산림 복구 모니터링에 사용하기 위한 드론 기반 원격 감지 데이터 수집 및 처리

저희 연구는 사용자 친화적인 프로토콜 개발을 통해 산림 복원 평가에 드론 기반 LiDAR의 사용을 촉진하는 것을 목표로 합니다. 이 작업을 가능하게 하는 최근 발전으로는 LiDAR 센서 기술의 발전과 딥 론딩 모델과의 통합이 포함됩니다. 우선 RPAS 장비를 점검하고 필요하면 펌웨어를 업데이트하세요.

RTK 기지국은 장애물과 나무 경계선에서 떨어진 탁 트인 곳에 설치하세요. 기지국이 완전히 전원이 들어올 때까지 기다렸다가 드론 비행을 시작하세요. 각 임무마다 비행 파일을 만들어 원격 조종사에 업로드하세요.

이제 관심 지역 상공에서 LiDAR와 다중분광 데이터를 수집하는 비행 임무를 수행하세요. RPAS 기지국 위치에 GNSS 기지국을 설치하고, 정확한 좌표를 얻기 위해 기지국을 가동하세요. 카드 리더기를 사용해 센서에서 수집된 LiDAR 및 다중분광 데이터를 워크스테이션으로 전송하세요.

사진측량 소프트웨어를 사용해 다중분광 데이터를 전처리하고 기하학 및 방사성 보정을 수행합니다. 다중 스펙트럼 오르소모자이크를 생성하세요. 적절한 소프트웨어를 사용해 원시 LiDAR 데이터를 포인트 클라우드 파일로 재구성하세요.

지리공간 도구를 사용해 LiDAR 포인트 클라우드를 다중 스펙트럼 직교 모자이크와 정렬하세요. Python 스크립트를 실행해 정렬된 LiDAR 포인트 클라우드와 다중분광 직사모자이크를 병합하여 다중 스펙트럼 포인트 클라우드를 생성합니다. 3차원 포인트 클라우드 처리 소프트웨어인 CloudCompare를 다운로드하여 설치하세요.

그 다음 GitHub에서 TreeAIBox 플러그인 설치 프로그램 버전 1을 다운로드하고, 설치 프로그램을 실행한 후 화면에 표시되는 안내를 따라 하세요. 데스크톱 아이콘에서 CloudCompare를 열거나, 시작 버튼을 선택한 후 모든 프로그램, CloudCompare를 선택하세요. 하나 또는 여러 개의 파일을 열어 포인트 클라우드 파일을 불러오고, 적용을 클릭하세요.

점 좌표가 크면 전역 시프트나 스케일을 적용하라는 프롬프트를 수락합니다. 입력을 선택해 메타데이터를 읽고, 네를 클릭하면 포인트 클라우드가 캔버스에 나타납니다. 파이썬 플러그인 툴바를 열어보세요.

스크립트 레지스터 드롭다운을 펼친 후 TreeAIBox를 클릭하면 플러그인 그래픽 사용자 인터페이스가 열립니다. Compute Unified Device Architecture 지원 그래픽 처리 장치가 사용 가능하다면, 'GPU 사용 체크박스'가 선택되었는지 확인하세요. 상단 패널에서 TreeFiltering을 선택하고 RPAS 데이터에 나무 줄기가 보이지 않으면 ALS를 선택하세요.

이제 타일 크기 체크박스를 지우세요. 미리 정의된 모델 드롭다운에서 treefiltering_als_esegformer를 선택하세요. 이 모델을 처음 사용한다면, 다운로드를 클릭하고 로컬 경로 팝업을 확인하세요.

캔버스에서 포인트 클라우드를 선택해서 경계 상자로 하이라이트 처리하세요. TreeFilter 패널에서 '적용'을 클릭하세요. 진행하기 전에 나무 점에 대해 빨간색으로 2, 파란색으로 다른 지점에 대해 값 1인 TreeFilter라는 새로운 척도 또는 필드가 생성되었는지 확인하세요.

TreeAIBox 상단 패널에서 TreeisoNet을 선택하세요. Reclamation, ALS stem implicit, 그리고 Treeloc을 활성화하세요. 드롭다운에서 필요한 사전 학습 모델을 선택하세요.

캔버스에서 포인트 클라우드가 선택되었는지 확인한 후 '적용'을 클릭하세요. 처리 후, DB 트리 창의 원래 포인트 클라우드 아래에 Treetops라는 새로운 항목이 나타나는지 확인하세요. 이 항목을 선택하고 점 크기를 16으로 늘려 가시성을 개선하고, 나무 꼭대기 위치가 캔버스에서 흰 점으로 나타나는지 확인하세요.

나무 꼭대기를 세분화할 때는 나무 점군 아이템을 다시 선택하세요. TreeAIBox 상단 패널에서 TreeisoNet을 선택하고 TreeOff를 활성화하세요. 필요한 사전 학습 모델을 다운로드한 후 모델을 실행하려면 적용을 클릭하세요.

다음으로, TreeOff라는 새로운 스케일이나 필드가 생성되었는지 확인하세요. 각 트리가 동일한 트리의 점들이 동일한 식별자를 공유하는 고유 식별자를 할당하는지 확인하세요. 선택적으로 트리 상단 포인트 크기를 기본값으로 재설정하여 시각적 혼란을 줄일 수 있습니다.

시각적 대비를 개선하고 식별자별 나무 색상을 무작위화하려면, 원본 포인트 클라우드를 복제하여 데이터를 보존하려면 편집 및 복제를 선택하세요. 그 다음 편집 → 스칼라 필드, 랜덤 RGB로 변환하세요. 큰 값을 입력해 색상이 구분되도록 하고 확인을 클릭하세요. 무작위 색상으로 표시된 나무들을 표시하는 포인트 클라우드를 보세요.

마지막으로, TreeAIBox 상단 패널에서 TreeisoNet을 선택하고 통계 내보내기를 클릭하여 세분화 결과를 내보내세요. 그 다음 출력 경로 열기를 클릭하면 결과 폴더에서 내보낸 파일을 볼 수 있습니다. 출력이 나무 식별자, 좌표, 나무 높이, 크라운 면적을 포함하는 쉼표 구분 값 파일인지 확인하세요.

TreeAIBox 플러그인은 세 지점 모두에서 나무 지점을 필터링하고 개별 나무를 구분하여 총 2,755개의 개별 나무를 감지했습니다. 모델은 사이트 1에서 1,706그루, 사이트 2에서 882그루, 사이트 3에서 167그루의 나무를 확인했습니다. 기준 나무의 검출률은 사이트 2에서 100%, 사이트 1에서 95%, 사이트 3에서 21%로 차이가 있었습니다.

이 모델은 1미터 이상 높이의 모든 기준 나무에 대해 100% 검출률을 달성했습니다. 짧은 나무에서는 탐지 성능이 저하되어 0.5미터에서 1미터 사이의 나무 중 45%만 검출되었고, 0.5미터 이하의 나무는 식별되지 않았습니다. 이 프로토콜은 복잡한 숲 환경에서 어린 나무의 개별 나무 검출 및 분할 연구 공백을 해소하는 것을 목표로 합니다.

이 프로토콜은 LiDAR 데이터에서 개별 나무 지표를 추출하는 실용적이고 효과적이며 사용자 친화적이고 다재다능한 방법을 제공합니다. 우리 프로토콜은 산림 복원과 모니터링을 진전시키며, 특히 레크리에이션 클라이밍 우물 크기 평가에 유용하여 구획 조사 시간과 비용을 줄입니다.