Metodo semi-automatizzato per mappare e classificare comunità vegetali costiere boreali di zone umide utilizzando droni e dati del suolo

Sommario

Il protocollo comprende quattro fasi integrate: indagine con veicoli aerei senza pilota (UAV), raccolta di dati di accuratezza del terreno, calcolo dell'indice di vegetazione e classificazione e mappatura assistita dall'IA delle comunità vegetali delle zone umide costiere. Il risultato è un dataset geospaziale multilivello che supporta applicazioni in ecologia, monitoraggio ambientale e decisioni per la conservazione e gestione degli habitat umidi costieri.

Abstract

La mappatura semi-automatizzata delle comunità vegetali colma il divario tra i tradizionali indagini ecologiche e il monitoraggio moderno degli ecosistemi assistito dall'IA, permettendo rilievi e monitoraggio dei siti a scale e velocità precedentemente irraggiungibili. Le zone umide costiere, dominate da piante erbacee a bassa crescita, richiedono un rilievo fotogrammetrico basato su droni (Unmanned Aerial Vehicle, UAV) per ottenere una risoluzione spaziale superiore e una maggiore flessibilità nei tempi. Questo protocollo consiste in quattro fasi, ovvero il rilievo aereo basato su UAV, la raccolta e georeferenziamento dei dati di accuratezza sul terreno, il calcolo dell'indice di vegetazione e la classificazione supervisionata utilizzando l'algoritmo di foresta casuale (RF) in R (cioè mappatura semi-automatizzata e assistita dall'IA delle distribuzioni delle comunità vegetali tramite classificazione tramite apprendimento automatico). I pacchetti chiave R utilizzati includono terra, sp, sf, rgdal, raster, rsample, MLmetrics, randomForest. L'enfasi nella seconda fase è su un metodo tradizionale di rilevamento ecologico: il campionamento stratificato quadrato del terreno. Il campionamento a terra funge da verificazione del terreno, fornendo prove empiriche per garantire l'accuratezza e l'affidabilità del prodotto finale della mappa. Sono stati testati due tipi di sensori montati su UAV ampiamente utilizzati: un sensore multispettrale e una telecamera RGB, che hanno prodotto 19 indici multispettrali e 27 basati su RGB, insieme a un modello digitale di superficie (DSM) derivato dall'RGB. Le comunità vegetali sono state mappate in un sito di case study di zone umide costiere baltiche e sono stati ottenuti i seguenti risultati di performance algoritmico: utilizzando il dataset multispettrale, il modello ha raggiunto un'accuratezza complessiva del 92,3% con un errore fuori dalla sacca (OOB) del 7,75%; in confronto, il dataset RGB ha raggiunto un'accuratezza superiore al 98% con un errore OOB dell'1,14%. Questi risultati rafforzano l'idoneità di entrambi i tipi di sensori. Ogni fase del protocollo produce dataset georeferenziati. Questi possono essere compilati in un progetto di sistema informativo geografico (GIS) stratificato con osservazioni biofisiche sul campo incorporate, che fungono da base per ricerche ecosistemiche complesse, come la modellizzazione ecologica per prevedere impatti e cambiamenti. In pratica, questo Progetto GIS può servire come documento storico della gestione della copertura e del supporto, della pianificazione del restauro ambientale e del monitoraggio.

Introduzione

L'obiettivo di questo protocollo è fornire un flusso di lavoro pratico e passo dopo passo che combini un'indagine fotogrammetrica basata su droni (cioè su veicoli aerei senza pilota [UAV]) con osservazioni biofisiche in loco come dati di accuratezza del terreno per produrre una mappa della distribuzione delle comunità vegetali delle zone umide costiere. L'output finale, una mappa di copertura del suolo, viene creato tramite un processo di apprendimento automatico semi-automatizzato (algoritmo di foresta casuale [RF]⁾¹.

Una mappa delle comunità vegetali è un dataset essenziale nella modellizzazione ecologica delle zone umide perché trasforma i complessi modelli di vegetazione in una rappresentazione spazialmente esplicita e pixelata della struttura dell'habitat. Questo dataset di base consente la modellazione dei processi ecologici (ad esempio, distribuzione della biomassa, interazioni tra specie, risposte eco-idrologiche, cicli dei nutrienti) su un paesaggio ^2,3,4.

Oltre alla mappa della comunità vegetale, seguire i passaggi di questo protocollo produce una raccolta di dati geospaziali. Salvato come progetto di sistema informativo geografico (GIS), il dataset può essere integrato in un GIS, condiviso e utilizzato per ulteriori analisi e decisioni degli ecosistemi a supporto della pianificazione gestionale e del monitoraggio ambientale.

In questo metodo, un rilievo UAV produce un RGB (cioè rosso, verde, blu, i tre colori primari) e/o una mappa ortomosaica multispettrale e geometricamente accurata, insieme a un modello digitale di superficie (DSM), tutti come dati di base ^5,6. Questi dati vengono utilizzati per calcolare indici di vegetazione (VI) utilizzando mappe ortomosaice come input per il calcolatore del software GIS. Per creare la mappa di output finale, i VI fungono da variabili predittive per pixel per la RF, trasformando le informazioni spettrali grezze dell'ortomosaico in input strutturati per la^{classificazione 7,8}. Poiché i VI sono combinazioni matematiche di bande spettrali che evidenziano le proprietà della vegetazione riflesse da piante e^{luce 7}, i VI possono essere utilizzati come dati indipendenti in ecologia per monitorare la qualità dell'habitat e la biodiversità, e supportare la modellizzazione^{ecologica 8,9}. Pertanto, i VI sono salvati come mappe raster e inclusi in un progetto GIS.

Per classificare e mappare le comunità vegetali in un ambiente assistito dall'IA, i dataset telerilevati (ad esempio, mappe di rilevamento UAV, DSM e VI) devono essere combinati con osservazioni biofisiche georeferenziate in loco per garantire affidabilità ecologica, riproducibilità e interpretazione^{significativa 10}. Tali dati sul campo fungono da verità fondamentale per l'algoritmo RF per classificare i dati dei pixel habitat-vegetazione-copertura in VIs e per prevedere la distribuzione delle comunità vegetali in un sito di studio (ad esempio, per creare una mappa delle comunità vegetali⁾¹¹. Oltre a fungere da dataset di accuratezza sul terreno per il machine learning, le osservazioni georeferenziate forniscono un mezzo per ancorare le osservazioni biofisiche all'interno del GIS. In questo modo, il dataset ecologico funziona come tabella degli attributi, che può essere utilizzata come variabile ambientale per la modellizzazione degli^{ecosistemi 12,13}. I dati in loco sono preziosi per evidenziare le condizioni ecologiche di un habitat perché sono raccolti direttamente all'interno dell'ambiente effettivo oggetto di studio, fornendo una valutazione realistica e immediata delle condizioni^{specifiche 14}.

Le zone umide costiere sono habitat a basso consumo energetico situati in aree costiere riparate. Gli ecosistemi delle zone umide sono distribuiti lungo le coste di sei continenti, esclusa l'Antartide, svolgendo ruoli ecologici cruciali a livello globale, ad eccezione dei paesaggi coperti di ghiaccio nelle regioni polari^{estreme 15}. La crescita demografica globale e l'industrializzazione, le difese costiere e l'intensificazione delle pratiche agricole hanno un impatto significativo sulle zone umide costiere, causando frammentazione e^{degrado 16,17}. Queste pressioni rendono gli ecosistemi costieri una priorità per il ripristino ecologico e la conservazione^{a livello mondiale 18}.

Il monitoraggio ambientale e la modellazione degli ecosistemi degli habitat costieri facilitano la valutazione della salute degli ecosistemi, l'identificazione dei cambiamenti temporali e la valutazione dei risultati del^{ripristino 19}. Tuttavia, un monitoraggio efficace può essere ostacolato dalla natura dinamica di questi ecosistemi, dalla loro accessibilità limitata e dai notevoli costi della raccolta dati in zone intertidali complesse e spesso remote. In habitat dinamici e difficili da raggiungere, la vegetazione spesso fornisce il segnale più chiaro e stabile del cambiamento^{ecologico 18}.

Poiché la vegetazione è una base fondamentale per la formazione degli habitat, classificare le comunità vegetali e mappare la loro distribuzione fornisce una base fondamentale per la valutazione ecologica e la modellazione dei processi habitat 20,21,22^. Le zone umide costiere sono sistemi altamente eterogenei, che mostrano una significativa variazione su brevi distanze in termini di altitudine, salinità, struttura della vegetazione, idrologia e caratteristiche sedimentarie. A causa di questa complessità, il protocollo incorpora il campionamento quadrato^{stratificato 23} (minimo dieci campioni quadrati da 1 m × 1 m per comunità vegetale), che non solo è vantaggioso ma metodologicamente imperativo per generare modelli rappresentativi degli ecosistemi e mappe di copertura^{del suolo 24,25}.

Per illustrare questa metodologia, è stato condotto uno studio di caso su una palude microtidale sull'isola di Hiiumaa, nell'arcipelago dell'Estonia occidentale del Mar Baltico (Figura 1). Il paesaggio costiero del Mar Baltico, incluse le paludi nelle zone di accumulo di sedimenti su oltre 100.000 isole all'interno degli arcipelaghi, è gestito a diversi livelli di intensità²⁶. Per la conservazione e il ripristino della biodiversità, le zone umide costiere boreali del Baltico sono mantenute come praterie^{semi-naturali 27,28}. Queste praterie umide hanno un valore di patrimonio paesaggistico regionale e alcune, incluso il sito di studio di caso, fanno parte della rete Natura 2000 di aree protette. In tali aree, per sostenere la vegetazione a bassa quota, che favorisce una maggiore biodiversità e fornisce habitat per la fauna selvatica come i^{trampolieri 29}, i prati costieri vengono ampiamente pascolati e/o falciati stagionalmente per mantenere le praterie aperte e impedire che vengano superate da specie estese, ad esempio Phragmites australis³⁰. Nelle regioni costiere boreali, le zone umide gestite secondo misure di conservazione includono tipicamente quattro comunità vegetali chiave: Open Pioneer (OP), Lower Shore (LS), Upper Shore (US) e Tall Grass (TG)³¹. Tutti e quattro si svolgono nel sito selezionato per lo studio di caso. Le specie di piante vascolari dominano le praterie umide costiere. Le specie indicative OP sono le alofite: Salicornia europaea (intervallo di altezza più comune 3–30 cm) e Suaeda maritima (10–50 cm). La LS è dominata da Glaux maritima (3–25 cm) e Juncus geradii (25–75 cm). Le specie indicative statunitensi sono Festuca rubra (15–90 cm) e Leontodon autumnalis (10–80 cm), e le graminacee dominanti identificano TG: Deschampsia cespitosa (30–120 cm), Elytrigia repens (30–120 cm) e Molinia caerulea (50–180 cm). Inoltre, le piante tipiche delle zone umide costiere in questa zona climatica includono: Spergularia marina (5–30 cm), Plantago maritima (10–30 cm), Triglochin maritima (15–70 cm) e Agrostis stolonifera (15–30 cm), che si trovano in diverse comunità.

Le zone umide costiere sono definite dai loro paesaggi a basso rilievo con sottili variazioni microtopografiche, come depressioni e monti, che influenzano la distribuzione delle comunità vegetali. Queste caratteristiche paesaggistiche si formano naturalmente attraverso processi come la deposizione di sedimenti durante inondazioni, mareggiate e correnti di^{marea 32}. Queste caratteristiche spesso non hanno firme distinte rilevabili da immagini aeree grossolane, ma la composizione delle specie riflette risposte spettrali specifiche che possono essere registrate e^{classificate 33}. Comunemente, la mappatura aerea satellitare e aerea fornisce i dati geospaziali necessari per numerose indagini e modellazioni ecosistemiche a supporto del monitoraggio e^{della valutazione 34,35}. Tuttavia, la mappatura aerea a bassa quota basata su droni è essenziale per rilevare efficacemente le praterie costiere. Questo approccio fornisce dati ad alta risoluzione e fornisce una registrazione fotogrammetrica più dettagliata delle caratteristiche paesaggistiche, inclusi i modelli di distribuzione della vegetazione e i modelli di altezza della vegetazione derivati da un Digital Surface Model (DSM), migliorando così l'accuratezza^{della classificazione 3}.

Rispetto agli approcci alternativi, i flussi di lavoro UAV permettono una programmazione flessibile per adattarsi alle fasi fenologiche, minimizzare l'interferenza delle nuvole e catturare dettagli strutturali non disponibili dai^{satelliti 36,37}. Combinato con il machine learning (ad esempio, Random Forest), i dati UAV supportano il rilevamento automatico dei pattern, la classificazione degli oggetti e l'estrazione di preziose informazioni da dataset complessi che sarebbero opprimenti per gli^{umani 38}. Tuttavia, il campionamento a terra in loco rimane indispensabile per l'apprendimento supervisionato perché fornisce etichette verificate per l'addestramento e la valutazione dei modelli, assicurando che i modelli apprendano i modelli corretti e che le loro prestazioni siano robuste e^{affidabili 11,39,40}.

Questo protocollo è progettato per ecosistemi a basso rilievo con comunità vegetali a bassa crescita accessibili per il campionamento in loco. Il flusso di lavoro è suddiviso in quattro fasi distinte (Figura 2): (1) rilievo aereo basato su UAV, (2) raccolta e georeferenziamento dei dati di accuratezza del terreno, (3) calcoli dell'indice della vegetazione e (4) classificazione supervisionata utilizzando Random Forest nell'ambiente di calcolo statistico open-source R. Il protocollo è stato implementato utilizzando RStudio con i seguenti pacchetti chiave: terra, sp, sf, rgdal, raster, rsample, MLmetrics e randomForest.

Protocollo

NOTA: I passaggi seguenti descrivono un flusso di lavoro dettagliato (vedi diagramma nella Figura 3) per mappare e classificare le comunità vegetali delle zone umide costiere. Questo protocollo può essere replicato utilizzando sia un sensore multispettrale montato su UAV sia una telecamera RGB. Il completamento di questo protocollo richiederà diversi giorni. Pertanto, la metodologia è suddivisa in quattro fasi, con pause opzionali. La sequenza prescritta è raccomandata poiché gli esiti della fase precedente supportano l'esecuzione della successiva. Le prime tre fasi generano dataset che fungono da input per la fase finale.

1. Rilevamento aereo basato su UAV

1. Acquisire e esaminare le precauzioni essenziali per gli operatori UAV, le normative locali e i manuali per l'hardware e il software dei droni.
   1. Assicurarsi che il pilota operi in modo sicuro, legale e professionale; possiede tutte le certificazioni o licenze richieste per la regione di operazione; e essere completamente addestrati sul modello specifico del drone, sull'uso di sensori/telecamere montati e sul flusso di lavoro della missione. Consulta il quadro normativo statale o regionale per l'acquisto di un'assicurazione UAV.
   2. Identificare la classificazione dello spazio aereo per l'area di missione e ottenere le autorizzazioni necessarie. Rispetta i limiti di altitudine, le zone di divieto di volo e le restrizioni di prossimità intorno ad aeroporti, infrastrutture e aree popolate. Per considerazioni ambientali e faunistiche, rispetta le restrizioni stagionali (ad esempio, i periodi di nidificazione) e rispetta le normative ambientali per paesaggi protetti, zone umide, siti Natura 2000 e altre aree protette.
   3. Avvisa i membri della comunità locale o le parti interessate, dove necessario, per ottenere approvazioni e prevenire malintesi. Chiarire le regole di protezione dei dati su quando immagini aeree possono catturare persone, proprietà private o veicoli, assicurandosi che tutti comprendano che il volo con il drone è destinato a mappare le comunità di piante per la ricerca e che qualsiasi dato aggiuntivo soggetto alle leggi sulla protezione dei dati rimarrà riservato.
      NOTA: La notifica è solitamente necessaria quando regolamenti nazionali o regionali impongono una comunicazione preventiva per le operazioni con droni.
   4. Seguire tutte le linee guida del produttore per l'assemblaggio, la manutenzione e il funzionamento del drone e dei sensori montati; tale conformità garantisce un funzionamento sicuro e protegge l'integrità delle apparecchiature. Rispettare i limiti massimi del vento (9 m/s, comprese raffiche), le gamme di temperatura (minimo 0 °C; massimo 35 °C) e le capacità di carico utile nella selezione di sensori/telecamere. Conservare e trasportare le batterie in conformità con le istruzioni del produttore e le normative sulla sicurezza aeronautica.
2. Progettare una missione di volo UAV.
   NOTA: Per implementare questo protocollo, è stato utilizzato il sistema UAV ad ala fissa eBee X, dotato di sensore multispettrale e RGB e del software di gestione del volo. Consulta sempre il manuale del produttore quando usi un UAV.
   1. Apri il software di gestione del volo preinstallato su un laptop. Nella pagina di benvenuto, nella scheda Nuova Missione , seleziona la telecamera da utilizzare (in questo caso: Sequoia), inserisci un titolo descrittivo della missione (ad esempio, il nome del sito di studio) e seleziona Crea missione. Il pannello Missione si aprirà automaticamente e la mappa satellitare apparirà nella vista principale.
   2. Sulla mappa satellitare, usa il cursore per zoomare, panoramicare e navigare fino alla posizione approssimativa del sito dello studio. Nella scheda Area di Lavoro , seleziona Inserisci area di lavoro e posiziona il cursore vicino al centro del sito di studio, poi clicca. Apparirà un cerchio che rappresenta l'area di lavoro; Regola la sua dimensione aumentando o diminuendo il raggio.
   3. Nel pannello Missione, clicca sulla scheda Decollo e atterraggio . Poi clicca su Aggiungi Nuovo Inizio, naviga il cursore sulla mappa satellitare fino alla posizione di decollo desiderata e clicca per impostare un nuovo punto di partenza. Dopodiché, clicca su Aggiungi nuova casa, scegli atterraggio lineare, naviga il cursore sulla mappa fino al punto di atterraggio/ritorno desiderato dell'UAV e clicca su impostare.
      NOTA: Quando pianifichi missioni, utilizza la mappa satellitare del software e gli strumenti di misurazione per trovare le aree ottimali di atterraggio e decollo, poiché è necessaria una pista di atterraggio senza ostacoli. Alcuni UAV ad ala fissa non hanno decollo verticale e richiedono una salita graduale all'altitudine durante il decollo e una discesa graduale. Tali UAV necessitano di una pista di atterraggio lunga 200–300 m e larga 75 m.
   4. Nel pannello Missione , seleziona la scheda Blocchi di Missione . Clicca su Aggiungi blocco missione, poi seleziona Mappatura orizzontale. Dal menu a tendina Fotocamera , seleziona Sequoia e dal piano sopra, seleziona Dati di elevazione - EAD. Il menu delle preimpostazioni apparirà con schede con valori regolabili: Risoluzione 10 cm/px, sovrapposizione laterale 75% e sovrapposizione longitudinale 80%, risultando in un'altitudine di volo di 106,1 m/AED (questi valori automatici sono stati selezionati per il rilevamento UAV).
   5. Posiziona il cursore nella visuale satellitare e disegna un poligono intorno all'area di studio cliccando con il tasto sinistro per aggiungere punti d'angolo regolabili intorno al sito di rilevamento. Per concludere, clicca con il tasto destro per visualizzare la possibile traiettoria di volo del drone sulla mappa.
      NOTA: Per implementare questo protocollo, l'area di rilevamento è stata stimata in 40 ettari con un tempo di volo di 32 minuti.
   6. Sempre nel pannello Missione , nella scheda Azioni di Sicurezza , assicurati che le seguenti azioni siano selezionate. Per il Ritorno a Casa: se viene rilevato vento forte, se la telecamera segnala un guasto, in condizioni di scarsa luce (o con il tappo dell'obiettivo acceso), se la resistenza è bassa, se la precisione GNSS si degrada, se il collegamento del modem di terra viene perso per 300 secondi (può essere regolato), e per la Salita: se viene rilevata la vicinanza al suolo, dovrebbe essere selezionato.
   7. Il tempismo è fondamentale: programmare la missione di mappatura il più vicino possibile alla verifica sul campo (data di campionamento biofisico). Questo è fondamentale, poiché garantisce che le immagini e i dati di campo dei droni riflettano l'ecosistema nelle stesse condizioni ambientali e fenologiche, migliorando significativamente la precisione scientifica e l'interpretabilità delle mappe.
   8. Seleziona una finestra di bassa marea (o condizioni di "bassa marea" nelle coste non tidali) per massimizzare l'habitat esposto e minimizzare l'abbagliamento dell'acqua; Quando si cronometrano i sondaggi aerei, considera anche i disturbi della fauna selvatica e cerca di evitare le stagioni di riproduzione.
3. Esegui i controlli pre-volo e la missione di volo.
   1. In loco, valutare le condizioni ambientali. Verificare che i livelli attuali dell'acqua di mare siano bassi; evitare di disturbare la fauna selvatica; Assicurarsi che l'area di decollo e atterraggio sia stabile, asciutta e sufficientemente elevata sopra l'acqua. Esaminare la regione dello spazio aereo in cui avverrà la missione di volo per eventuali ostacoli aerei, incluse le aree di decollo e atterraggio.
   2. Monitorare le previsioni meteo per le condizioni di volo ottimali: vento (massimo 9 m/s), visibilità (nessuna nebbia), umidità (sotto il 75%) e precipitazioni (previsione massima 40%).
   3. Assemblare il sistema UAV: hardware per droni, sensori/telecamere, antenne e software di gestione del volo. Collega una batteria di drone. Controlla l'hardware dell'UAV, inclusa la salute di sensori/telecamera; assicurarsi che l'obiettivo sia pulito; e verificare che il sensore/la telecamera sia correttamente collegato all'UAV.
   4. Accendi il computer per il lavoro sul campo, apri il software di gestione del volo (eMotion) e clicca su Carica missione dal file Browser .
      1. Collega l'antenna USB al portatile, clicca su Collega e apparirà una barra di controllo di volo sulla destra.
      2. Nella scheda Fotocamera, conferma che ci sia abbastanza memoria disponibile per memorizzare tutte le immagini del sondaggio (scheda SD vuota, minimo 32 GB) e che la fotocamera corretta (Sequoia) sia indicata. Abilita il suono del computer per ascoltare le notifiche software.
   5. Verifica che firmware e software siano aggiornati (tramite notifiche automatiche software) e calibra la bussola se necessario.
   6. Assicurarsi che la missione preprogettata sia caricata correttamente (cioè la traiettoria di volo, il decollo e l'atterraggio siano visibili nella vista principale). Assicurarsi che le azioni di sicurezza siano selezionate correttamente (come indicato nel passo 1.2.6).
   7. Calibra il sensore multispettrale. Metti il pannello a terra, poi tieni il drone sopra di esso con il sensore/lente della telecamera rivolto verso il pannello.
      1. Nel software, accedi alla barra di controllo di volo, apri la scheda Fotocamera e premi Calibra.
      2. Aspettare che i segnali sonori indichino l'esecuzione dell'immagine finché non appare il testo Radiometric calibration complete . Questo non è necessario se si utilizza solo il sensore RGB.
   8. Prima di iniziare la missione, controlla la direzione del vento. Prendi una manciata di erba leggera e secca, sabbia o foglie secche. Rilascia il materiale all'altezza degli occhi; la direzione in cui l'erba deriva indica il percorso del vento.
   9. Poi, nella vista principale del software (mappa satellitare), regola l'orientamento della traiettoria di volo dell'UAV trascinando la maniglia di orientamento in modo che le linee di volo scorrano perpendicolarmente alla direzione del vento. Assicurati che la traiettoria copra l'intero sito di rilevamento: regolare gli angoli dei poligoni trascinando i punti degli angoli.
   10. Regola l'orientamento della traiettoria di atterraggio per assicurarti che la traiettoria sia controvento.
   11. Assicurati che la traiettoria di volo, le aree di decollo e di atterraggio siano all'interno dell'area di lavoro dopo tutte le regolazioni. Espandi il cerchio dell'area di lavoro, se necessario, aumentando i valori numerici del raggio nella scheda area di lavoro .
   12. Iniziare il volo UAV come una missione di volo automatizzata seguendo la traiettoria predefinita (area di indagine per il caso di studio: 40,5 ha). Registro dell'orario di inizio del volo.
       1. Durante il volo, tieni acceso il software di gestione del volo e l'antenna del drone sempre collegata.
       2. Ascolta e osserva il software per aggiornamenti della durata della batteria, prestazioni dei sensori e i segnali d'allarme del drone durante la missione (ad esempio, aumento della velocità del vento, rilevamento ostacoli).
       3. Mantenere una linea visiva (VLOS) con il drone in missione in ogni momento, salvo diversa approvazione. Evita tutte le distrazioni e resta pronto a rispondere alle notifiche o a effettuare un atterraggio di emergenza. Ora di fine volo del registro.
          NOTA: Le migliori pratiche (a seconda della regione, può essere un requisito legale) sono condurre ispezioni con due operatori: uno che mantiene il VLOS e l'altro monitora il software di gestione dei voli. In caso di incidente con UAV, sospendere le operazioni di volo, mettere in sicurezza l'area, documentare l'incidente, notificare le autorità competenti e avviare le procedure assicurative.
4. Esegui le procedure post-volo.
   1. Estrarre tutte le immagini aeree dal sensore o dalla telecamera montata sull'UAV e salva tutti i dati del rilevamento, incluso il registro di volo, su un computer e/o cloud.
      NOTA: Il rischio di perdita di dati aumenta nel tempo, poiché le apparecchiature possono essere danneggiate e le schede SD possono corrompere.
   2. Verifica nitidezza, esposizione e copertura dell'immagine, verificando eventuali lacune nella sequenza dell'immagine che potrebbero essersi verificate a causa di errori del sensore o causate da abbagliamento, ombreggiature o allagamento di marea. Riprogrammare e riesaminare secondo necessità, assicurandosi che il volo del drone avvenga in prossimità temporale con la verifica a terra.
   3. Scarica e salva il file del formato di scambio indipendente dal destinatario (RINEX) dagli archivi pubblici come i servizi nazionali di rilevamento territoriale, corrispondente alla data e all'ora del volo.
   4. Su un hard disk esterno (250 GB-1 TB), crea una cartella per il caso di studio (titolo suggerito: date_ posizione [Evitare di usare spazi e caratteri speciali]). Questa sarà la cartella principale per l'archiviazione e l'accesso ai dati nei passaggi successivi, e la posizione in cui verranno creati/salvati i layer del geo-package.
   5. Per effettuare il geotagging delle immagini di rilievo aereo, nel software di gestione volo, apri la scheda Postflight. Se lo stesso computer è stato usato per volare nel Calendario, seleziona la data del volo. Se no, seleziona N.
   6. Sfoglia e carica il registro di volo dal file di backup. Crea una cartella progetto sulla memoria esterna per il caso di studio (titolo progetto come suggerito sullo schermo). Clicca su Next.
   7. Sfoglia e carica i log di volo dalla scheda SD utilizzata durante il volo, che possono essere identificati dal numero di volo, oppure carica da un file di backup. Aspetta che la traiettoria di volo appaia nella vista principale del software. Verifica che sia l'area o il registro di volo corretto. Clicca su Next.
   8. Dal menu a tendina sotto Opzioni di post-elaborazione , seleziona PPK: Elabora i dati GNSS grezzi del drone. Sotto Registro della stazione base seleziona Rinex, cerca e trova il file RINEX salvato. Clicca su Avanti, poi aspetta che i calcoli finiscano. Assicurati che i PPK > i Geotag post-elaborati appaiono al 100%, poi clicca su Next.
   9. Nel menu a tendina Carica immagini , scegli una delle seguenti opzioni: dalla scheda SD o Sfoglia per trovare la cartella con le immagini di rilevamento aereo corrispondenti al registro di volo. Clicca su Next. Aspetta che compare il corrispondimento delle immagini e clicca su Avanti per avviare l'importazione dell'immagine geotaggata nella cartella del progetto. Queste immagini fungono da input in un processo fotogrammetrico.
      NOTA: Per ogni registro di volo, la geotagizzazione delle immagini deve essere eseguita separatamente (ripeti i passaggi 1.4.4 – 1.4.8). Ad esempio, dopo il cambio della batteria dell'UAV, il successivo rilievo aereo avrà un nuovo registro di volo.
5. Elaborare dati fotogrammetrici (cioè, creare prodotti cartografici utilizzando immagini di rilievo aereo).
   1. Sulla workstation, collega il disco rigido esterno contenente le immagini geotaggate UAV e apri il software di fotogrammetria preinstallato.
      1. Crea un nuovo progetto e salvalo sul disco esterno (formato consigliato: prefisso MS o RGB + posizione + data).
      2. Aggiungere le immagini, osservando che i dataset multispettrali e RGB devono essere elaborati in progetti separati; perciò, si usa il prefisso MS per le immagini multispettrali e RGB per quest'ultimo.
         NOTA: È stato utilizzato PIX4Dmapper; tuttavia, software alternativi di fotogrammetria possono essere utilizzati per riprodurre questo protocollo.
   2. Assicurati che nella schermata pop-up Proprietà dell'Immagine siano elencate/selezionate le seguenti cose: WGS 84 come sistema di coordinate, il numero corretto di immagini Geolocalizzate e il modello della Fotocamera Selezionata che elenchi le bande (Sequoia e Verde, Rosso, Bordo Rosso, Bande NIR o RGB).
      1. Premi Next, poi scegli il template di elaborazione: Ag multispettrale per multispettrale, ma RGB Ag per le immagini RGB. Finisci, apparirà una mappa satellitare con le posizioni delle immagini nella vista principale.
         NOTA: Per il progetto multispettrale, assicurati di aggiungere immagini di calibrazione con un pannello di calibrazione visibile (creato nel passo 1.3.7 e salvato automaticamente con tutti i dati del sondaggio). Per questo caso di studio, sono state geolocalizzate in totale 2.320 immagini multispettrali e 577 immagini RGB.
   3. Apri la finestra delle opzioni di elaborazione , clicca su 1. Elaborazione iniziale qui sotto Punti Chiave Scala Immagine, seleziona Pieno e Genera Anteprima Ortomosaico in Rapporto Qualità, poi clicca 2. Nube di punti e mesh > Nuvola di punti in questa scheda, seleziona 1/2 (metà dimensione immagine, predefinito) e seleziona Classifica nuvola di punti.
   4. Clicca 3. Scheda calcolatrice DSM, Orthomosaic e Index > Index seleziona GeoTIFF e Merge Tiles e tutti gli Indici disponibili da generare (Figura 4).
      1. Per il progetto multispettrale, assicurarsi che, sotto Elaborazione e Calibrazione Radiometrica, il tipo di calibrazione di ogni banda sia impostato su Camera, Irradianza Solare, e Angolo Solare.
      2. Clicca su DSM e Orthomosaic sotto Raster DSM , seleziona GeoTIFF e Merge tiles, e sotto Orthomosaic seleziona GeoTIFF e Merge tiles. Clicca su OK e inizia a elaborare.
         NOTA: Durante l'elaborazione delle immagini multispettrali, il tipo di calibrazione viene impostato automaticamente utilizzando immagini di calibrazione scattate in loco prima del volo (passo 1.3.7), ma può essere ricalibrato manualmente cliccando su Calibra. Poi sfoglia per trovare un'immagine del pannello di calibrazione (con il corrispondente titolo della banda) e inserisci il valore del fattore di riflettanza letto dal pannello di calibrazione.
   5. L'elaborazione della fotogrammetria si conclude con mappe di riflettanza generate/salvate (UAV survey maps) nella cartella multispettrale del progetto: verde, rosso, rosso bordo, NIR, e in RGB: rosso, verde, blu, scala di grigi, ortomosaico e DSM (modello digitale di superficie). Assicurarsi che tutti gli indici, ortomosaici e DSM GeoTIFF siano uniti e verificare i report del progetto per errori; Se vengono rilevati problemi, ripeti l'elaborazione.

2. Raccolta di dati di verità sul terreno ed esecuzione di georeferenziazione

1. Prepararsi per il lavoro sul campo.
   1. Visita in anticipo il sito di studio ed esplora l'area per identificare potenziali comunità vegetali di interesse, acquisendo così una conoscenza esperienziale del sito. Decidere quali osservazioni biofisiche sono fattibili da raccogliere in loco e necessarie per descrivere la composizione della comunità vegetale del sito di studio selezionato.
      NOTA: Per illustrare questo protocollo, l'attenzione è stata posta sulle specie vegetali, la struttura e la composizione per classificare 4 comunità vegetali indicative di un habitat di prato costiero boreale baltico: Open Pioneer (OP), Lower Shore (LS), Upper Shore (US) e Tall Grass (TG).
   2. Prepara e stampa una guida visiva all'identificazione delle specie vegetali che elenchi le specie indicative delle comunità vegetali nell'habitat specifico da mappare. La guida può accelerare e assistere nell'identificazione delle specie in loco se i dispositivi elettronici si guastano.
   3. Prepara un foglio di lavoro per registrare le osservazioni sul campo, includendo un elenco delle specie indicative insieme ad altre specie comunemente presenti nell'habitat in studio e nell'area circostante, oltre a ulteriori osservazioni biofisiche sul campo che devono essere registrate (ad esempio, data del rilevamento, altezze della vegetazione, pesi della biomassa).
2. Utilizzare una procedura di campionamento stratificata per raccogliere dati di verità sul terreno usando quadrati.
   1. Identifica una comunità vegetale visivamente basandosi sulla conoscenza esperienziale sul campo.
   2. Posizionare una struttura quadrata a terra in una posizione rappresentativa per la comunità vegetale campionata, evitando aree con disturbi significativi. Per le zone umide costiere boreali, un quadrato di 1 m x 1 m è sufficiente. Questo quadrato servirà come parcella campione per osservazioni biofisiche e campionamento della biomassa.
   3. Annota la data del rilevamento, i nomi dei geometri, il tipo/classe della comunità vegetale e il codice numerico per ogni quadrato campione.
      NOTA: Si raccomanda di stabilire i codici numerici nel seguente ordine: codice campo di studio + codice della comunità vegetale + numero di sequenza quadrato campione del quadrato registrato. Questi codici numerici collegheranno le osservazioni biofisiche sul campo al dataset geospaziale e alle coordinate.
   4. Registra le coordinate su ogni angolo del quadrato campione usando sistemi GNSS/RTK e software di rilevamento territoriale, inserendo un codice numerico corrispondente al codice quadrato e salvando le coordinate.
      NOTA: Utilizzare un ricevitore GNSS che fornisca dati di localizzazione ad alta precisione (a livello centimetro); Consulta il manuale utente per le istruzioni sull'uso del dispositivo e del suo software complementare.
   5. Per quanto riguarda le osservazioni biofisiche, all'interno del quadrato campionario, registrare le percentuali di copertura stimate per ogni specie vegetale osservata, così come la copertura di altre variabili potenzialmente indicative, tra cui terreno nudo, lattiera vegetale, muschio e alghe (assicurando che il totale sia compreso tra il 95% e il 105%, un intervallo accettato per indagini fitosociologiche). Effettua cinque misurazioni casuali dell'altezza della vegetazione utilizzando un metro a nastro per determinare l'altezza media del campione.
   6. Con lo stesso quadrato campione, raccogliere osservazioni biofisiche opzionali: ad esempio, percentuale di umidità del suolo, campionare la biomassa vegetale tagliando la vegetazione a livello del suolo, raccolta della biomassa in un sacchetto di carta e pesare utilizzando una bilancia livellata a batteria (precisione ± 1 g). Per trovare il vero peso della biomassa, sottrai il peso del sacchetto di carta dal peso totale. Annota tutti i pesi per riferimento futuro.
3. Replicare le procedure di campionamento a quadrato stratificato descritte nei passaggi precedenti (2.2.1–2.2.6) almeno 10 volte all'interno di ciascuna delle classi di comunità vegetali (cioè OP, US, LS, TG).
   NOTA: Evita di mettere i quadrati campione troppo vicini tra loro. È essenziale fornire campionamenti coerenti e completi nei siti di studio per garantire che i campioni quadrati registrati riflettano accuratamente gli habitat. Poiché le comunità vegetali spesso si trovano in pattern a mosaico nelle zone umide costiere, si preleva la stessa comunità vegetale in diverse località all'interno del sito di studio.
4. Digitalizzare i record di campionamento quadrato dopo aver completato tutte le osservazioni sul campo.
   1. Trascrivere tutte le note di lavoro sul campo in software di fogli di calcolo, creando un dataset per l'analisi organizzando i dati in formato tabella con una riga di intestazione che etichetta ogni variabile; Poi inserisci tutti i valori di conseguenza.
   2. Salva il file ed esportalo come file CSV (valori separati da virgola).
5. Crea un dataset di verità sul terreno georeferenziando le osservazioni biofisiche.
   1. Scarica tutte le coordinate registrate delle posizioni degli angoli quadrati di esempio come file CSV dal sistema GNSS/RTK utilizzato sul campo.
   2. Crea un nuovo progetto nel software Geographic Information System (GIS) (QGIS è stato utilizzato per implementare questo protocollo) e salvalo come file .qgz nel progetto creato nello step 1.4.3. Questa cartella e il file .qgz includeranno tutti i dataset geospaziali dei prossimi passaggi.
   3. Nello spazio di lavoro GIS, importa un file CSV contenente le coordinate degli angoli quadrati come Layer di Testo Delimitato. Dopo aver importato queste coordinate, appariranno come forma: punti.
   4. Unisci le coordinate di ogni punto d'angolo del quadrato come shapefile: polygon, e salva lo shapefile.
   5. Unisci il file shapefile poligonale al file CSV del dataset di campo digitalizzato (creato nel passo 2.4) collegando i codici numerici di entrambi i file.
   6. Salva il nuovo dataset di verità sul terreno creato come un file GeoPackage (.gpkg) nella cartella creata sull'hard disk esterno (passo 1.4.4). Salva per aggiornare il progetto GIS.

3. Calcolo dell'indice di vegetazione (VI)

1. Prepara mappe di rilevamento basate su UAV per il Vis.
   1. Nell'area di lavoro software GIS (usa lo stesso file .qgz creato nel passo 2.5.2 e aggiornato nella 2.5.6), importa tutti i mosaici di riflettanza (prodotti cartografici) creati utilizzando il rilievo UAV nella prima fase del protocollo, nello step 1.5.
   2. Riduci la dimensione delle mappe 'ritagliando' dati inutili. Osservando la distribuzione quadratica del campione e basandosi sulla conoscenza esperienziale dell'estensione del sito di studio, si crea un confine poligonale attorno al sito di studio e ritaglia mappe all'estensione del poligono (Figura 5). Questo ridurrà la dimensione del file e aumenterà la velocità di elaborazione.
      NOTA: Mappe di rilevamento ritagliate (multispettrali GREEN, RED, Red edge, NIR, e GeoTIFF e ground_truth.gpkg (creati nello step 2.5.6) in banda RGB red, green, blue band, sono disponibili per il download dal repository Zenodo tramite link: https://doi.org/10.5281/zenodo.20075625 solo a scopo educativo per esercitarsi nella riproduzione dei seguenti passaggi.
2. Usa lo strumento Calcolatrice Raster per calcolare; le formule VI sono elencate nel Fascicolo Supplementare 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. Quando si calcola i VI multispettrali, si usano i GeoTIFF RED, GREEN, NIR e Red-edge come valori di input. (vedi Figura 6, Calcolatrice Raster GIS, un input di formula VI come esempio).
   2. Per i calcoli VI basati su RGB, si normalizzano innanzitutto gli indici rosso, verde e blu (prodotti cartografici dal passo 1.5). Calcolare i nuovi RGB VI solo dopo aver completato il processo di normalizzazione (le formule per normalizzare gli indici RGB sono disponibili nel Supplementary File 1 come parte dell'elenco RGB VI).
   3. Salva i nuovi VI come GeoTIFF (ad esempio, file raster) in cartelle separate, denominandoli di conseguenza (ad esempio, prefisso (MS o RGB) + nome indice) nella cartella GIS Project creata sull'hard disk esterno (passo 1.4.4).
   4. Aggiungi il DSM e altri VI automatizzati (ad esempio, scala di grigi) creati/ritagliati nel passo 3.1.2 nella cartella RGB VIs. Queste cartelle contenenti VI, unite a un file di verità terrestre (creato nel passo 2.5.6), fungono da dataset di base per un algoritmo di Foresta Casuale per classificare le comunità vegetali cartografiate. Salva per aggiornare il progetto GIS con link ai file raster VI.

4. Classificazione supervisionata in R utilizzando Random Forest

NOTA: Per eseguire questa fase, apri un ambiente di calcolo statistico per R in RStudio, poi vai su File > Open File e seleziona lo script fornito nel File Supplementare 2. Questo script è pronto all'uso e organizzato per garantire la riproducibilità e facilitare l'adattamento ad altri siti di studio. Può essere eseguito in due modi: (1) Eseguire l'intero script in una volta sola: clicca su Sorgente o premi Ctrl + Shift + Invio, assicurandoti che i percorsi della cartella e dei file GeoPackage siano aggiornati; oppure (2) Esegui riga per riga o blocco per blocco: posiziona il cursore su una linea oppure seleziona un blocco e premi Ctrl + Invio. Questa opzione è consigliata poiché offre migliori alternative di risoluzione dei problemi.

1. Prepara l'ambiente R.
   1. Installare e caricare i pacchetti necessari (cioè terra, sp, sf, raster, rsample, MLmetrics, randomForest, rgdal)⁷².
      NOTA: Se rgdal è incompatibile con le versioni più recenti di R, le funzioni stack() e readOGR() possono essere sostituite rispettivamente con rast() e st_read().
   2. Imposta la cartella di lavoro.
2. Esegui la pre-elaborazione raster.
   1. Carica tutti i file raster dall'area rilevata situata in una specifica directory di lavoro.
   2. Garantire una proiezione, risoluzione ed estensione coerenti tra i raster di input. Se vengono rilevate incongruenze, si utilizza la funzione resample() in R (ad esempio, terra::resample() o raster::resample()) per allineare i raster a un file di riferimento comune (tipicamente quello con la risoluzione spaziale più grossolata per evitare l'upscaling artificiale)(vedi articolo di Hijmans et ^al.73).
3. Esegui l'estrazione dei dati:
   1. Importa dati di verità sul terreno da un GeoPackage (creato nel passo 2.5.6).
   2. Usa la funzione terra:: extract() per collegare i valori raster ai poligoni campionati.
   3. Unisci il frame dati contenente i valori estratti ai codici delle comunità vegetali, assicurandoti che siano fattori.
4. Dividere il dataset in set di addestramento e validazione usando campionamenti stratificati per mantenere l'equilibrio delle classi. Modificare il rapporto tra campioni di addestramento e validazione secondo la preferenza o in base alla disponibilità dei campioni.
   NOTA: I dataset più piccoli richiedono tipicamente una suddivisione 80/20 per fornire dati di addestramento sufficienti. Dataset più grandi: 70/30 è sufficiente e fornisce un set di validazione o test più forte (vedi la pubblicazione di Mohammed e Alsunosi⁷⁴).
5. Esegui la messa a punto dei modelli.
   1. Definisci una griglia di parametri per esplorare diverse combinazioni di mtry e ntree.
      NOTA: mtry è il numero di variabili (predittori) che vengono campionate casualmente come candidate per ogni suddivisione quando si sviluppa un albero decisionale in RF. Il valore predefinito è tipicamente la radice quadrata del numero totale di predittori per la classificazione e un terzo per la regressione. Mentre ntree è il numero totale di alberi decisionali che crescono nella foresta. Un numero maggiore di alberi generalmente migliora le prestazioni ma aumenta il tempo di calcolo; il tasso di errore si stabilizza tipicamente dopo un certo numero di alberi.
   2. Ripercorrere la griglia (cioè la ricerca in griglia, che testa sistematicamente diverse combinazioni di valori di iperparametri per trovare l'insieme con le migliori prestazioni per il modello) e valuta l'accuratezza per ogni combinazione.
   3. Scegli la combinazione con la massima precisione.
      NOTA: Vedi Belgiu e^{Drăguţ 75}, anche Bergstra et ^al.76, per una migliore comprensione della rilevanza e degli approcci alternativi per questo passaggio.
6. Adatta il modello RF usando la migliore combinazione di parametri. Lo script registra l'errore Out-of-Bag (OOB) e l'importanza delle variabili.
7. Effettuare previsioni e valutazioni di accuratezza.
   1. Prevedere la classe della comunità vegetale per tutti i pixel nello stack raster e nel dataset di validazione. Esporta la mappa di classificazione come GeoTIFFs (vedi Figura 7, che mostra uno screenshot della console R incluse visualizzazioni grafiche degli output finali; La Figura 7A mostra il prodotto cartografico della comunità vegetale quando si utilizza un dataset di input multispettrale VIs, e la Figura 7B mostra il prodotto cartografico della comunità vegetale quando si utilizza un dataset RGB+DSM).
   2. Calcola la matrice di confusione, l'accuratezza, il punteggio F-1, la precisione e il richiamo sul set di validazione (vedi Figura 8, che mostra gli screenshot R che mostrano le classifiche di performance VI; La Figura 8A mostra uno screenshot della console R e traccia quando si usano i VI multispettrali come dataset di input, mentre la Figura 8B mostra uno screenshot quando si utilizza un dataset RGB+DSM; Le viste della Figura 8A e B includono grafici di importanza variabile chiamati "final_rf"). Per maggiori dettagli su queste metriche, si riferisca all'articolo di Naidu et ^al.77.
8. Riapri il progetto QGIS (creato nello step 2.5.2 e aggiornato 2.5.6 e 3.2.3), aggiungi mappe di classificazione delle comunità vegetali (GeoTIFFs). Salva il progetto QGIS per aggiornare il progetto GIS.
   1. Per condividere e fare il backup di tutti i dataset geospaziali (mappe di rilievo UAV, verità sul campo, VI, mappe di classificazione delle comunità vegetali come progetto GIS), vai nella cartella del sito dello studio, clicca con il tasto destro e seleziona Invia alla cartella compressa (zip) >.
      NOTA: La cartella completa del progetto GIS può costituire un dataset sostanzioso (questo dataset di case study di 40 ha superato i 140 GB). Se necessario, comunica solo i risultati finali e i dataset di accuratezza sul terreno per ridurre la dimensione del file.

Risultati

Il metodo semi-automatizzato per mappare e classificare le comunità vegetali è progettato per generare informazioni accurate sulla copertura del territorio per le zone umide costiere, dominate da piante erbacee eterogenee a bassa crescita e caratterizzate da microtopografia; vedi un esempio di tale habitat nella fotografia della Figura 1. È stato condotto uno studio di caso sulla zona umida costiera boreale del Baltico sull'isola di Hiiumaa, in Estonia. In loco, sono state campionate quattro comunità vegetali per l'addestramento del modello di classificazione: Open Pioneer (OP), Lower Shore (LS), Upper Shore (US) e Tall Grass (TG). La Figura 2 offre una panoramica concisa della metodologia implementata in quattro fasi distinte. Al contrario, la Figura 3 illustra una guida diagrammatica dettagliata che delinea i passaggi numerati e azionabili accoppiati da frecce per rappresentare il flusso dei dati, sintetizzando così la metodologia attraverso i passaggi e le fasi del protocollo. Gli output finali di questo metodo, utilizzando un sensore multispettrale e un sensore RGB, sono mappe multispettrali e basate su comunità vegetali basate su RGB, che vengono memorizzate come strati in un progetto GIS insieme a tutti i dataset intermedi. La qualità dei dataset geospaziali è stata valutata al completamento di ogni fase del protocollo, poiché la qualità degli esiti nelle fasi successive dipende dalla qualità dei risultati delle fasi precedenti, culminando nella fase finale, dove gli input costituiscono l'aggregato di tutti i passaggi precedenti.

Di seguito riassume gli esiti di ciascuna delle quattro fasi del protocollo:

Nella prima fase, il rilievo aereo UAV è stato condotto a un'altitudine di 120 m, ottenendo una Distanza Campione Terrestre (GSD) di circa 10 cm/pixel. Il rilievo aereo ha prodotto immagini multispettrali e RGB. Dopo la cinematica post-elaborazione (PPK), i geotag venivano corretti per ogni immagine del drone e le immagini venivano mosaicate in software professionali di fotogrammetria per produrre mappe di rilievo aereo. L'elaborazione fotogrammetrica di immagini aeree multispettrali ha prodotto file raster di riflettanza RED, GREEN, NIR e Red-edge.

Le immagini aeree multispettrali e RGB venivano elaborate come progetti separati a causa delle risoluzioni intrinsecamente distinte delle fotografie. Vedi la Figura 4 delle impostazioni di mosaico delle immagini RGB. Figura 4A. Opzioni di elaborazione selezionando le tile unite e generando mappe di output unificate e senza soluzione di continuità. Figura 4B. la selezione di calcoli di indice automatici dalle immagini della telecamera RGB ha prodotto quattro mappe raster: una per banda (rosso, verde e blu) e il DSM (Digital Surface Model). Figura 4C. dimostra la generazione di punti di collegamento automatici per far corrispondere pixel comuni tra immagini sovrapposte durante la fase iniziale di elaborazione. Insieme a 3 indici RGB (rosso, verde, blu) e DSM, il software di fotogrammetria generava un raster in scala di grigi generato dal software: una rappresentazione monocromatica a canale singolo che scala e combina le diverse bande (ad esempio rosso, verde, blu), con valori bassi dei pixel che appaiono neri e valori alti che appaiono bianchi. La formulazione di questo indice in scala di grigi è specifica per software e non è standardizzata tra le piattaforme di fotogrammetria.

Il software di fotogrammetria generava rapporti di qualità che descrivevano i risultati di elaborazione per entrambi i progetti di mosaicaggio di immagini aeree: multispettrale e RGB. Questi report forniscono metriche chiave per convalidare l'accuratezza. Gli indicatori di risultati di alta qualità sono il basso errore di riproiezione: più si avvicina a 0, meglio è (qualsiasi valore inferiore a 1,0 è generalmente accettato). Ad esempio, le "linee di corrispondenza" dense indicano corrispondenze forti tra la maggior parte delle immagini. Le mappe di output sono state valutate visivamente e risultano prive di vuoti e altre discrepanze visive. Le discrepanze visive sono un segno di possibili errori di riflettanza e mosaico, oltre a problemi sottostanti di georeferenziazione nella griglia. Il rapporto di fotogrammetria, insieme a manuali software specifici e risorse di formazione, viene utilizzato per identificare il problema, trovare una soluzione e rielaborare immagini aeree.

Le mappe di rilevamento aereo UAV servivano come dataset di base per il ricalcolo di informazioni spettrali complesse in indici standardizzati basati su pixel (cioè, indici di vegetazione VI generati nella terza fase), permettendone l'uso come input strutturati per la classificazione con apprendimento automatico (nella fase finale del protocollo).

Le osservazioni biofisiche in loco sono state raccolte come dataset di accuratezza sul terreno. Nel sito dello studio di caso (zona umida costiera boreale del Baltico), sono state identificate e campionate quattro comunità di piante vascolari chiave: Open Pioneer (OP), Lower Shore (LS), Upper Shore (USA) e Tall Grass (TG). Utilizzando il metodo di campionamento quadrato stratificato delineato nella seconda fase del protocollo, la comunità vegetale OP è stata identificata dalla presenza di specie indicative: Salicornia europaea e Suaeda maritima; LS per percentuali elevate di Glaux maritima e Juncus geradii; USA per specie indicatrice: Festuca rubra e Leontodon autumnalis; mentre TG si distingue per una presenza significativa di erbe alte: Deschampsia cespitosa, Elytrigia repens e Molinia caerulea. Sono stati raccolti almeno 10 campioni quadrati per ogni comunità vegetale. Ogni campione quadrato includeva le seguenti osservazioni biofisiche: composizione delle specie vegetali (%), umidità del suolo (%), altezze della vegetazione in centimetri e posizioni precise delle coordinate quadrate. Queste variabili venivano digitalizzate come dataset tabulato, importate in GIS Project, aggiunte al campione GDSS GNSS data file e salvate come GeoPackage (.gpkg). Un file indipendente dalla piattaforma, contenente osservazioni biofisiche delle comunità vegetali umide e dati precisi delle coordinate campionistiche, ha un duplice scopo: per ulteriori valutazioni e modellazioni ambientali ed ecologiche degli ecosistemi. Soprattutto, per l'esecuzione efficace di questo protocollo, questo file GeoPackage funge da dato di addestramento e validazione del modello nel processo di machine learning delineato nella fase 4. Codifica delle comunità vegetali: OP, LS, US, TG; erano usati come etichette di addestramento nel processo di apprendimento automatico. L'accuratezza (etichette ad alta fedeltà, audit umano, formato coerente) e la struttura (formato pulito, rettangolare (righe/colonne)) sono fondamentali per produrre un dataset di verità sul terreno di alta qualità. Le etichette di verità fondamentale devono avere tassi di errore quasi nulli (ad esempio, refusi) per garantire convenzioni di etichettatura coerenti. Ad esempio, se "OP" è la verità fondamentale, assicurarsi che non venga etichettato in altro modo (come "op", "O.P.") è essenziale per evitare duplicazioni.

Per eseguire la terza fase del protocollo, i dataset del rilievo aereo condotto nella prima fase sono stati utilizzati per ricalcolare i dati grezzi del rilievo aereo in indici di vegetazione (VI). Innanzitutto, per ridurre la dimensione del dataset e snellire il processo di calcolo, i risultati della fotogrammetria sono "ritagliati" per omettere dati di pixel irrilevanti o di bassa qualità al di fuori dei confini del sito di studio (vedi la Figura 5 come illustrazione delle azioni svolte in un software GIS).

Successivamente, sono stati calcolati 19 VI multispettrali utilizzando mappe di riflettanza RED, GREEN, NIR e Red-edge. I seguenti file raster multispettrali VI sono stati generati e inclusi nel progetto GIS: indice Datt 4 (Datt4)⁴¹, Enhanced Vegetation Index (EVI)⁴², Green Chlorophyll Index (GCI)⁴³, Greenness Difference Index (GDI)⁴⁴, Generalized Difference Vegetation Index (GDVI)⁴⁵, Green Infrared Percentage Vegetation Index (GIPVI)⁴⁶, Green Normalized Difference Vegetation Index (GNDVI⁾⁴⁷, Green-Red Difference Index (GRDI⁾⁴⁴, Indice di Vegetazione Verde-Rosso (GRVI⁾⁴⁵, Indice di Vegetazione a Differenza Normalizzata Modificata (mNDVI⁾⁴⁸, Indice di Vegetazione Modificato Regolato^{in Terreno 49} (MSAVI: vedi Figura 6. Uno screenshot di un calcolatore raster in software GIS con input di formula MSAVI), Rapporto Semplice Modificato con bordo rosso (MSRred_edge)⁵⁰, Indice d'Acqua Differenziale Normalizzato (NDWI)⁵¹, Indice di Vegetazione Differenziale Normalizzato (NDVI52), NDVI con Margine Rosso (NDVIre⁾⁴⁷, Indice di Vegetazione Triangolata a Bordi Rossi (RTVIcore^{) 50}, Indice di Vegetazione Adattata al Suolo (SAVI^{) 53,54}, Rapporto Semplice (SR) ⁵⁵, Rapporto Semplice Red-Edge (SRre^{) 47}.

Inoltre, un totale di 23 VI basati su RGB sono stati calcolati e salvati come file raster nel progetto GIS per ulteriori analisi spaziali: Indice del Rapporto Blu–Verde (BGRI⁾⁵⁷, Indice di Luminosità (BI)⁵⁸, Indice di Vegetazione a Gamma Dinamica Blu (BRVI⁾⁵⁹, Indice di Colore della Vegetazione (CIVE⁾⁶⁰, Indice di Vegetazione Verde Potenziato (EGVI⁾⁶¹, Indice Vegetazione Potenziato (ERVI⁾⁶², Eccesso degli indici Verdi ExG ed^{ExGI 63}, Indice di combinazione (COM)⁶⁴, Coordinate Cromatiche Verdi (GCC^)34,65, Indice Foglia Verde (GLI⁾⁶⁶, Indice di Vegetazione Verde-Rosso (GRVI⁾⁶⁷, Indice di Vegetazione Verde Rosso Modificato (MGRVI⁾⁶⁸, Indice di Differenza Verde-Blu Normalizzato (NGBDI⁾⁶⁹, Indice Normalizzato Verde-Rosso Differenza (NGRDI⁾⁶⁹, Indice Rapporto Rosso–Verde–Blu e Indice di Vegetazione Rosso-Verde-Blu (RGBRI⁷⁰ e RGBVI⁶⁸), Indice di Rapporto Rosso-Verde (RGRI⁾⁵⁷, Indice di Vegetazione Regolabile del Suolo Visibile (SAVI⁾⁵³, Indice di Verdezza Triangolare (TGI⁾⁶⁹, Indice Visibile di Resistenza Atmosferica (VARI⁾⁴⁷, Indice Vegetativo (VEG⁾⁷¹, Indice di Woebbecke (WI⁾⁶³.

I risultati finali includono due mappe separate di classificazione delle comunità vegetali multispettrali e RGB salvate come GeoTIFF all'interno del progetto GIS, insieme a tutti i dati geospaziali precedenti. 19 VI multispettrali, insieme al dataset ground-truth, sono stati utilizzati come predittori a livello di pixel in un flusso di lavoro di apprendimento automatico (ad esempio, algoritmo RF) per classificare le comunità vegetali costiere boreali (OP, LS, US, TG) e generare una mappa multispettrale delle comunità vegetali. E predittori basati su RGB (25 RGB VI, indice in scala di grigi e⁵⁶ indici normalizzati di rosso, blu, verde e DSM), insieme al dataset di accuratezza sul terreno, per classificare e generare una mappa delle comunità vegetali basata su RGB (vedi Figura 7. I risultati finali erano tracciati nella console R; La Figura 7A rappresenta il multispettro, e la Figura 7B rappresenta le mappe delle comunità vegetali basate sull'RGB).

Per generare output finali, l'ambiente R (fase 4 del protocollo) veniva utilizzato per scrivere e eseguire il flusso di lavoro di machine learning (ad esempio, algoritmo RF), permettendo la visualizzazione di output intermedi, come le classifiche di performance dell'indice di vegetazione (VI) (Figura 8). Durante la mappatura e classificazione delle comunità vegetali, la console R forniva messaggi di errore e spiegazioni in tempo reale, facilitando la risoluzione dei problemi e garantendo una progressione fluida in ogni fase.

Questo studio ha valutato due modelli di algoritmi RF per mappe di classificazione delle comunità vegetali. Il primo modello RF, utilizzando i multispettrali VI come dataset di input, ha raggiunto una precisione del 92,34% con un punteggio F1 di 0,915 nel dataset di validazione. Questo è un risultato valido, poiché i punteggi F1 variano da 0 (peggiore) a 1 (perfetto), con punteggi più alti che indicano prestazioni superiori. Il punteggio F1 in un modello RF rappresenta la media armonica di precisione e richiamo. Questa metrica bilancia efficacemente falsi positivi e negativi, cioè non permette che un tipo di errore superi l'altro, cosa essenziale per i dataset squilibrati, e viene spesso mediata tra classi o riportata per classe per valutare la performance complessiva^{del modello 78,79}. Il tasso di errore OOB del modello multispettrale era del 7,75%, indicando un rischio moderato di classificazione errate. I punteggi F1 a livello di classe nel dataset di validazione variavano da 0,845 in TG a 0,984 nelle comunità di piante OP, indicando una variabilità moderata nelle prestazioni tra le comunità.

Il secondo modello RF valutato si basava su VI e DSM derivati dal rilevamento aereo RGB, raggiungendo una precisione del 98,89% con un punteggio complessivo F1 di 0,987. Il suo tasso di errore OOB era solo dell'1,14%, riflettendo un'affidabilità molto elevata. I punteggi F1 a livello di classe sono stati costantemente alti (0,986–0,993), indicando una classificazione solida per tutte le comunità.

Il grafico a importanza variabile in R (Figura 8A) ha dimostrato le capacità predittive di ciascun VI per le comunità vegetali delle zone umide costiere boreali. I VI multispettrali più influenti come predittori sono stati mNDVI e SR, che indicano una forte sensibilità al verde e alla biomassa della chioma. Analogamente, anche GRDI, NDVIre e SRre sono stati altamente classificati, riflettendo il ruolo degli indici di differenza a bordo rosso e normalizzato nella distinzione dei tipi di vegetazione. Al contrario, l'indice basato su RGB e il grafico di importanza variabile DSM mostrano che il modello di altezza strutturale derivato dal DSM come predittore è un fattore chiave dell'accuratezza della classificazione (Figura 8B). Altri predittori importanti includono TGI, scala di grigi e VARI, che sfruttano la variabilità della riflettanza RGB. Pertanto, questi risultati indicano che il DSM e gli indici derivati dall'RGB migliorano significativamente l'affidabilità della classificazione e riducono il rischio di classificazione errata.

L'intero dataset geospaziale è stato salvato come GIS Project, una cartella che includeva mappe raster UAV survey e VI, il GeoPackage di osservazione biofisica (verità sul terreno) e mappe delle comunità vegetali; tutti collegati come un progetto QGIS (file .qgz). Il progetto è adatto all'uso offline e consente l'interoperabilità tra piattaforme GIS.

Figura 1: Sito di studio. Fotografia con una spilla di posizione sulla mappa globale, che indica l'isola di Hiiumaa nell'arcipelago estone occidentale. Il sito di studio, Kõrgessaare rannaniit, si trova nel villaggio di Viscosa ed è un'area di conservazione naturale. Tipo di habitat: prato costiero boreale baltico (codice Natura 2000 1630). Clicca qui per visualizzare una versione più grande di questa figura.

Figura 2: Diagramma concettuale del flusso di lavoro. (1) indagine aerea basata su UAV, (2) raccolta e georeferenziamento dei dati di accuratezza del campo, (3) calcolo dell'indice di vegetazione e (4) classificazione supervisionata utilizzando Random Forest in R. Le mappe reali dell'implementazione del protocollo illustrano questo metodo in quattro fasi. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 3: Diagramma dettagliato del flusso di lavoro. Il diagramma elenca le 4 fasi (e i passaggi chiave) del protocollo in pannelli di colori diversi, insieme ai dataset generati in ogni fase. Gli arrors simboleggiano il flusso dei dati. Il colore blu distingue il dataset multispettrale dal RGB in rosso. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 4: Esempio di software di fotogrammetria. (A–C) Uno screenshot di un progetto di mosaico di immagini RGB: (A) Opzioni di elaborazione per DSM e ortomosaici. (B) Opzioni di elaborazione per indici rossi, verdi e blu. (C) Vista del progresso dell'elaborazione, incluse immagini aeree e angolazioni di telecamera. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 5. Ritaglio dei file raster di mappe in software GIS. Screenshot di uno spazio di lavoro QGIS con strati visibili e schede aperte in sequenza che dimostrano come tagliare dati non necessari: raster-extraction-clip raster per Extent ("extent" in questo caso si riferisce a una forma poligonale disegnata come desiderato e usata per mascherare i pixel che esce dai suoi confini) Clicca qui per visualizzare una versione più grande di questa figura.

Figura 6. Screenshot del software GIS Raster Calculator. Formula di input per la formula dell'indice di vegetazione modificato e adattato al suolo (MSAVI) come esempio. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 7. Ambiente di calcolo statistico per screenshot di versioni R che dimostrano i risultati finali tracciati nella console R (RStudio). (A) mappe delle comunità vegetali multispettrali e (B) basate su RGB. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 8. Ambiente di calcolo statistico per screenshot R che dimostrano le classifiche di performance VI. (A, B) Viste di una console R: (A) Screenshot quando si usano i VI multispettrali come dataset di input, e (B) Screenshot quando si utilizza un dataset RGB+DSM. Entrambe le viste (A e B) includono grafici di importanza variabile chiamati "final_rf" (nome dell'oggetto generato dallo script). Clicca qui per visualizzare una versione più grande di questa figura.

Fascicolo supplementare 1: Equazioni dell'indice della vegetazione. Elenco delle equazioni multispettrali e dell'indice di vegetazione (VI) basate su RGB utilizzate in questo protocollo, incluse formule per la normalizzazione della banda RGB prima del calcolo RGB VI. Clicca qui per scaricare questo file.

Supplementare File 2: Script di classificazione e validazione RF. Clicca qui per scaricare questo file.

Discussione

I passaggi critici del protocollo sono nella fase 1, l'indagine sugli UAV, e nella fase 2, il lavoro sul campo, dove vengono raccolte osservazioni biofisiche e compilato il dataset di verità sul campo. Entrambi dipendono dal tempo e devono essere eseguiti in prossimità reciproca. E entrambi devono fornire dataset geospaziali con alta precisione di coordinate (per lo studio di caso è stata raggiunta una precisione di 1–3 cm). Il successo dei calcoli dell'indice di vegetazione e del processo di apprendimento automatico dipende direttamente dalla qualità dei dati dell'UAV Survey e dalla verità sul terreno. I passaggi cruciali per raggiungere l'accuratezza della mappa UAV sono descritti nel passo 1.4, Procedura post-volo. Se il post-processing/geotagging delle immagini utilizza dati RINEX non accessibili, un'alternativa è utilizzare una stazione base RTK in tempo reale, che fornisce segnali di correzione GNSS in tempo reale al drone durante il volo (vedi un esempio nell'articolo video Movchan et ^al.37 con un esempio per le istruzioni di configurazione).

Prima della raccolta dei dati, il sito di studio dovrebbe essere visitato per acquisire conoscenze esperienziali del paesaggio, identificare le comunità vegetali di interesse e determinare quali osservazioni biofisiche possano essere raccolte in modo plausibile sul posto per descrivere la composizione delle comunità vegetali. Poiché ogni luogo di studio presenta caratteristiche paesaggistiche e flora distinte modellate dalla sua zona climatica, l'identificazione delle specie vegetali è essenziale per una mappatura accurata della copertura del territorio, poiché tratti biochimici, strutturali e fisiologici specifici per specie producono firme di riflettanza spettrale uniche. Per ogni quadrato campionamento, le coordinate dovrebbero essere registrate in tutti e quattro gli angoli utilizzando apparecchiature GNSS/RTK e software di rilevamento del territorio, inserendo e salvando il codice di identificazione del quadrato. Tutte le osservazioni biofisiche aggiuntive o i campioni raccolti all'interno del quadrato devono essere collegati a queste coordinate in modo che ogni misurazione sia ancorata al dataset geospaziale e possa essere compilata in un formato uniforme e tabulato per la classificazione delle comunità vegetali e le successive analisi statistiche o modellizzazione ecologica. I quadrati campionati sono etichettati come punti di addestramento, con nomi/codici di comunità allegati (ad esempio, in questo set di addestramento erano OP, LS, US e TG). Random Forest (RF) poi apprende i pattern di pixel associati a ciascuna etichetta. Il risultato finale della classificazione RF è una mappa che mostra la distribuzione delle etichette delle comunità vegetali nel sito di studio, basata su campioni di addestramento quadrati forniti durante il lavoro sul campo.

Le Fasi 3 (calcoli dell'indice di vegetazione) e 4 (classificazione supervisionata in R usando Foresta Casuale) sono interdipendenti e altamente modificabili. Ad esempio, il Fascicolo Supplementare 1 elenca 19 formule matematiche per calcolare indici da bande multispettrali e 23 formule per il ricalcolo dei dati di rilevamento aereo RGB. Tuttavia, poiché i VI vengono formulati dai ricercatori, le equazioni sono open source e pubblicate in articoli peer-reviewed e database di indici^{spettrali 80}. Un numero maggiore (di quello fornito) di formule è disponibile per i test nel processo di machine learning per classificare le mappe delle comunità vegetali. Le modifiche ai dataset influenzeranno le prestazioni dell'algoritmo. I VI possono essere aggiunti o omessi nei modelli di test. La disponibilità di due mappe finali delle comunità vegetali, derivate da dataset multispettrali e basati su RGB, offre l'opportunità di confrontare le prestazioni dei modelli. Il modello RGB ha raggiunto il 98,89%, ma ciò non significa necessariamente che il sensore sia superiore al sensore multispettrale, che ha ottenuto un punteggio più basso. I dati basati su RGB si basano su colore e altezza, il che può essere efficiente per classificare le mappe di copertura del territorio di habitat strutturalmente^{diversificati 9,33}. Al contrario, le immagini multispettrali forniscono maggiori informazioni sulla fisiologia delle piante, non solo sull'aspetto, e possono essere superiori nel distinguere tipi di vegetazione con colori e resistenza all'ombra simili (ad esempio, la luce NIR, che le piante riflettono fortemente, può essere catturata anche quando sono parzialmente^{ombreggiate 81}). L'uso esclusivo di sensori RGB è limitato dal loro ristretto intervallo spettrale (rosso, verde, blu), poiché sottili differenze biochimiche e fisiologiche (ad esempio, contenuto di clorofilla e stress idrico) potrebbero non essere rilevabili senza bande NIR, red-edge o iperspettrali.

Le principali limitazioni del metodo possono includere il costoso sistema UAV e la fotogrammetria dimostrata. Tuttavia, il metodo è progettato in modo che, per replicare questo protocollo, un sensore multispettrale e una telecamera RGB possano essere usati in modo intercambiabile. Per implementare questo protocollo, è stato utilizzato il sistema UAV ad ala fissa eBee X dotato di sensore multispettrale e RGB (Sequoia) e il software di gestione del volo eMotion; tuttavia, altri sistemi UAV possono riprodurre il protocollo fornito se includono un sensore multispettrale e/o una telecamera RGB, una funzione di pianificazione della missione nel software di gestione del volo, un orientamento della camera a 90 gradi a nadir e un registro di volo accessibile dall'utente per il geotagging post-volo oppure una capacità RTK per registrare coordinate precise dell'immagine durante il volo. Inoltre, i non piloti possono subappaltare rilievi UAV se il pilota contrattuato soddisfa tutti i requisiti legali e operativi, una pratica comune nella ricerca, nella conservazione e nel monitoraggio ambientale; Tuttavia, il team di ricerca rimane responsabile della progettazione fondamentale della missione, inclusa la definizione del sito di studio e la determinazione dei tempi del sondaggio. Pertanto, anche per i piloti non UAV, si raccomanda familiarizzare con la prima fase del protocollo. Inoltre, il software di fotogrammetria dimostrato può essere utilizzato per implementare con successo il protocollo, oppure può essere concesso in licenza per un breve periodo per ridurre i costi.

Un vantaggio notevole di questo protocollo è la sua compatibilità sia con telecamere UAV multispettrali che standard RGB. Può essere adottata da team di ricerca e operatori della conservazione con budget limitati ed è scalabile tra regioni e istituzioni, rendendola adatta al monitoraggio a lungo termine. Questa indipendenza hardware garantisce che il flusso di lavoro rimanga a prova di futuro e indipendente dall'hardware. Poiché possono essere utilizzati sia dati RGB che multispettrali, il flusso di lavoro supporta confronti tra più siti, serie temporali a lungo termine—anche quando le apparecchiature cambiano—e l'integrazione di dataset RGB legacy (storici).

Futuri miglioramenti a questo protocollo potrebbero incorporare metriche di texture derivate da immagini ad alta risoluzione per catturare meglio le differenze strutturali nella vegetazione. In questo contesto, esplorare ensemble di modelli RF che combinino immagini RGB e multispettrali può migliorare l'accuratezza della classificazione. Inoltre, future raccomandazioni per ampliare le mappe delle comunità vegetali derivate da UAV in immagini satellitari e per abbinare questo approccio a piattaforme cloud consentirebbero la modellazione su larga scala^{dell'ecosistema 82}. Sebbene i dati UAV rimangano essenziali per catturare i dettagli strutturali e spettrali in scala centimetrica necessari per una mappatura accurata a livello di comunità, le immagini satellitari potrebbero fungere da ulteriore strato predittivo o come input contestuale più ampio. Incorporare variabili derivate dai satelliti nel modello RF potrebbe migliorare la sua capacità di generalizzare su estensioni spaziali più ampie e supportare valutazioni dell'habitat su scala multipla. Questo approccio ibrido permetterebbe di inserire le mappe comunitarie basate su UAV in una prospettiva più ampia del paesaggio, consentendo al metodo di rilevare modelli regionali, dare priorità alle posizioni di rilevamento UAV e rafforzare i quadri di monitoraggio a lungo termine. Esplorare come i dati satellitari possano essere armonizzati con gli input UAV all'interno della pipeline RF rappresenta un'opportunità di ricerca per espandere la scalabilità e l'utilità operativa del protocollo.

Integrare immagini UAV, rilievi sul campo, indici di vegetazione e classificazione assistita dall'IA in un unico flusso di lavoro riproducibile è essenziale, poiché fornisce i dettagli spaziali, spettrali ed ecologici necessari per una mappatura accurata della vegetazione a bassa quota. Il telerilevamento basato su UAV ha attirato sempre più attenzione nella comunità scientifica ed è rapidamente evoluto in uno strumento ampiamente utilizzato per applicazioni diverse, in particolare nel monitoraggio dell'ambiente^{costiero 83}. Questo metodo fornisce una guida pratica a un flusso di lavoro basato su UAV, assistito da machine learning, per l'educazione e la ricerca, volto a supportare il ripristino ecologico e il monitoraggio delle praterie naturali o semi-naturali negli ecosistemi costieri.

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
eBee X	senseFly/AgEagle	eBee X, https://www.sensefly.com/drones/ebee-x/	Il sistema UAV eBee X è un drone professionale a velatura fissa per la mappatura. Può essere utilizzato un sistema alternativo di drone per la mappatura
eMotion	senseFly/AgEagle	https://www.sensefly.com/drone-software/emotion/	Utilizzato per pianificare missioni di volo dei droni e gestire i dati aerei. Il software eMotion è una parte complementare del sistema del drone eBeeX
Hard disk esterno	Qualsiasi fornitore	NA	La dimensione dipende dalla dimensione dell'area di studio e del progetto (250 GB - 1TB)
Portatile per lavoro sul campo	Qualsiasi fornitore	NA	Una macchina portatile e capace adatta per le operazioni sul campo e l'esecuzione della gestione dei voli dei droni (in base alle specifiche eMotion:  64-bit Windows 10/11; Intel Core i5/i7 (12th Gen+) o AMD Ryzen 5/7 (>3.5 GHz) - Le alte frequenze di clock sono più importanti del numero di core; 16 GB minimo (32 GB+ Altamente raccomandato); Mid-range NVIDIA GTX/RTX (ad esempio, RTX 3060/4060); NVMe SSD (Obbligatorio).
Sistema GNSS/RTK Trimble	Trimble Inc.	Modello  R10	Ha un ricevitore con software di rilevamento terrestre e batterie di ricambio. Possono essere utilizzati anche sistemi GNSS/RTK alternativi.
Forbici per erba	Qualsiasi fornitore	NA	campionamento della biomassa (opzionale)
Pix4Dmapper	Pix4D	https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/	Software di fotogrammetria: Pix4Dmapper è disponibile per licenza su base mensile o annuale. Può essere utilizzato un software di fotogrammetria alternativo per implementare questo protocollo.
Guida all'identificazione delle piante	Qualsiasi fornitore	NA	Utilizzato per condurre osservazioni biofisiche (online, libro o stampe di guide di identificazione delle piante locali)
QGIS	QGIS	3.44.9 Solothurn	Un software GIS gratuito e open-source, disponibile su https://qgis.org/, può essere utilizzato un software GIS alternativo per implementare questo protocollo
Quadrato di 1 m x 1 m	Qualsiasi fornitore	NA	Da utilizzare nella fase 2 per il lavoro sul campo/campionamento, cioè per condurre osservazioni biofisiche, può essere autoprodotto
R	R-Software Services	versione 4.2.0, https://cran.r-project.org	Un ambiente di modellazione predittiva open-source scaricabile ampiamente utilizzato per calcoli statistici e grafici, analisi dei dati e modellazione predittiva.
RStudio	R-Software Services	versione 2024.4.0.735, https//posit.co/download/rstudio/
Rtools	R-Software Services	https://cran.r-project.org/bin/windows/Rtools/	Poiché alcuni pacchetti potrebbero richiedere la compilazione dal sorgente. Pacchetti chiave utilizzati: 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 e randomForest 4.7 1.1.
Bilancia (a batteria, livellata, precisione ±1 g)	Qualsiasi fornitore	NA	Durevole per il lavoro sul campo
Sequoia	Parrot SA	Parrot SEQUOIA+	È un sensore multispettrale/RGB, da utilizzare nella fase 1. Sensore RGB e/o multispettrale (molti droni professionali includono uno o entrambi i sensori). Per implementare questo protocollo viene utilizzato Parrot SEQUOIA+ (azienda Parrot SA)
Lettore di umidità del suolo	Qualsiasi fornitore	NA
App meteo per previsioni UAV	Qualsiasi fornitore	NA	Per pianificare i voli utilizzato https://www.uavforecast.com/
Kit sensore WET	Delta T Devices	WET-UM-1.6	Sensore di umidità del suolo (opzionale)
Stazione di lavoro	Qualsiasi fornitore	NA	Specifiche ottimali necessarie per l'elaborazione agevole dei progetti di fotogrammetria e l'apprendimento automatico in R (specifiche basate sui requisiti software di Pix4Dmapper: Windows 10/11, 64 bit; CPU quad-core o hexa-core Intel i9/Threadripper/Ryzen 9/; GPU GeForce GTX compatibile con OpenGL 3.2 e 2 GB di RAM; Disco rigido: SSD; Progetti di grandi dimensioni (oltre 500- 1000 immagini a 14 MP): 32 GB di RAM, 60 GB di spazio libero su SSD.