方法論記事

ドローンおよび地上データを用いて北方沿岸湿地植物群集のマッピングと分類を行う半自動化手法

DOI：

10.3791/70523

⸱

2026年6月22日

 ,  ,  ,  ,  ,  , 
1Institute of Agriculture and Environmental Sciences, Estonian University of Life Sciences

この記事について

サマリー

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

このプロトコルは、無人航空機(UAV)調査、地上情報収集、植生指数計算、沿岸湿地植物群落のAI支援分類とマッピングの4つの統合フェーズで構成されています。その結果、沿岸湿地の生息地保全と管理における生態学、環境モニタリング、意思決定への応用を支援する多層的な地理空間データセットが誕生しました。

要約

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

半自動化された植物群集マッピングは、従来の生態学的調査と現代のAI支援生態系モニタリングとのギャップを埋め、これまで達成不可能だった規模と速度での現地調査とモニタリングを可能にします。低生の草本植物が優勢な沿岸湿地では、より高い空間分解能とタイミングの柔軟性を得るために、ドローンを用いた無人航空機(UAV)による写真測量が必要です。このプロトコルは、UAVベースの航空調査、地上情報収集とジオリファレンシング、植生指数計算、そしてRのランダムフォレスト(RF)アルゴリズムを用いた教師あり分類(すなわち、機械学習による分類による植物群落分布のAI支援半自動マッピング)の4つのフェーズで構成されています。主なRパッケージにはterra、sp、sf、rgdal、raster、rsample、MLmetrics、randomForestなどがあります。第2段階では、伝統的な生態調査手法である層別クアドラット地表サンプリングに重点が置かれています。 地盤サンプリングは地付けの役割を果たし、最終的な地図製品の正確性と信頼性を確保するための実証的証拠を提供します。広く使われているUAV搭載センサータイプ2種類、マルチスペクトルセンサーとRGBカメラがテストされ、19の多波長インデックスと27のRGBベースのインデックス、さらにRGB由来のデジタルサーフェスモデル(DSM)が実現されました。バルト海沿岸湿地のケーススタディサイトで植物群落をマッピングし、以下のアルゴリズム性能結果が得られました。マルチスペクトルデータセットを用いて、モデルは全体の精度92.3%を達成し、アウトオブバッグ誤差(OOB)は7.75%でした。これに対し、RGBデータセットは98%を超える精度を達成し、OOB誤差は1.14%でした。これらの結果は、両方のセンサータイプの適合性を裏付けています。プロトコルの各フェーズではジオリファレンスされたデータセットが生成されます。これらは生物物理学的フィールド観測を埋め込んだ層状地理情報システム(GIS)プロジェクトにまとめられ、影響や変化を予測する生態学的モデリングなどの複雑な生態系研究の基盤となります。実際には、このGISプロジェクトは土地被覆と支援管理、環境修復計画、監視の歴史的記録として機能します。

概要

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

このプロトコルの目的は、ドローンベースの写真測量(すなわち無人航空機(UAV)ベースの写真測量と現地の生物物理学的観測を組み合わせて、沿岸湿地植物群落分布マップを作成するための実用的な段階的なワークフローを提供することです。最終的な出力である土地被覆マップは、半自動化された機械学習プロセス(ランダムフォレスト[RF]アルゴリズム)によって作成されます。

植物群集マップは、複雑な植生パターンを空間的に明示的かつピクセル単位で生息地構造の表現に変換するため、湿地生態学モデルにおいて不可欠なデータセットです。このベースラインデータセットにより、生態学的プロセス(例:バイオマス分布、種間相互作用、生態水文学的応答、栄養循環)を景観2,3,4にわたってモデリングすることが可能です。

植物群落マップに加え、このプロトコルの手順に従うことで地理空間データのコレクションが得られます。地理情報システム(GIS)プロジェクトとして保存されたデータセットは、GISに統合され、共有され、さらなる生態系分析や意思決定に活用され、管理計画や環境モニタリングを支援します。

この方法では、UAV調査でRGB(赤、緑、青、三原色)および/または多波長的で幾何学的に正確な正交模型、さらにデジタル表面モデル(DSM)がベースラインデータ5,6として提供されます。このデータは、GISソフトウェアの計算機の入力としてオルソモザイクマップを用いて植生指数(VI)を計算するために使われます。最終的な出力マップを作成するために、VIはRFのピクセル単位予測変数として機能し、オルソモザイクの生スペクトル情報を分類7,8の構造化入力に変換します。VIは植物と光によって反射された植生特性を強調するスペクトルバンドの数学的組み合わせであるため、VIは生態学における独立したデータとして利用され、生息地の質や生物多様性を監視し、生態学的モデリングを支援できます8,9。したがって、VIはラスタマップとして保存され、GISプロジェクトに組み込まれます。

AI支援環境で植物群集を分類・マッピングするには、リモートセンシングデータセット(例:UAV調査マップ、DSM、VIs)と地理参照された現地生物物理学的観測を組み合わせて、生態学的信頼性、再現性、そして意味のある解釈を確保する必要があります。10。このようなフィールドデータは、RFアルゴリズムの基盤となるため、VI内の生息地・植生被覆ピクセルデータを分類し、研究現場全体の植物群落分布を予測する(例:植物群集マップの作成)11。機械学習のためのグラウンドトゥルースデータセットとして機能するだけでなく、ジオリファレンスされた観測はGIS内で生物物理学的観測を固定する手段を提供します。このようにして、生態学的データセットは属性テーブルとして機能し、生態系モデリングの環境変数として利用できます。現地データは、調査対象の実際の環境内で直接収集されるため、特定の条件を現実的かつ即時に評価できるため、生息地の生態学的状況を証明するのに価値があります。

沿岸湿地は、保護された海岸線地域に位置する低エネルギーの生息地です。湿地生態系は南極を除く6大陸の海岸線に沿って分布しており、極極地域の氷に覆われた景観を除き、世界的に重要な生態学的役割を果たしています。世界的な人口増加と工業化、沿岸防衛、農業慣行の集約化は沿岸湿地に大きな影響を与え、断片化や劣化を引き起こしています16,17。これらの圧力により、沿岸生態系は世界中の生態系の回復と保全の優先事項となっています。

沿岸生息地の環境モニタリングと生態系モデリングは、生態系の健康評価、時間的変化の特定、回復成果の評価を促進します。しかしながら、これらの生態系の動的な性質、アクセスの制限、複雑でしばしば遠隔の干潮帯でのデータ収集の多大なコストにより、効果的なモニタリングは妨げられることがあります。動的でアクセス困難な生息地では、植生が最も明確で安定した生態系変化のシグナルを提供することが多い18。

植生は生息地形成の基本的な基盤であるため、植物群集の分類と分布のマッピングは、生態学的評価と生息地プロセスモデリングの重要な基盤を提供します 20,21,22。沿岸湿地は非常に多様で、標高、塩分、植生構造、水文学、堆積物特性において短距離でも大きな変動を示します。この複雑さのため、プロトコルには層別クアドラットサンプリング23(植物群落あたり最低10 m×1 mのクアドラットサンプル)が組み込まれており、これは有益であるだけでなく、代表的な生態系モデルや土地被覆マップの作成に方法論的にも不可欠です24,25。

この方法論を示すために、バルト海西エストニア諸島のヒウマア島にある微潮汐湿地でケーススタディが行われました(図1)。バルト海の沿岸景観は、群島内の10万以上の島々にまたがる堆積物堆積帯の湿地を含むもので、強度レベル26で管理されています。生物多様性の保全と回復のために、バルト海沿岸の北方葉巻湿地は半自然草原として維持されています27,28。このような湿潤草原は地域の景観遺産価値を持ち、ケーススタディサイトを含む一部はNatura 2000の保護地域ネットワークの一部となっています。このような地域では、生物多様性を支え、シギ類などの野生生物の生息地を提供する低生植生を維持するために、沿岸の草地を広範囲に放牧したり、季節的に伐採したりして、開けた草原を維持し、例えばPhragmites australis30などの広範囲にわたる種に侵食されるのを防ぎます。北方針葉林沿岸地域では、保全措置の下で管理される湿地は通常、4つの主要な植物群落を含みます:オープンパイオニア(OP)、ローワーショア(LS)、アッパーショア(米国)、そしてトールグラス(TG)31です。これら4例はすべて選定された症例研究の現場で行われます。維管束植物種が沿岸の湿潤草原を支配しています。OP指標種はハロフィテスです:サリコルニア・エウロパエア(最も一般的な高さは3〜30cm)とスエダ・マリティマ(10〜50cm)です。LSはGlaux maritima(3〜25cm)とJuncus geradii(25〜75cm)が優勢です。米国の指標種はFestuca rubra(15–90cm)とLeontodon autumnalis(10–80cm)であり、優勢な草はTGを識別します:Deschampsia cespitosa(30–120cm)、Elytrigia repens(30–120cm)、Molinia caerulea(50–180cm)。さらに、この気候帯の典型的な沿岸湿地植物には、群落にまたがるSpergularia marina(5〜30cm)、Plantago maritima(10〜30cm)、Triglochin maritima(15〜70cm)、Agrostis stolonifera(15〜30cm)などがあります。

沿岸湿地は、低起伏の景観と、くぼみや丘陵などの微細な微小地形の変化によって特徴づけられ、これが植物群落の分布に影響を与えます。これらの景観特徴は、洪水、高潮、潮流などの堆積物の堆積過程を通じて自然に形成されます。これらの特徴は粗い航空画像で検出可能な明確な特徴を欠くことが多いですが、種の組成は特定のスペクトル応答を反映しており、記録・分類可能です。一般的に、衛星や航空機による航空マッピングは、多くの生態系調査やモデリングに必要な地理空間データを提供し、モニタリングと評価を支えています。しかし、沿岸草原を効果的に調査するためには、低高度ドローンを用いた航空マッピングが不可欠です。この手法は高解像度データを提供し、植生分布パターンやデジタルサーフェスモデル(DSM)から導出された植生高さモデルを含む景観特徴のより詳細な写真測量記録を提供し、分類精度の向上に寄与します。

他のアプローチと比較して、UAVのワークフローは、フェノロジーステージに合わせて柔軟なスケジューリングを行い、雲干渉を最小限に抑え、衛星36,37では得られない構造の詳細を捕捉できます。機械学習(例:ランダムフォレスト)と組み合わせることで、UAVデータは自動化されたパターン検出、オブジェクト分類、そして人間にとって圧倒されるような複雑なデータセットから貴重な洞察の抽出を支援します。しかし、現地での地上サンプリングは、モデルの訓練や評価のための検証済みラベルを提供し、モデルが正しいパターンを学び、その性能が堅牢かつ信頼できることを保証するため、監督付き学習において依然として不可欠です。11,39,40。

このプロトコルは、現地サンプリングが可能な低成長の植物群落を持つ低起伏生態系向けに設計されています。ワークフローは4つの明確なフェーズに分かれています(図2):(1) UAVベースの航空調査、(2) 現場情報収集とジオリファレンス、(3) 植生指数計算、(4) オープンソース統計コンピューティング環境RにおけるRandom Forestを用いた教師あり分類。このプロトコルは、terra、sp、sf、rgdal、raster、rsample、MLmetrics、randomForestの主要なパッケージを用いてRStudioを用いて実装されました。

プロトコル

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

注:以下のステップは、沿岸湿地植物群落のマッピングおよび分類に関する詳細なワークフロー( 図3参照)を説明しています。このプロトコルは、UAV搭載の多波長センサーまたはRGBカメラのいずれかで再現可能です。このプロトコルの完了には数日かかります。そのため、メソッドは4つのフェーズに分かれており、任意の休憩時間も設けられています。前段階の結果が次の段階の実行を支持するため、所定の順序が推奨されます。最初の3つのフェーズは最終フェーズの入力となるデータセットを生成します。

1. UAVを用いた航空調査

  1. UAVオペレーターに必要な注意事項、現地の規制、ドローンハードウェアおよびソフトウェアのマニュアルを収集・レビューします。
    1. パイロットが安全かつ合法的かつ専門的に運営されることを確実にすること。運用地域に必要なすべての認証またはライセンスを保持しています。特定のドローンモデルや搭載されたセンサー/カメラの使用、ミッションワークフローについて完全に訓練を受けること。UAV保険の取得に関しては、州や地域の規制枠組みに相談してください。
    2. ミッションエリアの空域分類を特定し、必要な許可を取得します。空港、インフラ、人口密集地周辺の高度制限、飛行禁止区域、近接制限を尊重してください。環境や野生生物の配慮からは、季節ごとの制限(例:繁殖期間)を守り、保護景観、湿地、Natura 2000サイト、その他の保護区域の環境規制を遵守してください。
    3. 必要に応じて、地域のコミュニティメンバーや関係者に通知し、承認を確保し誤解を防ぐこと。航空写真が人や私有地、車両を捉える場合のデータ保護ルールを明確にし、ドローン飛行は研究のための植物群落のマッピングを目的としており、データ保護法の対象となる追加データは機密であることを全員に理解させます。
      注:国や地域の規制でドローン運用の事前連絡が義務付けられている場合、通常は通知が必要です。
    4. ドローンおよび搭載センサーの組み立て、保守、操作に関するすべてのメーカーガイドラインを遵守してください。このようなコンプライアンスは安全な運転を確保し、機器の健全性を保護します。センサー/カメラ選択時には最大風速制限(9 m/s、突風を含む)、温度範囲(最低0°C、最大35°C)、およびペイロード容量を尊重してください。製造元の指示および航空安全規則に従ってバッテリーの保管および輸送を行います。
  2. UAVの飛行ミッションを設計する。
    注:このプロトコルを実装するために、eBee X固定翼UAVシステムを使用し、マルチスペクトルおよびRGBセンサーと飛行管理ソフトウェアを装備しました。UAVを使用する際は必ずメーカーのマニュアルを確認してください。
    1. ノートパソコンにプリインストールされたフライトマネジメントソフトを開いてください。ウェルカムページで、 新しいミッション タブの下で使用するカメラ(この場合はSequoia)を選択し、ミッションの説明タイトル(例:研究サイト名)を入力し、「 ミッション作成」を選択します。 ミッション パネルが自動的に開き、衛星マップがメインビューに表示されます。
    2. 衛星地図上でカーソルを使ってズーム、パン、ナビゲーションを行い、調査地点のおおよその位置まで移動します。 作業エリア タブで 「作業エリアを配置 」を選択し、カーソルを研究サイトの中央付近に位置させてクリックします。作業エリアを表す円が表示されます。半径を大きく・縮小してサイズを調整します。
    3. ミッションパネルで離 陸と着陸 タブをクリックしてください。次に 「新しいスタートを追加」をクリックし、衛星地図のカーソルを希望の離陸地点に移動し、新しいスタート地点を設定するためにクリックします。その後、「 新しいホームを追加」をクリックし、「 線形着陸」を選択し、地図上のカーソルを希望のUAV着陸/帰還地点に移動し、「設定」をクリックします。
      注意:ミッション計画時には、障害物のない滑走路が必要なため、ソフトウェアの衛星地図や測定ツールを活用して最適な離陸地点を見つけてください。一部の固定翼UAVは垂直離陸を持たず、離陸時に徐々に高度に上昇し、徐々に降下する必要があります。このようなUAVには、長さ200〜300m、幅75mの滑走路が必要です。
    4. ミッションパネルで「ミッションブロック」タブを選択してください。「ミッションブロックを追加」をクリックし、「水平マッピング」を選択してください。カメラのドロップダウンメニューからSequoiaを選択し、上のプランから標高データ(Elevation data - EAD)を選択してください。プリセットメニューには、解像度10 cm/px、横重なり75%、縦方向重なり80%のタブが表示され、飛行高度は106.1 m/AEDとなります(これらの自動値はUAV調査用に選択されました)。
    5. カーソルを衛星地図ビューに置き、左クリックで調査エリアの周囲にポリゴンを描き、調査サイトの周囲に調整可能なコーナーポイントを追加できます。最終決定するには、右クリックして地図上にドローンの飛行経路を表示してください。
      注:このプロトコルを実施するために、調査区域は40ヘクタール、飛行時間は32分と推定されました。
    6. ミッションパネルの「安全アクション」タブで、以下のアクションを選択していることを確認してください。帰宅時:強風が検出された場合、カメラが故障を報告した場合、暗い照度下(またはレンズキャップがオン)、持続時間が低い場合、GNSSの精度が低下した場合、地上モデムリンクが300秒間途絶した場合(調整可能)、そして上昇時には、地上近接が検出された場合を選択してください。
    7. タイミングが重要です:マッピングミッションは、現実的なサンプリング(生物物理的サンプリング日)にできるだけ近いタイミングでスケジュールしてください。これは極めて重要であり、ドローンの画像や現地データが同じ環境・物候条件下で生態系を反映していることが保証され、地図の科学的精度と解釈性が大幅に向上します。
    8. 干潮時の窓(または非潮汐沿岸の「低潮」状態)を選び、露出した生息地を最大化し水のまぶしさを最小限に抑えましょう。航空調査のタイミングを決める際には、野生動物の攪乱も考慮し、繁殖期を避けるようにしましょう。
  3. 事前点検と飛行任務を行います。
    1. 現地で環境状況を評価してください。現在の海水位が低いかどうかを確認し、野生動物を妨害しないこと;離着陸エリアが安定し、乾燥しており、水面から十分に高いことを確認してください。飛行ミッションが行われる空域エリア、離着陸エリアを含む航空障害物の有無を調べてください。
    2. 最適な飛行条件(風速(最大9 m/s)、視界(霧なし)、湿度(75%未満)、降水量(最大予測40%)の天気予報を監視してください。
    3. UAVシステムの組み立て:ドローンハードウェア、センサー/カメラ、アンテナ、フライトマネジメントソフトウェア。ドローンのバッテリーを接続してください。UAVのハードウェア、センサーやカメラの健康状態も確認し、レンズが清潔であることを確認し、センサーやカメラがUAVに正しく接続されているか確認してください。
    4. フィールドワークのコンピューターを起動し、フライト管理ソフト(eMotion)を開いて、ブラウズファイルからミッションをロードします。
      1. USBアンテナをノートパソコンに接続し、「接続」をクリックすると右側にフライトコントロールバーが表示されます。
      2. カメラタブで、すべての調査画像を保存できる十分なメモリ(空のSDカード、最低32GB)と、正しいカメラ(Sequoia)がリストされているか確認してください。コンピューターの音声を有効にしてソフトウェアの通知を聞きましょう。
    5. ファームウェアやソフトウェアが自動通知で更新されているか確認し、必要に応じてコンパスのキャリブレーションも行ってください。
    6. 事前に設計されたミッションが正しく読み込まれているか確認してください(つまり、飛行経路、離陸、着陸軌道がメインビューで見えるように)。安全対策が正しく選択されているか(ステップ1.2.6に記載されている通り)を確認しましょう。
    7. マルチスペクトルセンサーを校正してください。パネルを地面に置き、センサーやカメラレンズをパネルに向けてドローンをその上にかざします。
      1. ソフトウェアでフライトコントロールバーにアクセスし、 カメラ タブを開き、 キャリブレートを押してください。
      2. 音声信号が出て撮影完了を示すのを待ち、「 放射性キャリブレーション完了 」というテキストが表示されるまで待ちます。RGBセンサーのみを使用する場合は、これは必要ありません。
    8. ミッション開始前に風向きを確認してください。軽くて乾いた草や砂、乾いた葉を一握り取ってみてください。目の高さから素材を解放し、草が流れる方向は風の進路を示します。
    9. その後、ソフトウェアのメインビュー(衛星地図)で、UAVの飛行経路の向きを調整し、向きハンドルをドラッグして飛行ラインを風向きに垂直にします。飛行経路が調査サイト全体をカバーするようにしてください:ポリゴンの角をコーナーポイントをドラッグして調整してください。
    10. 着陸軌道の向きを調整し、着陸経路が風に逆らうようにしてください。
    11. すべての調整後、飛行経路、離陸、着陸エリアが作業エリア内にあることを確認してください。必要に応じて、 作業エリア タブの半径数値を増やして作業エリアの円を広げてください。
    12. UAV飛行は、あらかじめ設計された飛行経路(ケーススタディの調査面積:40.5ヘクタール)に従って自動飛行ミッションとして開始します。飛行開始時刻を記録してください。
      1. 飛行中はフライトマネジメントソフトをオンにし、ドローンアンテナも常に接続しておきましょう。
      2. ミッション中は、バッテリー寿命の更新、センサーの性能、ドローンの警報信号(例:風速増加、障害物検出)を聞き、観察してください。
      3. 特に許可がない限り、任務中は常にドローンと視線(VLOS)を維持してください。気を散らすものを避け、通知に対応したり緊急着陸を行えるように準備を怠りません。飛行終了時間を記録してください。
        注意:ベストプラクティス(地域によっては法的義務となる場合もあります)は、2人のオペレーターで調査を行うことです。1人はVLOSを維持し、もう1人はフライトマネジメントソフトウェアの監視を行います。UAV事故が発生した場合は、飛行運用を停止し、現場を警備し、事故を記録し、関係当局に通知し、保険手続きを開始してください。
  4. 飛行後の手順を実施。
    1. UAV搭載のセンサーやカメラからすべての航空画像を抽出し、飛行ログを含むすべての調査データをコンピューターやクラウドにバックアップします。
      注意:機器の破損やSDカードの破損など、データ損失のリスクは時間とともに高まります。
    2. 画像のシャープネス、露出、カバレッジを確認し、センサーエラーやまぶしさ、影、潮汐による画像シーケンスの隙間がないか確認します。必要に応じて再スケジュールと再調査を行い、ドローン飛行が地上検証の時間的に近い場所で行われるようにします。
    3. 受信機独立交換フォーマット(RINEX)ファイルは、国立土地測量サービスなどの公共アーカイブから、飛行日時に対応してダウンロード・保存できます。
    4. 外付けハードドライブ(250 GB-1 TB)に、研究ケース用のフォルダを作成します(推奨タイトル:date_ 場所 [スペースや特殊文字の使用を避ける])。ここはデータ保存や後続のステップへのアクセスのためのマスターフォルダであり、ジオパッケージレイヤーの作成・保存場所となります。
    5. 航空調査画像のジオタグ付けを行うには、フライト管理ソフトで Postflight タブを開きます。同じコンピューターで カレンダーのフライトを行った場合は、フライト日を選択してください。そうでなければ、 「いいえ」を選択します。
    6. バックアップファイルからフライトログを閲覧してアップロードしてください。外部メモリドライブに研究ケース用のプロジェクトフォルダを作成します(画面で示されたタイトルプロジェクト)。 次へクリック。
    7. フライト中に使用したSDカードからフライトログを閲覧・アップロードしてください。フライト番号で識別できますし、バックアップファイルからアップロードすることもできます。ソフトウェアのメインビューに飛行経路が表示されるまで待ちます。正しいエリアやフライトログか確認してください。 次へクリック。
    8. ドロップダウンメニューの ポストプロセッシング オプションから、 PPK: 生ドローンのGNSSデータを処理するオプションを選択してください。 基地局ログ で Rinexを選択し、保存済みのRINEXファイルを閲覧して見つけてください。 「次へ」をクリックし、計算が終わるのを待ちます。 PPKの固定 > ジオタグが後 処理されていることを100%確認し、 次にクリックします。
    9. 「 画像を読み込む 」ドロップダウンメニューで、以下のいずれかのオプションを選択してください: SDカード から、または「 ブラウズ 」を選択して、フライトログに対応する航空調査画像のフォルダを見つけてください。 次へクリック。 画像マッチングが成功 するまで待ち、 次へ をクリックするとジオタグ付きの画像インポートをプロジェクトフォルダに取り込み始めます。これらの画像は写真測量のプロセスの入力として使われます。
      注意:各フライトログごとに画像ジオタグ付けは別々に行う必要があります(ステップ1.4.4–1.4.8の繰り返し)。例えば、UAVのバッテリー交換後、その後の航空調査では新しい飛行記録が記録されます。
  5. 写真測量データを処理(すなわち、航空測量画像を用いた地図製品を作成すること)。
    1. ワークステーション上で、ジオタグ付きのUAV調査画像を含む外付けハードドライブに接続し、プリインストールされた写真測量ソフトウェアを開きます。
      1. 新しいプロジェクトを作成し、外付けドライブに保存してください(推奨フォーマット:接頭辞MSまたはRGB + ロケーション+日付)。
      2. 画像を追加し、マルチスペクトルデータセットとRGBデータセットは別々のプロジェクトで処理する必要があることに注意してください。したがって、マルチスペクトル画像にはMSプレフィックス、後者にはRGBを用いてください。
        注:PIX4Dmapperを使用していました。しかし、このプロトコルを再現するためには、代替の写真測量ソフトウェアを使用することも可能です。
    2. 画像プロパティのポップアップ画面で、以下のものがリストまたは選択されていることを確認してください:座標系としてWGS 84、正しいジオロケーション画像数、そして選択済みカメラモデルのリストバンド(セコイアとグリーン、赤、赤のエッジ、近距離紅外波帯、またはRGB)。
      1. 「次」を押してから処理テンプレートを選択してください:マルチスペクトルの場合はAgマルチスペクトル、RGB画像はRGB Agです。終了すると、画像の位置を示す衛星地図がメインビューに表示されます。
        注意:マルチスペクトルプロジェクトでは、キャリブレーションパネル(ステップ1.3.7で作成され、すべての調査データとともに自動保存)が見えるキャリブレーション画像を追加してください。このケーススタディでは、合計2,320枚のマルチスペクトル画像と577枚のRGB画像が位置特定されました。
    3. 処理オプションウィンドウを開き、「1」をクリックします。ここで初期処理を行い、「Key Points Image Scale」でQuality Reportで「Full and Generate Orthomosaic Preview」を選択し、このタブで「Point Cloud and Mesh」> Point Cloud をクリック。1/2(画像サイズの半分、デフォルト)を選択し、「ポイントクラウド分類」を選択してください。
    4. 3をクリックしてください。DSM、Orthomosaic、インデックス > インデックス計算機タブでGeoTIFFを選択し、タイルをマージし、生成可能なすべてのインデックスを生成してください(図4)。
      1. マルチスペクトルプロジェクトでは、 放射処理およびキャリブレーションの項目で、各バンドの キャリブレーションタイプ を カメラ、太陽放射量、太陽角に設定してください。
      2. Raster DSMの「DSMとOrthomosaic」をクリックしてGeoTIFFとMergeタイルを選択し、さらにOrthomosaicでGeoTIFFとMergeタイルを選択します。OKをクリックして処理を開始してください。
        注:マルチスペクトル画像を処理する際、キャリブレーションタイプは飛行前に現地で撮影されたキャリブレーション画像(ステップ1.3.7)を用いて自動的に設定されますが、キャ リブレートをクリックして手動で再キャリブレーションできます。次に、キャリブレーションパネルの画像(対応するバンド名付き)を探し、キャリブレーションパネルから読み取った反射率値を入力します。
    5. フォトグラメトリー処理は、マルチスペクトルプロジェクトフォルダ内の生成・保存された反射率マップ(UAV調査マップ)で締めくくられます。これらは緑、赤、赤、赤辺、近近紅外(NIR)、RGBには赤、緑、青、グレースケール、オルソモザイク、DSM(デジタル表面モデル)です。すべてのインデックス、オルソモザイク、DSM GeoTIFFが統合され、プロジェクト報告書の誤りを検証すること;問題が検出された場合は、処理を繰り返します。

2. 地上真実データの収集とジオリファレンシングの実施

  1. フィールドワークの準備をしましょう。
    1. 事前に調査現場を訪れ、興味のある植物群落を特定して現場の体験的な知識を得ましょう。現地で収集可能で、選定された研究サイトの植物群集構成を記述するために必要な生物物理学的観察データを決定します。
      注:このプロトコルを説明するために、植生種、構造、組成に焦点を当て、バルト海の北方針葉地沿岸草原生息地を示す4つの植物群落を分類しました:オープンパイオニア(OP)、ロウアーショア(LS)、アッパーショア(米国)、およびトールグラス(TG)。
    2. マッピング対象の特定の生息地における植物群落を示す種を一覧にした視覚的な植物種識別ガイドを作成・印刷してください。ガイドは電子機器の故障時に現地での種識別を迅速化し、支援します。
    3. 現地観察記録のためのワークシートを作成し、指示種のリストや、調査対象の生息地および周辺地域で一般的に見られる他の種、さらに記録が必要な追加の生物物理学的現地観察(例:調査日、植生高、バイオマス重量)を記載してください。
  2. 階層化されたサンプリング手法を使って、クアドレートを使って実地的なデータを収集します。
    1. 現場経験に基づく植物群落を視覚的に特定します。
    2. サンプルを取る植物群落の代表的な場所にクアドラットフレームを設置し、大きな攪乱の多い場所を避けます。北方の沿岸湿地では、1 m x 1 mの四辺形で十分です。この四分円は生物物理観測およびバイオマスサンプリングのためのサンプルプロットとして機能します。
    3. 調査日、調査員の名前、植物群落の種類・クラス、各サンプルクアドラットの番号コードを記録します。
      注:番号コードの設定は以下の順番で推奨されます:研究フィールドコード + 植物群落コード + 記録される象限のサンプルクアドラットシーケンス番号。これらの数値コードは、生物物理学的フィールド観測データを地理空間データセットおよび座標に結びつけます。
    4. サンプルの四角にGNSS/RTKシステムと土地測量ソフトウェアを用いて、四分区の番号コードに対応する数字コードを入力し、座標を保存します。
      注意:高精度(センチメートルレベル)の位置情報データを提供するGNSS受信機を使用してください。デバイスおよびその補助ソフトウェアの操作手順については、ユーザーマニュアルを参照してください。
    5. 生物物理学的観察については、サンプルクアドラット内で観察された各植物種の推定被覆率や、裸地、植物の落葉、苔、藻類などの他の指標となる変数の被覆を記録し(全体の被覆率は95%から105%の間で、植物社会学調査で受け入れられている範囲です)。メジャーを使って植生の高さを5回ランダムに測定し、平均サンプルの高さを算出します。
    6. 同じサンプルクアドラットで、任意の生物物理学的観測を収集します。例えば、土壌水分率、土壌レベルで植生を切断して植生のバイオマスを採取し、紙袋に集め、バッテリー式の水平秤(精度±1g)で計量します。真のバイオマス重量を求めるには、総重量から紙袋の重さを差し引きます。すべての重さを記録して、将来の参考にしてください。
  3. 前述のステップ(2.2.1–2.2.6)で説明した層別クアドラットサンプリング手順を、各植物群落クラス(すなわちOP、US、LS、TG)内で最低10回繰り返します。
    注意:サンプルの四分差額を近づけすぎないように注意してください。記録された四分区サンプルが生息地を正確に反映していることを確認するために、研究地点全体で一貫した包括的なサンプリングを行うことが不可欠です。沿岸湿地では植物群落がモザイクパターンで見られることが多いため、同じ植物群落を調査サイト内の異なる場所でサンプリングします。
  4. すべての現地観測を完了した後、クアドラットサンプリング記録をデジタル化してください。
    1. すべてのフィールドワークノートをスプレッドシートに書き起こし、各変数にラベル付けするヘッダー行でデータを整理して分析用データセットを作成する。その後、すべての値をそれに応じて入力します。
    2. ファイルを保存し、カンマ区切り値(CSV)ファイルとしてエクスポートします。
  5. 生物物理学の観測データをジオリファレンスして地にまつわるデータセットを作成します。
    1. 現場で使用されるGNSS/RTKシステムから、サンプルクアドラットのコーナー位置の記録座標をすべてCSVファイルとしてダウンロードしてください。
    2. 地理情報システム(GIS)ソフトウェアで新しいプロジェクトを作成し(このプロトコルの実装にはQGISが使用)、ステップ1.4.3で作成されたプロジェクトに.qgzファイルとして保存します。このフォルダと.qgzファイルには、今後のステップで得られるすべての地理空間データセットが含まれます。
    3. GISワークスペースで、四分円の角の座標を含むCSVファイルを区切られたテキストレイヤーとしてインポートします。これらの座標をインポートすると、shape: pointsとして表示されます。
    4. 各四角形の角点の座標をシェープファイル:ポリゴンとして結合し、シェープファイルを保存します。
    5. ポリゴンシェープファイルと、デジタル化されたフィールドデータセットのCSVファイル(ステップ2.4で作成)を、両方のファイルの番号コードをリンクして接続します。
    6. 新たに作成したグラウンドトゥルースデータセットを、外付けハードドライブに作成したフォルダ内のGeoPackage(.gpkg)ファイルとして保存します( ステップ1.4.4)。GISプロジェクトを更新するために保存してください。

3. 植生指数(VIs)の計算

  1. ヴィス用にUAVベースの測量地図を準備してください。
    1. GISソフトウェアのワークスペース(ステップ2.5.2で作成され、2.5.6で更新された同じ.qgzファイルを使用)に、プロトコルの第1段階(ステップ1.5)でUAV調査で作成されたすべての反射モザイク(地図製品)をインポートします。
    2. 不要なデータを「クリッピング」してマップのサイズを縮小します。サンプルの四分円分布と研究地点の範囲に関する経験的知識に基づき、調査地点の周囲に多角形境界を作成し、その範囲にマッピングをクリップします(図5)。これによりファイルサイズが減り、処理速度が向上します。
      注:クリップされた調査マップ(多波長のGREEN, RED, Red edge, NIR、およびRGB赤・緑・青バンドのGeoTIFFおよびground_truth.gpkg(ステップ2.5.6で作成)は、Zenodoリポジトリからリンクからダウンロード可能です。https://doi.org/10.5281/zenodo.20075625 教育目的のみで、以下の手順を再現する練習用です。
  2. ラスター計算機ツールを使って計算してください;VIの公式は補足ファイル1 34,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56に記載されています。、57、58、59、60、61、62、63、64、65、66、67、68、69、70、71。
    1. マルチスペクトルVIを計算する際は、入力値としてRED、GREEN、NIR、Red-edge GeoTIFFを使用します。(図 6、GISラスター計算機、VIの公式入力1つを参照)
    2. RGBベースのVI計算では、まず赤、緑、青のインデックス(ステップ1.5のマップ積)を正規化します。正規化プロセスが完了した後にのみ新しいRGB VIを計算してください(RGBインデックスの正規化の公式は 補足ファイル1 のRGB VIリストの一部として利用可能です)。
    3. 新しいVIはGeoTIFF(例:ラスターファイル)として別々のフォルダに保存し、外付けハードドライブに作成されたGISプロジェクトフォルダ内で名前(例:プレフィックス(MSまたはRGB)+インデックス名)を付けます(ステップ1.4.4)。
    4. ステップ3.1.2で作成・クリップしたDSMやその他の自動VI(例:グレースケール)をRGB VIsフォルダに追加します。これらのVIを含むフォルダは、ステップ2.5.6で作成されたグラウンドトゥルースファイルと組み合わせて、ランダムフォレストアルゴリズムによる地図植物群落の分類のベースラインデータセットとして機能します。VIラスタファイルへのリンクをGISプロジェクトに更新するために保存してください。

4. ランダムフォレストを用いたRでの教師あり分類

注意:このフェーズを実行するには、RStudioでRの統計計算環境を開き、ファイル >開いファイル に行き、 補足ファイル2に提供されたスクリプトを選択してください。このスクリプトは再現性を確保し、他の研究地点への適応を促進するためにすぐに使えるように整理されています。実行方法は2通りです:(1) スクリプト全体を一度に実行: ソース をクリックするか Ctrl + Shift + Enterで、フォルダとGeoPackageのファイルパスが更新されていることを確認してください;または(2) 行ごとに走る、またはブロックごとに走る:カーソルを行上に置くか、ブロックを選択して Ctrl + Enterを押す。この方法は、トラブルシューティングの選択肢がより優れているため推奨されます。

  1. R環境を準備してください。
    1. 必要なパッケージ(例:terra、sp、sf、raster、rsample、MLmetrics、randomForest、rgdal)をインストールして読み込みます。72.
      注意:rgdalが最新のRと互換性がない場合、stack()とreadOGR()の関数はそれぞれrast()とst_read()に置き換えることができます。
    2. ワーキングディレクトリを設定してください。
  2. ラスターの前処理を実行します。
    1. 特定の作業ディレクトリにある測量済みエリアからすべてのラスタファイルを読み込みます。
    2. 入力ラスタ間の投影、解像度、範囲を一貫させること。不整合が検出された場合は、Rのresample ()関数(例:terra::resample()またはraster::resample())を使って、ラスタを共通の参照ファイル(通常は人工的なアップスケーリングを避けるために最も粗い空間分解能を持つもの)に整列させます(Hijmansらの記事73参照)。
  3. データ抽出の実行:
    1. GeoPackage(ステップ2.5.6で作成)からグラウンドトゥルースデータをインポートします。
    2. terra:: extract() 関数を使って、ラスタ値をサンプルポリゴンにリンクしてください。
    3. 抽出した値を含むデータフレームを植物群集コードと結合し、それらが因子であることを確認しましょう。
  4. クラスバランスを維持するために、階層サンプリングを使ってデータセットをトレーニングセットと検証セットに分割します。学習サンプルと検証サンプルの比率を好みに応じて、またはサンプルの入手可能性に応じて調整してください。
    注:小規模なデータセットでは、十分なトレーニングデータを提供するために通常80/20の分割が必要です。より大きなデータセット:70/30で十分で、より強力な検証やテストセットが得られます(Mohammed and Alsunosi74の論文参照)。
  5. モデルチューニングを行いましょう。
    1. mtryとntreeの異なる組み合わせを探るパラメータグリッドを定義します。
      注:mtryとは、RFで意思決定木を成長させる際に各分割に対してランダムにサンプリングされる変数(予測変数)の数です。デフォルト値は通常、分類用に予測変数の総数の平方根、回帰分析では3分の1となります。一方、ntreeは森林に生育する決定木の総数を示します。木の数が多いほど性能は向上しますが、計算時間は増加します。エラー率は通常、一定数の木を設置すると安定します。
    2. グリッドをループ(すなわちグリッドサーチで、モデルに最適なハイパーパラメータ値の組み合わせを体系的にテストする)し、それぞれの組み合わせの精度を評価します。
    3. 最も正確な組み合わせを選びましょう。
      注:このステップの関連性や代替アプローチについては、Belgiu and Drăguţ75、およびBergstraら 76を参照してください。
  6. 最適なパラメータの組み合わせでRFモデルをフィッティングします。スクリプトはアウトオブバッグ(OOB)エラーと変数重要度を記録します。
  7. 予測と精度の評価を行います。
    1. ラスタスタックと検証データセット内のすべてのピクセルの植物群集クラスを予測します。分類マップをGeoTIFFとしてエクスポートしてください( 図7参照。最終出力のプロット可視化を含むRコンソールのスクリーンショットを示しています)。 図7A はマルチスペクトルVIs入力データセットを使用した場合の植物群集マップの産物を示し、 図7B はRGB+DSMデータセットを使用した場合の植物群集マップの産物を示しています。
    2. 検証セット上で混乱行列、精度、F-1スコア、精度、リコールを計算します( 図8参照。VIパフォーマンスランキングを示すR枚のスクリーンショットを示しています)。 図8A はマルチスペクトルVIを入力データセットとして使用した場合のRコンソールとプロットのスクリーンショットを示し、 図8B はRGB+DSMデータセットを使用した時のスクリーンショットを示しています。 図8A、 B のビューには「final_rf」と呼ばれる変数重要度のプロットが含まれています)。これらの指標の詳細については、Naiduらによる記事77を参照してください。
  8. QGISプロジェクトを再開(ステップ2.5.2で作成され、2.5.6および3.2.3で更新)、植物群集分類マップ(GeoTIFFs)を追加してください。QGISプロジェクトを保存してGISプロジェクトを更新してください。
    1. すべての地理空間データセット(UAV調査マップ、地上情報、VI、植物群集分類マップ(GISプロジェクト)を共有しバックアップするには、調査地点のフォルダに行き、右クリックして「圧縮(zip)フォルダに送信」>選択してください。
      注:GISプロジェクトの完全なフォルダは相当なデータセットを構成する可能性があります(この40ヘクタールのケーススタディデータセットは140GBを超えました)。必要に応じて、ファイルサイズを削減するために最終結果とグラウンドトゥルースデータセットのみを伝達してください。

結果

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

植物群集のマッピングおよび分類のための半自動化手法は、多様な低成長の草本植物が優勢で微地形学的に特徴づけられる沿岸湿地の正確な土地被覆情報を生成することを目的としています。 図1の写真にそのような生息地の例があります。エストニアのヒウマー島にあるバルト海の北方葉巻沿岸湿地のケーススタディが実施されました。現地では、分類モデルの訓練のために4つの植物群落がサンプリングされました:オープンパイオニア(OP)、ロウアーショア(LS)、アッパーショア(米国)、およびトールグラス(TG)。 図2 は、4つの異なる段階で実装された方法論の概要を簡潔に示しています。これに対し、 図3 は詳細な図式ガイドを示しており、データフローを表す矢印で結びついた番号付きの実行可能なステップを示し、プロトコルのステップとフェーズにわたる方法論を統合しています。この手法の最終出力は、多波長センサーとRGBセンサーを用いて、多波長およびRGBベースの植物群集マップであり、これらはすべての中間データセットとともにGISプロジェクトのレイヤーとして保存されます。地理空間データセットの質は各プロトコルフェーズの完了時に評価されました。後続フェーズの結果の質は前段階の結果の質に依存し、最終フェーズで入力がすべての前ステップの集約となります。

以下はプロトコルの4つのフェーズそれぞれの結果をまとめたものです。

第1段階では、UAVの空中調査が高度120mで実施され、約10 cm/ピクセルの地上サンプル距離(GSD)が得られました。航空調査では多波長画像とRGB画像が生成されました。ポストプロセッシングキネマティック(PPK)を経て、各ドローン画像ごとにジオタグが補正され、プロの写真測量ソフトウェアでモザイク処理されて航空測量図が作成されました。多波長航空画像のフォトグラメトリ処理により、赤、緑、近赤外、赤縁反射率のラスタファイルが得られました。

多波長およびRGBの航空写真は、写真の解像度が本質的に異なるため、別々のプロジェクトとして処理されました。RGB画像モザイク設定の 図4 を参照してください。 図4A。統合されたタイルを選択し、シームレスで統一された出力マップを生成することでオプションを処理できます。 図4B。RGBカメラ画像から自動インデックス計算を選択すると、4つのラスタマップが生成されました。1つはバンドごと(赤、緑、青)で、DSM(デジタルサーフェスモデル)です。 図4C。初期処理段階で、重なり合う画像間で共通ピクセルを自動でマッチングさせるタイポイントを生成する方法を実証します。3つのRGB(赤、緑、青)インデックスとDSMと組み合わせて、フォトグラメトリーソフトウェアはソフトウェア生成のグレースケールラスタを生成しました。これは単色の単一チャネル表現で、異なる帯域(例:赤、緑、青)を拡大・結合し、低ピクセル値は黒に、高ピクセルは白に見えます。このグレースケール指数の定式はソフトウェア固有のものであり、写真測量プラットフォーム間で標準化されていません。

フォトグラメトリーソフトウェアは、多スペクトルモザイクとRGB両方の航空画像モザイクプロジェクトの処理結果を記述した高品質なレポートを作成しました。これらのレポートは、正確性を検証するための重要な指標を提供します。高品質な結果の指標は再投影誤差が低いことです。0に近いほど良い(1.0未満は一般的に受け入れられます)。例えば、密度の高い「マッチライン」はほとんどの画像間で強い一致を示します。出力マップは目視で評価され、空洞やその他の視覚的差異は見られませんでした。視覚的な不一致は反射やモザイクの誤差、さらにはジオリファレンシングのグリッド問題の兆候です。写真測量レポートは、特定のソフトウェアマニュアルやトレーニングリソースとともに、問題を特定し、解決策を見つけ、航空写真を再処理するために活用されます。

UAVの航空調査マップは、複雑なスペクトル情報を標準化されたピクセルベースのインデックス(すなわち第3フェーズで生成された植生インデックスVI)に再計算するための基準データセットとして機能し、機械学習分類の構造化入力として利用可能となりました(プロトコルの最終段階で)。

現地での生物物理学的観測データは、実地調査データセットとして収集されました。ケーススタディ地点(バルト海の北方針葉地帯沿岸湿地)では、4つの主要な維管束植物群落が特定・サンプリングされました:オープンパイオニア(OP)、ローワーショア(LS)、アッパーショア(米国)、およびトールグラス(TG)。プロトコルの第2段階で示された層別四分法を用いて、指示種の存在によってOP植物群落を特定しました: Salicornia europaea および Suaeda maritima; LSはGlaux maritimaおよびJuncus geradiiの高濃度によるものです。米国では指標種として Festuca rubra と Leontodon autumnalisが挙げられます。一方、TGは背の高い草、 Deschampsia cespitosa、Elytrigia repens、 Molinia caerulea の顕著な存在によって特徴づけられます。各植物群落ごとに少なくとも10個の四分のサンプルが採取されました。各四分区サンプルには、植物種組成(%)、土壌水分(%)、植生の高さ(センチメートル)、そして正確な四分円座標位置の生物物理学的観察が含まれていました。これらの変数は表化データセットとしてデジタル化され、GIS Projectにインポートされ、サンプルクアドラットのGNSSデータシェープファイルに追加され、GeoPackage(.gpkg)として保存されました。このようなプラットフォームに依存しないファイルは、湿地植物群落の生物物理学的観察と正確なサンプル座標データを含み、環境および生態系のさらなる評価とモデリングという二重の目的を持っています。最も重要なのは、このプロトコルの成功した実行のために、このGeoPackageファイルがフェーズ4で示された機械学習プロセスにおけるモデルトレーニングおよび検証データとして機能することです。植物群集コーディング:OP、LS、US、TG;は機械学習プロセスの訓練ラベルとして使用されました。正確性(高精度ラベル、人間の監査、一貫したフォーマット)と構造(クリーンで長方形の形式(行や列))は、高品質なグラウンドトゥルースデータセットを作成する上で不可欠です。グラウンドトゥルースラベルは、一貫したラベル付け慣習を確保するために誤り率(例:誤字)がほぼゼロでなければなりません。例えば、「OP」がグラウンドトゥルースの場合、「op」や「O.P.」などのラベル付けがなければ重複を防ぐことが不可欠です。

プロトコルの第3フェーズを実行するために、第1フェーズで実施された航空調査のデータセットを用いて生の航空調査データを植生指数(VI)に再計算しました。まず、データセットのサイズを削減し計算プロセスを効率化するために、フォトグラメトリーは「クリッピング」された出力で、研究現場の範囲外の無関係または低品質なピクセルデータを省略します(GISソフトウェアで行われる操作の図5参照)。

その後、赤、緑、近近赤外、赤エッジの反射マップを用いて19の多波長VIを計算しました。以下のマルチスペクトルVIラスタファイルが生成され、GISプロジェクトに含まれました:Datt指数4(Datt4)41、強化植生指数(EVI)42、緑素指数(GCI)43、緑度差指数(GDI)44、一般差植生指数(GDVI)45、緑赤外線植生パーセンテージ(GIPVI)46、緑正規化差植生指数(GNDVI)47、緑赤差指数(GRDI)44。緑赤植生指数(GRVI)45、修正正規化差植生指数(mNDVI)48、修正土壌調整植生指数49(MSAVI:図6参照。MSAVI式入力を用いたGISソフトウェアのラスタ計算機のスクリーンショット)、修正単純比赤辺(MSRred_edge)50、正規化差水指数(NDWI)51、正規化差植生指数(NDVI)52、赤辺NDVI(NDVIre)47赤辺三角測量植生指数(RTVIcore)50、土壌調整植生指数(SAVI)53,54、単純比(SR)55、赤辺単純比(SRre)47。

さらに、合計23のRGBベースのVIが計算され、GISプロジェクトにラスタファイルとして保存され、さらなる空間解析が用いられました:青緑比指数(BGRI)57、明度指数(BI)58、青広ダイナミックレンジ植生指数(BRVI)59、植生色指数(CIVE)60、強化グリーンビュー植生指数(EGVI)61、強化植生指数(ERVI)62、 過剰緑指数 ExG および ExGI63、コンビネーション指数(COM)64、緑色座標系(GCC)34,65、緑葉指数(GLI)66、緑赤植生指数(GRVI)67、修正緑赤植生指数(MGRVI)68、正規化緑青差指数(NGBDI)69、正規化緑赤差指数(NGRDI)69、赤緑青比率指数および赤緑青植生指数(RGBRI70)RGBVI68)、赤緑比指数(RGRI)57、可視土壌調整植生指数(SAVI)53、三角緑度指数(TGI)69、可視大気抵抗指数(VARI)47、植生指数(VEG)71、ウォエベック指数(WI)63。

最終的な出力には、GISプロジェクト内にGeoTIFFとして保存された2つの別々の多波長およびRGB植物群集分類マップと、それまでのすべての地理空間データが含まれています。19のマルチスペクトルVIとグラウンドトゥルースデータセットが、機械学習ワークフロー(例:RFアルゴリズム)でピクセルレベルの予測器として用いられ、北方針葉地沿岸植物群落(OP、LS、US、TG)を分類し、マルチスペクトル植物群落マップを作成しました。さらにRGBベースの予測器(25のRGB VI、グレースケール指数、正規化された56の赤・青・緑インデックスおよびDSM)と、グラウンドトゥルースデータセットを組み合わせて、RGBベースの植物群落マップを分類・生成します(図7参照)。最終出力はRコンソールでプロットされ、図7Aは多波長を示し、図7BはRGBベースの植物群集マップを示しています。

最終出力を生成するために、プロトコルのフェーズ4であるR環境を用いて機械学習ワークフロー(例:RFアルゴリズム)をスクリプト化・実行し、植生指数(VI)のパフォーマンスランキングなどの中間出力の可視化が可能になりました(図8)。植物群落のマッピングや分類時に、Rコンソールはリアルタイムのエラーメッセージと説明を提供し、トラブルシューティングを容易にし、各ステップのスムーズな進行を保証しました。

本研究では、植物群落分類マップ用の2つのRFアルゴリズムモデルを評価しました。最初のRFモデルはマルチスペクトルVIを入力データセットとして用い、検証データセットでF1スコア0.915で92.34%の精度を達成しました。これは妥当な結果であり、F1スコアは0(最悪)から1(完璧)まで幅広く、スコアが高いほど優れたパフォーマンスを示します。RFモデルにおけるF1スコアは、精度とリコールの調和平均を表します。この指標は偽陽性と偽陰性のバランスを効果的に取っており、不均衡なデータセットにおいて重要な誤りが他方を上回ることを防ぎ、クラス間で平均化されるか、クラスごとに報告されることが多いです。モデル全体の性能を評価するために78,79。マルチスペクトルモデルのOOBエラー率は7.75%で、誤分類のリスクは中程度であることを示しました。検証データセットにおけるクラスレベルのF1スコアは、目標群落(TG)で0.845からOP植物群落では0.984の範囲で、群集間でパフォーマンスのばらつきが中程度であることを示しました。

2回目の評価されたRFモデルは、RGB航空調査から導出されたVIとDSMに基づいており、98.89%の精度、全体のF1スコア0.987を記録しました。OOBエラー率はわずか1.14%で、非常に高い信頼性を反映しています。クラスレベルのF1スコアは一貫して高く(0.986–0.993)、すべてのコミュニティで堅実な分類が見られました。

Rの可変重要度プロット(図8A)は、各VIが北方針葉巻沿岸湿地植物群落の予測能力を示しました。最も影響を受けたマルチスペクトルVIは、樹冠の緑やバイオマスに強い感受性を示すmNDVIとSRでした。同様に、GRDI、NDVI、NDVIre、SRreも高く評価されており、赤縁指数や正規化差指数が植生タイプを区別する役割を反映しています。これに対し、RGBベースのインデックスとDSM変数重要度プロットは、DSM由来の構造高モデルが分類精度の重要な要因であることを示しています(図8B)。その他の重要な予測因子には、RGB反射率変動を活用するTGI、グレースケール、VARIがあります。したがって、これらの結果はDSMおよびRGB由来の指標が分類信頼性を大幅に向上させ、誤分類リスクを低減することを示しています。

地理空間データセット全体はGISプロジェクトフォルダとして保存され、UAV調査およびVIラスタマップ、生物物理観測のGeoPackage(地上真実)、植物群落マップが含まれています。すべてQGISプロジェクト(.qgzファイル)としてリンクされています。このプロジェクトはオフライン利用に適しており、GISプラットフォーム間の相互運用性を可能にします。

figure-results-1
図1:調査現場。 世界地図に位置ピンをつけた写真で、西エストニア諸島のヒウマア島を指し示しています。研究地点であるケルゲッサーレ・ランナニット はヴィスコサ村に位置し、自然保護区となっています。生息地タイプ:北方のバルト海沿岸草原(Natura 2000 コード1630)。 この図の拡大版はこちらをクリックしてご覧ください。

figure-results-2
図2:概念ワークフロー図。 (1) UAVベースの航空調査、(2) 地上情報収集とジオリファレンシング、(3) 植生指数計算、(4) Rのランダムフォレストを用いた教師あり分類。プロトコル実装の実際の地図は、この4段階の方法を示しています。 この図の拡大版はこちらをクリックしてご覧ください。

figure-results-3
図3:詳細なワークフロー図。 図はプロトコルの4つのフェーズ(および主要なステップ)を異なる色のパネルで示し、各フェーズで生成されたデータセットを示しています。アラーはデータの流れを象徴します。青色は多重スペクトルデータセットと赤色のRGBを区別します。 この図の拡大版はこちらをクリックしてご覧ください。

figure-results-4
図4:写真測量ソフトウェアの例。 (A–C) RGB画像モザイクプロジェクトのスクリーンショット:(A) DSMおよび正交モザイクスの処理オプション。(B)赤、緑、青のインデックスの処理オプション。(C) 航空画像やカメラアングルを含む処理進捗の映像。 この図の拡大版はこちらをクリックしてご覧ください。

figure-results-5
図5。GISソフトウェアでの地図ラスタファイルのクリッピング。 QGISワークスペースのスクリーンショットで、レイヤーが見え、タブが順に開かれていて、不要なデータのクリップ方法を示しています。ラスター-抽出-クリップラスターをExtentで使う(「extent」は、境界外に落ちたピクセルをマスキングするために望むように描かれ、ポリゴン形状を指す)。 この図の拡大版はこちらをクリックしてください。

figure-results-6
図6。GISソフトウェアのラスター計算機のスクリーンショット。 例として、修正土壌調整植生指数(MSAVI)の公式入力。 この図の拡大版はこちらをクリックしてご覧ください。

figure-results-7
図7。R版の統計計算環境:Rコンソール(RStudio)でプロットされた最終出力のスクリーンショット。(A) 多スペクトルマップ、(B) RGBベースの植物群集マップ。この図の拡大版はこちらをクリックしてご覧ください。

figure-results-8
図8。Rの統計的計算環境で、VIパフォーマンスランキングを示すスクリーンショット。(A、B)Rコンソールのビュー:(A) マルチスペクトルVIを入力データセットとして使用した場合のスクリーンショット、(B) RGB+DSMデータセットを使用した場合のスクリーンショット。(AとBの両方のビュー)には「final_rf」(スクリプト生成オブジェクト名)と呼ばれる変数重要度プロットが含まれています。この図の拡大版はこちらをクリックしてご覧ください。

補足ファイル1:植生指数方程式。 このプロトコルで使用される多波長およびRGBベースの植生指数(VI)方程式の一覧。RGB VI計算前のRGBバンド正規化の公式も含まれます。 このファイルをダウンロードするには、こちらをクリックしてください。

補足ファイル2:RF分類および検証スクリプト.R. このファイルをダウンロードするには、こちらをクリックしてください。

ディスカッション

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

プロトコルの重要なステップは、フェーズ1のUAV調査とフェーズ2のフィールドワークで、生物物理学的観測データが収集され、グラウンドトゥルースデータセットが集計されます。どちらも天候に依存し、近接して行う必要があります。また、両者とも高い座標精度を持つ地理空間データセットを生成しなければなりません(ケーススタディでは1〜3cmの精度が達成されました)。植生指数計算と機械学習プロセスの成功は、UAVサーベイのデータ品質と実際の状況に直接依存します。UAV測量マップの精度を達成するための重要なステップは、ステップ1.4「飛行後の手順」で説明されています。もし後処理や画像ジオタグ付けでアクセスできないRINEXデータを使用する場合、代替案としてはライブRTKベースステーションを使う方法があり、これにより飛行中にドローンにリアルタイムのGNSS補正信号が提供されます(セットアップ手順の例はMovchanらの動画記事37 参照)。

データ収集の前に、調査現場を訪れて景観の体験的知識を得て、関心のある植物群落を特定し、現地で収集可能な生物物理学的観察結果を判断して植物群集の構成を記述する必要があります。各研究地点は気候帯によって形成された独特の景観特性と植物相を示すため、植物種の特定は正確な土地被覆マッピングに不可欠です。なぜなら、種特異的な生化学的、構造的、生理学的特徴が独自のスペクトル反射率シグネチャーを生み出すからです。各サンプリングクアドラットごとに、GNSS/RTK機器と土地測量ソフトウェアを使って四隅すべてに座標を記録し、クアドラット識別コードを入力して保存する必要があります。クアドラット内で収集されたすべての追加の生物物理学的観測やサンプルはこれらの座標にリンクされ、すべての測定が地理空間データセットに固定され、植物群落の分類やその後の統計解析や生態学的モデリングのために統一された表形式でまとめられるようにしなければなりません。サンプル化された四分の一角はトレーニングポイントとラベル付けされ、コミュニティ名やコードが付加されています(例えば、このトレーニングセットではOP、LS、US、TGでした)。ランダムフォレスト(RF)は各ラベルに関連するピクセルパターンを学習します。RF分類の最終結果は、フィールドワーク中に提供された四分円訓練サンプルに基づき、研究現場全体における植物群落ラベルの分布を示す地図です。

フェーズ3(植生指数計算)とフェーズ4(ランダムフォレストを用いたRでの教師あり分類)は相互依存し、非常に修正可能です。例えば、補足ファイル1には、多スペクトルバンドからのインデックス計算のための19の数学的公式と、RGB航空調査データの再計算に関する23の公式が記載されています。それでも、VIは研究者によって定式化されるため、方程式はオープンソースであり、査読付き論文やスペクトルインデックスデータベースで公開されています。機械学習プロセスで植物群落マップを分類するための検証可能な数式が、提供されている以上に多数用意されています。データセットの変更はアルゴリズムのパフォーマンスに影響を与えます。VIはテストモデルに追加・省略することができます。マルチスペクトルおよびRGBベースのデータセットから導出された2つの最終植物群落マップが利用可能であることから、モデルのパフォーマンス比較の機会が提供されます。RGBモデルは98.89%のスコアを記録しましたが、それが必ずしもマルチスペクトルセンサーより優れているという意味ではありません。マルチスペクトルセンサーは得点が低かったです。RGBベースのデータは色と高さに依存しており、構造的に多様な生息地の土地被覆マップの分類に効率的です(9,33)。対照的に、マルチスペクトル画像は外見だけでなく植物の生理学についてより多くの情報を提供し、色や影に強い耐性を持つ植生タイプの識別に優れている場合があります(例:植物が強く反射する近近紅外線光は、部分的に陰影がかかっていても捉えられます)。RGBセンサーのみを使用する場合は、そのスペクトル範囲が狭い(赤、緑、青)に制限されており、クロロフィル含有量や水分ストレスなどの微妙な生化学的・生理学的差異は、NIR、赤エッジ、またはハイパースペクトルバンドなしでは検出できない場合があります。

この手法の主な制約には、高価なUAVシステムと実証されたフォトグラメトリーが含まれる可能性があります。しかし、この方法はこのプロトコルを再現するために、マルチスペクトルセンサーとRGBカメラを互換性を持って使用できるように設計されています。このプロトコルを実装するために、多波長センサーとRGBセンサー(Sequoia)とeMotion飛行管理ソフトウェアを搭載したeBee X固定翼UAVシステムが使用されました。しかし、他のUAVシステムは、マルチスペクトルセンサーやRGBカメラ、フライト管理ソフトウェア内のミッションプランニング機能、90度のナディアカメラの向き、そして飛行後のジオタグ付け用のユーザーアクセス可能なフライトログや、飛行中に正確な画像座標を記録するRTK機能などを備えれば、提供されたプロトコルを再現できます。さらに、非パイロットも契約パイロットがすべての法的および運用要件を満たしている場合、UAV調査の下請けを行うことができます。これは研究、保全、環境モニタリングで一般的な慣行です。しかし、研究チームは調査場所の定義や調査のタイミング決定など、基本的なミッション設計を担当しています。したがって、UAV以外のパイロットであっても、プロトコルの第一段階に慣れておくことが推奨されます。さらに、実証されたフォトグラメトリーソフトウェアはプロトコルの実装に使うか、コスト削減のために短期間ライセンスされることもあります。

このプロトコルの顕著な利点は、マルチスペクトルカメラおよび標準的なRGB UAVカメラの両方に対応していることです。限られた予算の研究チームや保全実践者でも採用可能であり、地域や機関を超えて拡張可能であるため、長期的なモニタリングに適しています。このハードウェア独立性により、ワークフローは将来性がありハードウェアに依存しない状態が保たれます。RGBとマルチスペクトル調査の両方を利用できるため、複数の拠点間の比較、機器が変更された場合でも長期時系列、そしてレガシー(歴史的)RGBデータセットの統合をサポートします。

今後の改良では、高解像度画像から派生されたテクスチャ指標を取り入れ、植生の構造的差異をよりよく捉える可能性があります。この文脈では、RGB画像と多波長画像を組み合わせたRFモデルのアンサンブルを探ることで分類精度の向上が期待できます。また、UAV由来の植物群集マップを衛星画像にアップスケーリングし、クラウドベースのプラットフォームと組み合わせる将来の推奨も、大規模な生態系モデリング82を可能にするでしょう。UAVデータは、正確なコミュニティレベルの地図作成に必要なセンチメートルスケールの構造やスペクトルの詳細を捉えるために依然として不可欠ですが、衛星画像は追加の予測層やより広範な文脈入力として機能する可能性があります。衛星由来の変数をRFモデルに組み込むことで、より広い空間範囲にわたる一般化能力が向上し、多スケールの生息地評価を支える可能性があります。このハイブリッドアプローチにより、UAVベースのコミュニティマップをより広い景観の視点に組み込むことができ、地域のパターンを検出し、UAV調査場所の優先順位付けを行い、長期的なモニタリングフレームワークを強化します。衛星データをRFパイプライン内でUAV入力と調和させる方法を探ることは、プロトコルのスケーラビリティと運用上の有用性を拡大する研究の機会を提供します。

UAV画像、現地調査、植生指数、AI支援分類を単一の再現可能なワークフローに統合することは不可欠であり、低成長植生の正確なマッピングに必要な空間的、スペクトル的、生態学的な詳細を提供します。UAVベースのリモートセンシングは科学界で注目を集めており、特に沿岸環境モニタリングなど多様な用途で広く使われるツールへと急速に進化しています。この方法は、UAVを活用した機械学習支援の教育・研究ワークフローの実践的なガイドを提供し、沿岸生態系における自然または半自然の草原の生態系回復とモニタリングを支援することを目的としています。

開示事項

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

著者たちは利益相反を一切認めていない。GrammarlyとQuillBotのAI支援ツールを使って文法を洗練させ、改善のための提案を行いました。

謝辞

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

著者たちは、特に沿岸湿地を管理し、フィールドワーク中に研究チームを安全かつ歓迎してくれた地元の農家たちに感謝しています。著者らは、撮影支援を提供してくれたネットワーキングプロジェクトに感謝しています。「自然支援による持続可能なバルト海のための自然ベースの解決策学習サイト」、特にプロジェクトに携わり、学習サイト/リビングラボの設置を調整しているトマス・ココフキンとシイリ・クルムが、このプロトコルの例として用いられています。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
eBee X senseFly/AgEagleeBee X, https://www.sensefly.com/drones/ebee-x/UAVシステムeBee Xは、プロフェッショナルな固定翼マッピングドローンです。代替のマッピングドローンシステムを使用することができます
eMotionsenseFly/AgEaglehttps://www.sensefly.com/drone-software/emotion/ドローンの飛行ミッションを計画し、空中データを管理するために使用されます。eMotionソフトウェアはeBeeXドローンシステムの補完的な部分です
外部ハードドライブ任意のサプライヤーNA研究対象の面積とプロジェクトサイズによって異なる（250 GB - 1TB）
フィールドワーク用ラップトップ任意のサプライヤーNAフィールド作業に適し、ドローンの飛行管理を可能にする性能の良い、ポータブルな機器（eMotion仕様に基づく：64ビットWindows 10/11; Intel Core i5/i7（12世代+）またはAMD Ryzen 5/7（>3.5 GHz）- 高いクロック速度がコア数よりも重要; 最低16GB（32GB以上強く推奨）; 中級NVIDIA GTX/RTX（例：RTX 3060/4060）; NVMe SSD（必須））
GNSS/RTKシステム TrimbleTrimble Inc. モデル＆nbsp; R10土地測量ソフトウェアと予備バッテリーを備えた受信機があります。代替のGNSS/RTKシステムも使用できます。
草刈り用ハサミ任意のサプライヤーNAバイオマスサンプリング（オプション）
Pix4Dmapper Pix4Dhttps://www.pix4d.com/product/pix4dmapper-photogrammetry-software/フォトグラメトリソフトウェア：Pix4Dmapperは月額または年間でライセンスを取得できます。このプロトコルを実装するために代替のフォトグラメトリソフトウェアを使用することができます。
植物識別ガイド任意のサプライヤーNA生物物理学的観察を行うために使用されます（オンライン、書籍、または印刷された地域の植物IDガイド）
QGISQGIS3.44.9 Solothurn無料でオープンソースのGISソフトウェアで、https://qgis.org/で利用可能、代替GISソフトウェアを使用してこのプロトコルを実装することができます
1m x 1mのクワドラットフレーム 任意のサプライヤーNAフェーズ2でフィールドワーク/サンプリングに使用されます。すなわち、生物物理学的観察を行うために使用され、自作可能です
R R-Software Servicesバージョン4.2.0, https://cran.r-project.org 統計計算とグラフィックス、データ分析、予測モデリングに広く使用されるオープンソースの予測モデリング環境。
RStudioR-Software Servicesバージョン2024.4.0.735, https//posit.co/download/rstudio/ 
RtoolsR-Software Serviceshttps://cran.r-project.org/bin/windows/Rtools/一部のパッケージはソースからコンパイルが必要な場合があります。使用する主要なパッケージ：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, およびrandomForest 4.7 1.1。
スケール（バッテリー駆動、水平、精度±1 g）任意のサプライヤーNAフィールドワークに耐久性があります
SequoiaParrot SAParrot SEQUOIA+フェーズ1で使用されるマルチスペクトラル/RGBセンサーです。RGBおよび/またはマルチスペクトルセンサー（多くのプロフェッショナルドローンには1つまたは両方のセンサーが含まれています）。このプロトコルを実装するためにParrot SEQUOIA+（Parrot SA社）を使用
土壌水分計任意のサプライヤーNA
UAV天気予報アプリ任意のサプライヤーNAフライトを計画するためにhttps://www.uavforecast.com/を使用
WETセンサーキットDelta T DevicesWET-UM-1.6土壌水分センサー（オプション）
ワークステーション任意のサプライヤーNAフォトグラメトリプロジェクトとRでの機械学習をスムーズに処理するために必要な最適な仕様（Pix4Dmapperソフトウェア要件に基づく仕様：Windows 10/11, 64ビット; CPUクアッドコアまたはヘキサコアIntel i9/Threadripper/Ryzen 9/; OpenGL 3.2と互換性のあるGeForce GTX GPUおよび2 GB RAM; ハードディスク：SSD; 500枚以上の画像（14 MP）の大規模プロジェクト：32 GB RAM、60 GB SSD空き容量。

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

RGB GIS
動画は近日公開

関連記事