emlid Reach RS2+ (con palo di rilevamento GNSS)	Emlid	NA
Dischi rigidi esterni	Qualsiasi fornitore	NA	Per fare il backup dei dati
Registro di volo	Qualsiasi fornitore	NA
Google Earth Pro	Google	NA	Creazione dei file di volo KML
Piattaforma di atterraggio	Qualsiasi fornitore	NA	Lanciare/atterrare un aereo
Portatile	Qualsiasi fornitore	NA	Da usare sul campo per scaricare dati, formattare le schede, ecc.
Sensore MicaSense RedEdge-P (con scheda SD MicaSense, cavo USB-C, pannello di riflettanza calibrata MicaSense (CRP))	MicaSense	NA
PIX4Dmapper	Pix4D S.A.	NA	Correzione geometrica e radiometrica di immagini multispettrali e generazione di ortomosaici.
Pneumometro	Qualsiasi fornitore	NA
PyCharm	JetBrains s.r.o.	NA	Ambiente di sviluppo integrato Python (IDE)
QGIS	QGIS	NA	Elaborazione, modifica e visualizzazione dei dati geospaziali
Lettore di schede SD e microSD	Qualsiasi fornitore	NA
Smartphone	Qualsiasi fornitore	NA	Per collegarsi con le unità RS2+ del sensore RedEdge P MicaSense e Emlid Reach
Scherche/chiodi a stella, mazzuolo e nastro per segnalazione	Qualsiasi fornitore	NA	Per segnare la posizione della stazione base D-RTK2
Tavoletta	Qualsiasi fornitore	NA	Per la navigazione sul campo
TreeAIBox (CloudCompare plugin)		NA
Radio bidirezionale	Qualsiasi fornitore	NA
Workstation (CPU i5 o successiva, GPU NVIDIA abilitata a CUDA con VRAM ≥ 4GB, RAM ≥ 32GB, SSD ≥ 512GB	Qualsiasi fornitore	NA

References

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

https://www.aer.ca/data-and-performance-reports/data-hub/well-status (2025).">Well status. , Alberta Energy Regulator. https://www.aer.ca/data-and-performance-reports/data-hub/well-status (2025).
https://www.ducks.org/conservation/where-ducks-unlimited-works/western-boreal-forest--canada (2023).">Western boreal forest - Canada. , Ducks Unlimited. https://www.ducks.org/conservation/where-ducks-unlimited-works/western-boreal-forest--canada (2023).
Assessing ecological recovery of reclaimed well sites: a case study from Alberta, Canada. Front. For. Glob. Change. 5, 849246(2022).">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).
https://open.alberta.ca/publications/1657667/resource/77e66fa1-f7ee-44ad-8c68-234854d38d44 (2013).">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).
UAV and satellite synergies for optical remote sensing applications: a literature review. Sci. Remote Sens. 3, 100019(2021).">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).
Use of unmanned aerial vehicles for monitoring recovery of forest vegetation on petroleum well sites. Remote Sens. 9 (5), 413(2017).">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).
Fundamental practices for drone remote sensing research across disciplines. Drone Syst. Appl. 11, 1-22 (2023).">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).
A review on unmanned aerial vehicle remote sensing: platforms, sensors, data processing methods, and applications. Drones. 7 (6), 398(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).
Tree height-growth trajectory estimation using uni-temporal UAV laser scanning data and deep learning. Forestry. 96 (1), 37-48 (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).
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).">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).
Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning. Remote Sens. Environ. 305, 114078(2024).">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).
https://github.com/NRCan/TreeAIBox (2025).">TreeAIBox CloudCompare Plugin. , https://github.com/NRCan/TreeAIBox (2025).
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).">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).
The implementation of precise point positioning (PPP): a comprehensive review. Sensors. 23 (21), 8874(2023).">Elsheikh, M., Iqbal, U., Noureldin, A., Korenberg, M. The implementation of precise point positioning (PPP): a comprehensive review. Sensors. 23 (21), 8874(2023).
https://www.cloudcompare.org/ (2024).">CloudCompare. , https://www.cloudcompare.org/ (2024).
SegmentAnyTree: a sensor and platform agnostic deep learning model for tree segmentation using laser scanning data. Remote Sens. Environ. 313, 114367(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

Raccolta ed elaborazione di dati telerilevati basati su droni da utilizzare nel monitoraggio del recupero forestale

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

References

Reprints and Permissions

Tags

Related Articles