Raccolta ed elaborazione di dati telerilevati basati su droni da utilizzare nel monitoraggio del recupero forestale
24 ottobre 2025
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.
La nostra ricerca mira a facilitare l'uso del LiDAR basato su droni nella valutazione del recupero forestale attraverso lo sviluppo di un protocollo facile da usare. Gli sviluppi recenti che rendono possibile questo lavoro includono l'avanzamento della tecnologia dei sensori LiDAR e l'integrazione con modelli di deep loaning. Per cominciare, controlla l'apparecchiatura RPAS e aggiorna il firmware se necessario.
Installa la stazione base RTK in un'area libera, lontana dagli ostacoli e dalla linea degli alberi. Aspetta che la stazione base sia completamente accesa prima di iniziare il volo con il drone. Crea un file di volo per ogni missione e caricalo sul telecomando.
Ora, effettuare missioni di volo per raccogliere dati LiDAR e multispettrali sull'area di interesse. Installare una stazione base GNSS sopra la posizione della stazione base del RPAS e far girare la stazione base per ottenere coordinate accurate e una correzione precisa della posizione puntuale. Usa un lettore di schede per trasferire i dati LiDAR e multispettrali raccolti dai sensori a una workstation.
Utilizzare software di fotogrammetria per pre-elaborare i dati multispettrali ed eseguire correzioni geometriche e radiometriche. Genera un ortomosaico multispettrale. Utilizzare il software appropriato per ricostruire i dati grezzi LiDAR in un file point cloud.
Usa uno strumento geospaziale per allineare la nube di punti LiDAR con l'ortomosaico multispettrale. Esegui uno script Python per unire il point cloud LiDAR allineato con l'ortomosaico multispettrale per generare un point cloud multispettrale. Scarica CloudCompare, il software di cloud per punti tridimensionali, e installalo.
Poi, scarica l'installer del plugin TreeAIBox versione 1 da GitHub, esegui l'installatore e segui le indicazioni a schermo. Apri CloudCompare dall'icona del desktop, oppure selezionando Start, seguito da Tutti i Programmi e CloudCompare. Carica il file point cloud usando Apri uno o più file e clicca su Applica.
Se le coordinate puntuali sono grandi, accetta il prompt per applicare uno spostamento o una scala globale. Seleziona Input, che legge i metadati dal file, e clicca su Sì così la nuvola di punti appare nella tela. Apri la barra dei plugin Python.
Espandi il menu a tendina Script Register e clicca su TreeAIBox per aprire l'interfaccia grafica del plugin. Assicurati che la casella di spunta Usa GPU sia selezionata se è disponibile un'unità di elaborazione grafica supportata dall'Architettura Unificata dei Dispositivi di Calcolo. Dal pannello superiore, seleziona TreeFiltering e scegli ALS se i rami dell'albero non sono visibili nei dati RPAS.
Ora, svuota la casella per la dimensione delle tesselle. Dal menu a tendina dei modelli predefiniti, seleziona treefiltering_als_esegformer. Se usi questo modello per la prima volta, clicca su Download e conferma il popup che mostra il percorso locale.
Seleziona la nuvola di punti nella tela in modo che venga evidenziata con una riquadratura delimitante. Nel pannello TreeFilter, clicca su Applica. Conferma che sia stata creata una nuova scala o campo chiamato TreeFilter con valore 2 per i punti albero in rosso e valore 1 per gli altri punti in blu prima di procedere.
Dal pannello superiore di TreeAIBox, seleziona TreeisoNet. Abilita Reclamation, ALS stem implicit e Treeloc. Dal menu a tendina, scegli il modello pre-addestrato richiesto.
Assicurati che la nuvola di punti nella tela sia selezionata, poi clicca su Applica. Dopo l'elaborazione, conferma che un nuovo elemento chiamato Treetops appare sotto la nuvola di punti originale nella finestra dell'albero del DB. Seleziona questo elemento e aumenta la dimensione dei punti, ad esempio a 16, per una migliore visibilità, e verifica che le posizioni delle cime degli alberi appaiono come punti bianchi nella tela.
Per segmentare le chiome degli alberi, seleziona di nuovo l'oggetto tree point cloud. Dal pannello superiore di TreeAIBox, seleziona TreeisoNet e abilita TreeOff. Scarica il modello pre-addestrato richiesto e poi clicca su Applica per eseguire il modello.
Successivamente, conferma che sia stata creata una nuova scala o campo chiamato TreeOff. Verifica che a ciascun albero sia assegnato un identificatore univoco con punti dallo stesso albero che condividono lo stesso identificatore. Opzionalmente, reimposta la dimensione del punto della cima dell'albero a Default per ridurre il disordine visivo.
Per migliorare il contrasto visivo e randomizzare i colori dell'albero tramite identificatore, clona la nuvola di punti originale per preservare i dati selezionando Modifica e Clona. Poi, vai su Modifica, seguito da Campi Scalari e Converti in RGB casuale. Inserisci un valore grande per assicurarti colori discreti e clicca su OK. Osserva la nuvola di punti che mostra gli alberi in colori casuali.
Infine, dal pannello superiore di TreeAIBox, seleziona TreeisoNet e clicca su Esporta statistiche per esportare i risultati della segmentazione. Poi, clicca su Apri percorso di output per visualizzare il file esportato nella cartella Risultati. Conferma che l'output sia un file valori separati da virgola contenente identificatori di albero, coordinate, altezza dell'albero e area della corona.
Il plugin TreeAIBox ha filtrato con successo i punti dell'albero e delineato i singoli alberi su tutti e tre i siti, rilevando in totale 2.755 alberi individuali. Il modello ha identificato 1.706 alberi sul Sito 1, 882 alberi sul Sito 2 e 167 alberi sul Sito 3. Il tasso di rilevamento degli alberi di riferimento variava tra i siti, con il 100% rilevato per il sito 2, il 95% per il sito 1 e il 21% per il sito 3.
Il modello ha raggiunto un tasso di rilevamento del 100% per tutti gli alberi di riferimento alti oltre un metro. Le prestazioni di rilevamento sono diminuite per gli alberi più bassi, con solo il 45% degli alberi tra 0,5 e 1 metro rilevato e nessuno degli alberi sotto 0,5 metro identificato. Questo protocollo mira a colmare la lacuna di ricerca nella rilevazione e segmentazione dei singoli alberi per alberi giovani in ambienti boschivi complessi.
Questo protocollo offre un metodo pratico, efficace, facile da usare e versatile per estrarre le singole metriche degli alberi dai dati LiDAR. Il nostro protocollo favorirà il recupero e il monitoraggio delle foreste ed è particolarmente utile per valutare la dimensione dei pozzi di arrampicata ricreativa, riducendo tempi e costi di rilievo sui lotti.
Panoramica
Questo studio presenta un protocollo facile da usare per l'utilizzo della tecnologia LiDAR basata su drone nelle valutazioni di recupero forestale. Integrando tecnologia avanzata dei sensori e modelli di apprendimento profondo, il protocollo migliora l'efficienza del monitoraggio del recupero forestale dopo i disturbi.
Componenti chiave dello studio
Area di scienza
- Telerilevamento
- Ecologia forestale
- Intelligenza artificiale
Sfondo
- I recenti progressi nei sistemi di velivoli pilotati a distanza (RPAS) consentono un monitoraggio ad alta risoluzione.
- L'integrazione dell'IA fornisce approfondimenti più profondi da grandi set di dati.
- Una valutazione e gestione efficaci delle terre forestali in recupero è cruciale.
- I metodi esistenti spesso mancano di efficienza e facilità d'uso.
Obiettivo dello studio
- Sviluppare un protocollo pratico per il LiDAR basato su drone nella valutazione del recupero forestale.
- Affrontare il divario di ricerca nel rilevamento e nella segmentazione degli alberi individuali.
- Ridurre i tempi e i costi associati alle indagini tradizionali delle parcelle.
Metodi utilizzati
- Configurazione di RPAS e stazione base RTK per una raccolta dati accurata.
- Raccolta di dati LiDAR e multispettrali su aree designate.
- Utilizzo di software di fotogrammetria per il pre-processing e le correzioni dei dati.
- Applicazione del plugin TreeAIBox per il rilevamento e la segmentazione degli alberi.
Risultati principali
- Un totale di 2.755 alberi individuali sono stati rilevati in tre siti.
- I tassi di rilevamento variavano, con il 100% per il Sito 2 e il 21% per il Sito 3.
- Il protocollo ha identificato con successo alberi più alti di un metro con elevata precisione.
- Offre un metodo versatile per estrarre metriche individuali degli alberi dai dati LiDAR.
Conclusioni
- Questo protocollo migliora il monitoraggio e la valutazione del recupero forestale.
- È efficace per alberi giovani in ambienti forestali complessi.
- Il metodo è facile da usare e riduce la necessità di estesi sopralluoghi sul campo.
Domande frequenti
Executive Industry Relevance
Automated drone-based LiDAR and multispectral data integration, combined with deep learning segmentation, enables scalable, high-resolution monitoring of forest recovery on reclaimed sites. This protocol addresses the need for efficient, reproducible, and quantitative assessment of vegetation structure, supporting data-driven decision-making in ecological restoration and land management. The approach reduces manual survey burden and enhances predictive confidence in ecosystem recovery metrics relevant to environmental portfolios.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables quantitative hypothesis testing of vegetation recovery dynamics using spatially explicit tree metrics.
- Supports mechanistic de-risking by clarifying the relationship between site treatments and ecological outcomes.
- Facilitates functional validation of restoration targets through objective, high-throughput data collection.
Screening & Assay Development
- Prepares validated geospatial datasets for downstream ecological modeling and comparative analysis.
- Standardizes data acquisition and processing workflows, improving reproducibility across sites and timepoints.
- Generates quantitative outputs (tree height, crown area, coordinates) suitable for scalable screening of restoration interventions.
Translational & Preclinical Research
- Aligns remote sensing outputs with field-based ecological indicators, supporting translational continuity in restoration monitoring.
- Enables risk-adjusted advancement of reclamation strategies based on robust, site-specific recovery metrics.
- Provides predictive de-risking for ecosystem recovery trajectories using objective, spatially resolved data.
Pipeline & Workflow Integration
This protocol integrates into the ecological monitoring continuum from early site assessment through longitudinal recovery tracking and intervention evaluation.
- Discovery Biology: Supports hypothesis-driven analysis of vegetation structure and recovery patterns using high-resolution, multi-modal data.
- Screening: Delivers reproducible, quantitative tree metrics for comparative evaluation of restoration approaches.
- Analytics: Outputs CSV files with tree identifiers, coordinates, height, and crown area for statistical analysis and cross-site benchmarking.
- Translational Research: Bridges remote sensing data with field validation, enabling consistent monitoring across diverse landscapes.
- Enterprise Reuse: Establishes a scalable, adaptable workflow for ongoing ecological monitoring and restoration assessment.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in ecosystem recovery and reduces ambiguity in restoration outcomes.
- Operational Value: Streamlines data collection, processing, and analysis for large-scale, multi-site monitoring.
- Strategic Value: Informs go/no-go decisions for reclamation investments and supports efficient resource allocation.
- Portfolio Impact: Enables risk-adjusted prioritization of restoration projects based on quantitative recovery metrics.
Implementation Considerations
- Requires expertise in remote sensing, geospatial analysis, and deep learning model operation.
- Needs access to RPAS platforms, LiDAR and multispectral sensors, and compatible processing software.
- Demands standardized workflows for data alignment, merging, and segmentation across teams.
- Adaptation may be necessary for different forest types, sensor configurations, or site conditions.
- Detection sensitivity is limited for trees below 1 meter in height, impacting monitoring of early-stage recovery.
