Verzamelen en verwerken van op drones gebaseerde op afstand gedetecteerde gegevens voor gebruik bij het monitoren van bosherstel

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

doi:10.3791/68745

Method Article

Verzamelen en verwerken van op drones gebaseerde op afstand gedetecteerde gegevens voor gebruik bij het monitoren van bosherstel

DOI:

10.3791/68745

⸱

October 24th, 2025

Dmytro Movchan¹ , Charumitha Selvaraj¹ , Zhouxin Xi¹ , Angeline Van Dongen¹ , Dani Degenhardt¹

¹Natural Resources Canada, Canadian Forest Service, Northern Forestry Centre

Summary

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

Recente ontwikkelingen op het gebied van op afstand bestuurde vliegtuigsystemen (RPAS) maken een resolutie van minder dan een meter mogelijk, ideaal voor het monitoren van bosherstel. De integratie van kunstmatige intelligentie (AI) maakt diepere inzichten mogelijk uit grote datasets met teledetectie. Dit protocol verbetert de monitoring door een efficiëntere beoordeling en beheer van beboste gronden die herstellen van verstoring.

Abstract

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

Remote sensing (RS) technologieën, met name lichtdetectie en -bereik (LiDAR) en multispectrale (MS) beelden, bieden grootschalige vegetatiemonitoringmogelijkheden met verschillende ruimtelijke resoluties. Op afstand bestuurde vliegtuigsystemen (RPAS) die zijn uitgerust met LiDAR- en MS-sensoren kunnen vegetatiebeoordelingen verbeteren door flexibele vluchtschema's aan te bieden en gegevens met een fijne resolutie vast te leggen. Verdere integratie van deep learning (DL)-modellen is veelbelovend voor het automatiseren van de nabewerkingsworkflow, wat vooral belangrijk is voor toepassingen voor vegetatiemonitoring.

Dit protocol schetst een reeks praktische methoden voor het verzamelen, verwerken, uitlijnen en samenvoegen van RPAS-gebaseerde LiDAR- en MS-gegevens voor individuele 3D-boomafbakening met behulp van een interactieve DL-plug-in. Het gepatenteerde DL-model detecteert en segmenteert effectief boomgrenzen over verschillende sensoren, studielocaties en gegevensresoluties binnen bosecosystemen.

Onze specifieke toepassing en motivatie voor het ontwikkelen van dit protocol en instrument is het monitoren van bosherstel op teruggewonnen olie- en gasbronnen. Momenteel zijn beoordelingsmethoden in het veld tijdrovend, arbeidsintensief en ruimtelijk beperkt. Naarmate de inspanningen op het gebied van terugwinning toenemen, is er een groeiende behoefte aan efficiëntere en schaalbare benaderingen om het succes van terugwinning en het herstel van het ecosysteem te monitoren. Door het bevorderen van RPAS-gebaseerde DL-toepassingen, ondersteunt dit onderzoek de monitoring van ecologisch herstel op teruggewonnen putten en is het ook van toepassing op andere beboste landschappen.

Introduction

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

De winning van olie- en gasbronnen heeft geleid tot de oprichting van honderdduizenden putten in Alberta¹, waarvan er vele zich in het boreale bos² bevinden. Ontginningsinspanningen zijn gericht op het herstellen van verstoorde gronden in hun oorspronkelijke ecologische staat³. Conventionele onderzoeken op de grond blijven het belangrijkste middel voor het toezicht op de certificering van^{terugwinningen 4}; Dit is echter een tijdrovend en arbeidsintensief proces dat steeds minder efficiënt wordt naarmate het aantal verstoorde en teruggewonnen gebieden blijft toenemen.

Recente ontwikkelingen op het gebied van teledetectie (RS), met name het gebruik van op afstand bestuurde vliegtuigsystemen (RPAS), bieden veelbelovende oplossingen voor de ruimtelijke en temporele uitdagingen van putmonitoring 5,6,7,8. Deze platforms leveren gegevens met een zeer hoge resolutie, waardoor nauwkeurige metingen op het niveau van de individuele boom mogelijk zijn. Integratie met kunstmatige intelligentie (AI), zoals we de afgelopen jaren hebben gezien ^9,10,11, vergemakkelijkt de verwerking en analyse van grote op afstand gedetecteerde datasets door de automatisering van vegetatiedetectie en -meting. Het genereren van geschikte trainings- en validatiedatasets voor deep learning (DL)-modellen blijft echter de belangrijkste uitdaging, met name voor 3D-datasets.

Dit protocol schetst een stapsgewijze workflow voor het verzamelen, verwerken, uitlijnen en samenvoegen van RPAS-gebaseerde LiDAR- en multispectrale (MS) gegevens uit beboste omgevingen om individuele bomen af te bakenen. Deze methode maakt gebruik van de nieuw ontwikkelde TreeAIBox^12-plug-in , geïntegreerd in CloudCompare, om de RPAS-afgeleide puntenwolk te analyseren op segmentatie van individuele boomkronen. De plug-in introduceert een nieuwe 3D DL-benadering op basis van het TreeisoNet^13-model , een suite van gesuperviseerde diepe neurale netwerken die zijn afgestemd op 3D-boomsegmentatie, die is getraind en geverifieerd op RPAS-afgeleide datasets van vijf verschillende teruggewonnen putsites. De locaties die voor de modeltraining werden geselecteerd, varieerden in boomhoogte, dichtheid en soortensamenstelling om de generaliseerbaarheid van het model te garanderen. Bovendien bevatte de trainingsdataset gegevens die waren verzameld tijdens drie opeenvolgende seizoenen: zomer (augustus 2023), herfst (oktober 2023) en lente (mei 2024) om ervoor te zorgen dat het model nauwkeurig kon presteren onder verschillende seizoensomstandigheden met variaties in de zichtbaarheid van bomen. De plug-in automatiseert de processen van puntenwolkfiltering (bomen versus grond), detectie van boomtoppen en segmentatie van individuele boomkronen. De output van de plug-in kan worden gebruikt om vegetatiestatistieken te berekenen, zoals kroonoppervlak, bladerdakfractie, stamdichtheid en boomhoogtes, die worden gebruikt voor vegetatiemonitoring na landaanwinning.

Het TreeisoNet-model, geïntegreerd in de TreeAIBox-plug-in, biedt aanzienlijke verbeteringen ten opzichte van traditionele 3D-segmentatiemethoden zoals stroomgebiedsegmentatie of ShortestPath. TreeisoNet heeft een hogere nauwkeurigheid gerapporteerd over verschillende bostypen, wat de voordelen aantoont van een gesuperviseerde deep learning-aanpak ten opzichte van niet-gesuperviseerde alternatieven¹³. In het bijzonder behaalde de treetop locator-module (TreeLoc) een gemiddelde F1-score van 0,96, wat aanzienlijk beter was dan de lokale maximum (LM)-methode, die een gemiddelde F1-score van 0,57¹³ opleverde. Evenzo registreerde de kroonafbakeningsmodule (TreeOff) een gemiddelde gemiddelde Intersection over Union (mIoU) van 0,85, waarmee de traditionele Watershed3D (mIoU 0,68) en ShortestPath-methoden (mIoU 0,79)¹³ werden overtroffen. Deze statistieken benadrukken de superieure nauwkeurigheid van TreeisoNet bij het detecteren van boomtoppen en het afbakenen van kronen, met name in complexe omgevingen zoals teruggewonnen putten met verschillende boomhoogtes, stamdichtheden en soortensamenstellingen.

Het TreeisoNet-model werd getraind op RPAS-afgeleide LiDAR-gegevens met een puntdichtheid van meer dan 1100 punten per vierkante meter. De methode die in dit artikel wordt beschreven, is gericht op het monitoren van bosherstel in olie- en gasputten; Het kan echter worden aangepast voor gebruik in andere beboste gebieden. De workflow is zeer geschikt voor jonge plantages en bossen met gemengd hout met een schaarse tot matige stamdichtheid (<3.000 stengels per ha), waar de occlusie minimaal is. In bossen met gesloten bladerdak of meerlagige bossen kan de detectie van bomen onder de begroeiing worden verminderd als gevolg van beperkte LiDAR-penetratie. Het model ondersteunt zowel naald- als bladverliezende luifels, hoewel de nauwkeurigheid kan variëren afhankelijk van soortspecifieke kenmerken, zoals dunne leiders bij jonge coniferen. De TreeAIBox-plug-in bevat een bibliotheek met vooraf gedefinieerde, vooraf getrainde modellen die zijn ontworpen om breed toepasbaar te zijn in verschillende bostypen en gevalideerd op diverse datasets van teruggewonnen putten. Gebruikers kunnen gebruikmaken van deze ingebouwde modellen en plug-inparameters aanpassen, zoals maximale opening of minimale straal, om de uitvoer voor hun specifieke datasets te optimaliseren zonder dat ze nieuwe modellen hoeven te trainen. Deze flexibiliteit stelt gebruikers in staat om de workflow aan te passen aan verschillende bosomstandigheden, zoals variërende boomhoogtes of -dichtheden, rechtstreeks binnen de gebruiksvriendelijke grafische gebruikersinterface (GUI) van CloudCompare. De huidige versie van de TreeAIBox plugin ondersteunt geen training van nieuwe modellen binnen de software zelf; Het is echter mogelijk voor gevorderde gebruikers om nieuwe, vooraf getrainde modellen toe te voegen aan de modelbibliotheek.

Protocolsecties 1 en 2 beschrijven onze stappen voor het verzamelen en verwerken van gegevens, terwijl sectie 3 van het protocol het gebruik van de TreeAIBox-plug-in beschrijft om boommetrieken te extraheren. Ons specifieke onderzoek maakt gebruik van een samensmelting van op drones gebaseerde LiDAR-gegevens en MS-beelden; Er kunnen echter verschillende procedures, apparatuur en software worden toegepast om een puntenwolkbestand met hoge dichtheid te genereren voor gebruik in Protocol Sectie 3. Deze workflow vertegenwoordigt een aanzienlijke vooruitgang in vegetatiemonitoring door een state-of-the-art AI-gestuurde boomsegmentatiebenadering te integreren met RPAS-gebaseerde RS, waardoor snellere, nauwkeurige en schaalbare beoordelingen van bosherstel mogelijk zijn.

Protocol

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

1. Een RPAS gebruiken voor het verzamelen van gegevens

OPMERKING: Alle RPAS-operaties moeten voldoen aan de lokale luchtruimvoorschriften en veiligheidseisen. Gebruik de materiaaltabel om de apparatuur en materialen te bekijken die nodig zijn voor het verzamelen van gegevens.

Preflight-voorbereiding: Voordat u het veld in gaat, controleert u de apparatuur en werkt u indien nodig de firmware bij. Maak vluchtbestanden voor elke vluchtmissie en upload ze naar de afstandsbediening. Maak een veiligheidsplan en een document met noodprocedures voor elke vluchtmissie. Zie aanvullend bestand 1 voor een gedetailleerde procedure voor het instellen van de preflight.
Verzameling van veldgegevens: Stel in het veld apparatuur in en voer vliegmissies uit om LiDAR- en MS-gegevens te verzamelen over een interessegebied. Zie aanvullend bestand 2 voor een gedetailleerde workflow van de opstelling van de apparatuur en vluchtparameters.
Instellen van het GNSS-basisstation: Stel een GNSS-basisstation in en voer het uit over de locatie van het RPAS om nauwkeurige coördinaten van de locatie te verkrijgen die zullen worden gebruikt voor Precise Point Positioning (PPP)-correctie¹⁴ tijdens gegevensvoorverwerking (voor hoge nauwkeurigheid is de minimale aanbevolen looptijd van het basisstation 2 uur) (zie aanvullend bestand 3 voor een voorbeeld van de opstelling van het GNSS-basisstation en de procedure om de coördinaten te verkrijgen).
Gegevensoverdracht: Gebruik een kaartlezer om de verzamelde LiDAR- en MS-gegevens van de sensoren naar een werkstation over te brengen voor verdere verwerking.

2. Verwerking van ruwe gegevens

Multispectrale gegevensvoorverwerking: Gebruik fotogrammetriesoftware om de verzamelde MS-gegevens voor te verwerken, geometrische en radiometrische correcties uit te voeren en een MS-orthomozaïek te genereren.
OPMERKING: Zie aanvullend bestand 4 voor een algemene workflow voor het verwerken van RPAS-afgeleide MS-gegevens met behulp van fotogrammetriesoftware.
Reconstructie van LiDAR-puntenwolk: Gebruik geschikte software om de onbewerkte LiDAR-gegevens te reconstrueren tot een puntenwolkbestand (bijv. *.las/laz-bestand). Zie aanvullend dossier 5 voor een gedetailleerde procedure voor het uitvoeren van de reconstructie.
Lijn LiDAR en multispectrale gegevens uit en voeg ze samen. Gebruik geospatiale hulpmiddelen om de LiDAR-puntenwolk en het MS-orthomozaïek uit te lijnen. Zie aanvullend bestand 6 voor een gedetailleerde procedure voor het uitvoeren van de uitlijning. Gebruik een Python-script (zie aanvullend bestand 7) voor het samenvoegen van de LiDAR-puntenwolk met de MS-orthomosaic om een MS-puntenwolk te maken.
OPMERKING: Elke geïntegreerde ontwikkelomgeving (IDE) kan worden gebruikt om het Python-script uit te voeren. Aanvullend bestand 8 demonstreert een algemene workflow voor het samenvoegen van gegevens.

3. De TreeAIBox-plug-in gebruiken voor individuele boomsegmentatie

OPMERKING: Dit gedeelte van het protocol kan worden gevolgd met behulp van puntenwolkgegevens met hoge resolutie uit een beboste omgeving in *.las/.laz bestandsindeling.

TreeAIBox is alleen getest met Windows OS.

Installatie en configuratie: Download en installeer de 3D-puntenwolkverwerkingssoftware, CloudCompare¹⁵. Download vervolgens het plug-in-installatieprogramma van GitHub (TreeAIBox_Plugin_Installer_v1.0.exe)¹² (Afbeelding 1). Voer het installatieprogramma uit en volg de aanwijzingen op het scherm.
OPMERKING: Het installatieprogramma detecteert automatisch de CloudCompare-softwarelocatie en implementeert de plug-in met de vereiste DL-bibliotheken op basis van de beschikbaarheid van GPU of CPU. Volg de README-instructies¹² voor alternatieve installatiemethoden of probleemoplossing. Na de installatie moet de mappenstructuur overeenkomen met wat wordt weergegeven in Afbeelding 2.
Gegevens in de laadpuntwolk:
1. Open CloudCompare vanaf het bureaubladpictogram of door naar Start | Alle programma's | CloudCompare. Laad het puntenwolkbestand (bijv. *.las/laz-bestand) in CloudCompare door naar het canvas te slepen of door de knop Een of meer bestanden openen op de hoofdconsole te gebruiken en op Toepassen te klikken (Afbeelding 3).
2. Als de puntcoördinaten groot zijn, wordt u gevraagd of er een globale verschuiving/schaal moet worden toegepast. Selecteer Invoer, waarmee de metagegevens van het .las/laz-bestand worden gelezen, en klik op Ja (Afbeelding 4). De puntenwolk verschijnt nu in het canvas.
De TreeAIBox-plug-in openen: Open de werkbalk van de Python-plug-in, vouw de vervolgkeuzelijst Script Register uit en klik op TreeAIBox om de GUI van de plug-in te openen (Afbeelding 5).
Filteren van boom- en grondpunten
1. Zorg ervoor dat het selectievakje GPU (CUDA) gebruiken is ingeschakeld als CUDA-ondersteunde GPU beschikbaar is. Selecteer in het bovenpaneel TreeFiltering, kies ALS als boomstammen niet zichtbaar zijn in de RPAS-gegevens, schakel de tegelgrootte uit, selecteer 'treefiltering_als_esegformer3D_128_15cm(GPU3GB)' in de vervolgkeuzelijst Voorgedefinieerde modellen (Afbeelding 6). Als u dit model voor de eerste keer gebruikt, wordt de tekstkleur grijs weergegeven. Klik op Downloaden en bevestig de pop-up met het lokale pad.
2. Selecteer de puntenwolk in het canvas (gemarkeerd met een begrenzingsvak) en klik op Toepassen in het deelvenster TreeFilter . Er wordt een nieuw scalair veld met de naam treefilter gemaakt: waarde = 2 (boompunten, rood) en waarde = 1 (andere punten, blauw) (Figuur 7). Bevestig dit voordat u doorgaat naar de volgende stap.
Boomtoppen detecteren
1. Selecteer in het TreeAIBox-bovenpaneel TreeisoNet, schakel Reclamation, ALS (stem implicit) en TreeLoc in en kies het vooraf getrainde model: 'treeisonet_als_reclamation_treeloc_esegformer3D_
  128_10cm(GPU4GB)' uit de vervolgkeuzelijst. Zorg ervoor dat de puntenwolk in het canvas is geselecteerd (gemarkeerd met een begrenzingsvak), klik vervolgens op en Toepassen (Afbeelding 8).
2. Wanneer de verwerking is voltooid, verschijnt er een nieuw item met de naam boomtoppen onder de oorspronkelijke puntenwolk in het DB Tree-venster . Selecteer dit item en vergroot de puntgrootte (bijvoorbeeld tot 16) voor een betere zichtbaarheid. Controleer of de posities in de boomtoppen worden weergegeven als witte stippen in het canvas (Afbeelding 9).
Segmenteren van boomkronen
1. Selecteer het item in de puntenwolk opnieuw (rood gemarkeerd) (Afbeelding 10). Selecteer in het TreeAIBox bovenpaneel TreeisoNet en schakel TreeOff in. Download het voorgetrainde model 'treeisonet_als_reclamation_treeoff
  _esegformer3D_128_10cm(GPU4GB)' (Afbeelding 11) als dit nog niet beschikbaar is, klikt u vervolgens op Toepassen om het model uit te voeren.
2. Er wordt een nieuwe scalaire veldtreeoff gemaakt, waarbij aan elke boom een unieke ID wordt toegewezen. Punten uit dezelfde boom delen dezelfde ID. U kunt de grootte van de treetoppunten ook terugzetten naar de standaardinstellingen om visuele rommel te verminderen. Controleer of de weergave van het softwarecanvas overeenkomt met de weergave in afbeelding 12.
3. Optionele visualisatie: Willekeurige boomkleuren: Als u het visuele contrast van gesegmenteerde bomen wilt verbeteren, maakt u de boomkleuren willekeurig op id. Kloon eerst de originele puntenwolk om de gegevens te behouden (Bewerken | Kloon). Ga vervolgens naar Bewerken | Scalaire velden | Converteren naar willekeurige RGB (Figuur 13). Voer een grote waarde in (bijvoorbeeld 256000) om voldoende discrete kleuren te garanderen en klik op OK. De puntenwolk toont bomen in willekeurige kleuren (Figuur 14).
  OPMERKING: Deze stap is alleen voor visualisatie en heeft geen invloed op segmentatie-ID's, maar er worden RGB-waarden in de gekloonde puntenwolk overschreven.
Segmentatiestatistieken en -uitvoer exporteren: Selecteer in het TreeAIBox-bovenpaneel TreeisoNet en klik op Statistieken exporteren om de resultaten van boomsegmentatie te exporteren. Klik vervolgens op Uitvoerpad openen om het uitvoerbestand in de resultatenmap weer te geven (Afbeelding 15). Het geëxporteerde CSV bevat gesegmenteerde boom-ID's, coördinaten, boomhoogte en kroongebied.
OPMERKING: Hiermee is de gegevensverwerking met behulp van TreeAIBox voltooid.

figure-protocol-1
Figuur 1: Toegang tot de TreeAIBox plugin installer via de GitHub repository. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-2
Figuur 2: De mappenstructuur met de TreeAIBox plugin. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-3
Figuur 3: Het puntenwolkbestand laden in CloudCompare. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-4
Afbeelding 4: Een globale verschuiving instellen voor de puntenwolk wanneer deze in CloudCompare wordt geladen. Klik hier om een grotere versie van deze afbeelding te bekijken.

figure-protocol-5
Afbeelding 5: De Python-plug-inwerkbalk van CloudCompare gebruiken om de TreeAIBox-plug-in te starten. Klik hier om een grotere versie van deze afbeelding te bekijken.

figure-protocol-6
Figuur 6: Het TreeFiltering paneel instellen om de boompunten van de grondpunten te scheiden. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-7
Figuur 7: De resultaten van het scheiden van de boompunten van de grondpunten. De boompunten worden in het rood weergegeven, terwijl de grondpunten in het blauw worden weergegeven. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-8
Afbeelding 8: Het TreeisoNet-paneel instellen om boomtoppen te detecteren met behulp van TreeLoc. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-9
Figuur 9: De resultaten van de boomtopdetectie. De witte stippen geven de posities van de boomtoppen aan. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-10
Afbeelding 10: Het item Boompuntenwolk opnieuw selecteren voordat u het TreeOff-paneel toepast. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-11
Afbeelding 11: Het TreeisoNet-paneel instellen voor segmentatie van boomkronen met behulp van TreeOff. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-12
Figuur 12: De resultaten van de segmentatie van de boomkronen. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-13
Afbeelding 13: De gesegmenteerde puntenwolk instellen om de kleuren van de bomen willekeurig te maken op basis van hun ID's voor een beter grenscontrast. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-14
Figuur 14: De resultaten van de randomisatie van de boomkleuren. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-15
Figuur 15: Extractie van boomsegmentatieresultaten van het TreeisoNet-paneel naar een csv-bestand. Klik hier om een grotere versie van deze afbeelding te bekijken.

Results

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

Volgens het vastgestelde protocol werden RPAS-afgeleide LiDAR- en MS-gegevens verzameld op drie onderzoekslocaties die waren beplant met jonge bomen. Deze locaties werden geselecteerd om het vermogen van het model te testen om individuele bomen van verschillende hoogtes te detecteren. Plaats 1 is beplant met Abies balsamea (balsemspar ), met een gemiddelde hoogte van 1,46 m. Op vindplaats 2 waren Pinus contorta (lodgepole-dennen) bomen te zien van gemiddeld 2,17 m hoog. Site 3 bevatte een mix van kleine Abies balsamea - en Pinus contorta-bomen , met een gemiddelde hoogte van slechts 0,51 m. Naast de RS-gegevens werd ook de locatie van 224 referentiebomen geregistreerd met een GNSS-eenheid.

Na het verzamelen en verwerken van gegevens werd de TreeAIBox-plug-in toegepast om boompunten te filteren en individuele bomen af te bakenen. De resultaten van de plug-in worden weergegeven in afbeelding 16.

figure-results-1
Figuur 16: De verdeling van afgebakende individuele bomen voor drie studielocaties (A - Site 1; B - Kavel 2; C - Site 3) gegenereerd door de TreeAIBox plugin. Klik hier om een grotere versie van deze figuur te bekijken.

In totaal werden 2.755 individuele bomen gedetecteerd op de drie locaties. Het model identificeerde 1.706 bomen op locatie 1 (afbeelding 16A), 882 bomen op locatie 2 (afbeelding 16B) en 167 bomen op locatie 3 (afbeelding 16C). Het detectiepercentage voor referentiebomen varieerde tussen de locaties, waarbij 100% van de referentiebomen werd gedetecteerd voor locatie 2, 95% voor locatie 1 en slechts 21% voor locatie 3, zoals weergegeven in tabel 1. Deze resultaten benadrukken de hoge prestaties van het model bij het detecteren van bomen > 1 m, met een detectiepercentage van 100% voor alle referentiebomen in dit bereik. De prestaties daalden echter voor kortere bomen: slechts 45% van de referentiebomen tussen 0,5 en 1 m werd gedetecteerd en geen van de bomen < 0,5 m werd geïdentificeerd (Tabel 2).

Ligging #	gemiddelde boomhoogte, m (stdev)	# referentiebomen	# gedetecteerde referentiebomen	% van de gedetecteerde referentiebomen
1	1.46 (0.45)	75	71	95
2	2.17 (0.4)	74	74	100
3	0.51 (0.17)	75	16	21

Tabel 1: Detectiepercentages van referentiebomen per locatie.

Hoogtebereik van de boom	# referentiebomen	# gedetecteerde referentiebomen	% van de gedetecteerde referentiebomen
0 - 0,5 m	41	0	0
0,5 - 1 m	40	18	45
1 - 1,5 m	49	49	100
1,5 - 2 m	42	42	100
> 2 m	52	52	100

Tabel 2: Detectiepercentages van referentiebomen op basis van verschillende boomhoogtebereiken.

Aanvullend bestand 1: RPAS-workflow voor gegevensverzameling - taken vóór het veld. Klik hier om dit bestand te downloaden.

Aanvullend bestand 2: RPAS-workflow voor gegevensverzameling - in het veld. Klik hier om dit bestand te downloaden.

Aanvullend bestand 3: GNSS-eenheden gebruiken voor nauwkeurige locatiebepaling. Klik hier om dit bestand te downloaden.

Aanvullend bestand 4: MS-gegevensverwerkingsprocedure met behulp van fotogrammetriesoftware. Klik hier om dit bestand te downloaden.

Aanvullend bestand 5: Een reconstructie van een puntenwolk op basis van onbewerkte LiDAR-gegevens. Klik hier om dit bestand te downloaden.

Aanvullend bestand 6: Een LiDAR-puntenwolk en MS orthomosaic uitlijning met behulp van geospatiale hulpmiddelen. Klik hier om dit bestand te downloaden.

Aanvullend bestand 7: Een Python-script voor het samenvoegen van een LiDAR-puntenwolk en MS-afbeelding om een MS-puntenwolk te genereren. Klik hier om dit bestand te downloaden.

Aanvullend bestand 8: Een algemene workflow van het samenvoegen van een LiDAR-puntenwolk en MS-afbeeldingen. Klik hier om dit bestand te downloaden.

Discussion

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

Een van de belangrijkste uitdagingen bij het toepassen van DL op RS-gegevens, met name 3D-puntenwolken, ligt in de ontwikkeling van evenwichtige en representatieve trainings- en validatiedatasets. De effectiviteit van elk DL-model is grotendeels afhankelijk van de diversiteit en kwaliteit van de geannoteerde gegevens die tijdens de training^{worden gebruikt} 9,10,11,16. Het nieuwe 3D DL-model dat in deze studie werd gebruikt, werd getraind en gevalideerd met behulp van datasets die zijn verzameld van meerdere teruggewonnen putten in de boreale boszone, gekenmerkt door jonge, geplante en natuurlijk regenererende vegetatie. Deze locaties werden zorgvuldig geselecteerd om een breed scala aan bosomstandigheden te omvatten, waaronder variatie in boomhoogte, stamdichtheid en soortensamenstelling, om een brede generaliseerbaarheid van het model te garanderen. Bovendien was de trainingsdataset in de tijd divers, met RS-gegevens die over drie opeenvolgende seizoenen waren verzameld. Deze seizoensgebonden variatie was van cruciaal belang voor het trainen van het model om betrouwbaar te presteren onder verschillende zichtomstandigheden van het bladerdak, rekening houdend met veranderingen in de bladerbedekking en structurele complexiteit. De integratie van multi-seizoensgebonden en multi-structurele gegevens droeg bij aan de robuustheid van het model, met name wat betreft het vermogen om individuele bomen te detecteren onder veranderende lichtomstandigheden en fenologische stadia.

Een opmerkelijke bevinding uit dit onderzoek was dat het opnemen van MS- of RGB-gegevens naast LiDAR de nauwkeurigheid van boomdetectie of kroonsegmentatie binnen de TreeAIBox-workflow niet significant verbeterde. Dit suggereert dat de geometrische eigenschappen van LiDAR-puntenwolken, zoals kroonvorm en ruimtelijke rangschikking, de belangrijkste drijfveren zijn voor effectieve boomdetectie en segmentatie, vooral in omgevingen met jonge of schaarse vegetatie. Spectrale gegevens toonden echter waarde aan in complementaire toepassingen, zoals soortclassificatie, waar MS-beelden de differentiatie van naald- en loofbomen verbeterden.

Een kritische factor die van invloed is op het succes van de detectie en segmentatie van individuele bomen in de TreeAIBox-workflow is de kwaliteit van de invoerpuntenwolk. Optimale prestaties vereisen LiDAR-gegevens met een zeer hoge dichtheid, doorgaans meer dan 1.000 punten per vierkante meter. Moderne RPAS-gebaseerde LiDAR-systemen kunnen deze dichtheid bereiken door gebruik te maken van geoptimaliseerde vluchtparameters, zoals lage hoogtes en hoge vluchtoverlappingen. Hoewel TreeAIBox in staat is om puntenwolken met een lagere dichtheid te verwerken, kan een lagere puntdichtheid het vastleggen van structurele details beperken. Dit leidt vaak tot verminderde detectie- en segmentatienauwkeurigheid, vooral voor kleinere bomen waar kroon- en stengelkenmerken mogelijk ondervertegenwoordigd zijn.

De TreeAIBox-workflow verbetert de efficiëntie en automatisering in vergelijking met traditionele of handmatige segmentatiemethoden, met meetbare indicatoren van onze validatie op teruggewonnen putten. Verwerkingstijden voor boomtopdetectie en kroonsegmentatie zijn gemiddeld 5-10 minuten per locatie op een standaard GPU (bijv. NVIDIA RTX 3060), vergeleken met uren voor handmatige afbakening in software zoals CloudCompare. Automatisering wordt bereikt door de GUI van de plug-in, die command-line scripting en afhankelijkheden elimineert, waardoor niet-experts end-to-end analyses kunnen uitvoeren met minimale invoer. In de praktijk werd hierdoor een putanalyse van 1 hectare teruggebracht van 5-8 uur (handmatige methoden) tot minder dan 30 minuten. De terugval naar de CPU-modus zorgt voor toegankelijkheid zonder high-end hardware, hoewel GPU-versnelling de tijden met 3-5x verkort. Deze efficiëntieverbeteringen maken frequente monitoring mogelijk, waardoor schaalbare toepassingen in bosbeheer worden ondersteund met behoud van een hoge nauwkeurigheid.

Een specifieke beperking die in dit onderzoek werd waargenomen, was het verminderde vermogen van het model om bomen < 1,0 m te detecteren. Hoewel de detectiepercentages voor bomen > 1,0 m hoog waren, met 100% referentiebomen die correct werden geïdentificeerd in dat hoogtebereik, daalden de prestaties aanzienlijk voor kleinere bomen (tabel 2). Deze beperking is waarschijnlijk te wijten aan verschillende factoren. Ten eerste belemmert een lagere LiDAR-puntdichtheid in de buurt van de grond, vooral onder gesloten luifels, in combinatie met een dichte kruidachtige bedekking, de detectie van fijnschalige structurele details die verband houden met kleine bomen. Bovendien verhindert occlusie veroorzaakt door hogere vegetatie vaak dat voldoende puntrendementen de bomen onder de begroeiing bereiken, wat een bekende bron van fouten is in dergelijke toepassingen^10,16. Het algoritme kan er ook niet in slagen subtiele morfologische kenmerken vast te leggen, zoals dunne boomleiders, of dicht gegroepeerde bomen verkeerd classificeren als een enkel object. Het aanpakken van deze uitdagingen kan het optimaliseren van LiDAR-acquisitieparameters omvatten, zoals het aanpassen van de vlieghoogte of scanhoek om de zichtbaarheid op grondniveau te verbeteren, evenals het verfijnen van segmentatiemethoden om beter om te gaan met afgesloten en schaarse gegevens.

Ondanks deze beperkingen is de voorgestelde methode veelbelovend voor toepassing bij monitoring na terugwinning en herbebossing. RPAS-gebaseerde RS biedt, in combinatie met 3D DL-algoritmen, een schaalbare, kosteneffectieve oplossing met hoge resolutie voor het volgen van vegetatieherstel in de loop van de tijd, met name in gebieden die worden verstoord door industriële activiteiten zoals olie- en gaswinning. De mogelijkheid om individuele bomen te detecteren, hun hoogte te schatten en de ruimtelijke verdeling te beoordelen, biedt zinvolle inzichten in de regeneratie van locaties en de naleving van landaanwinningsnormen. Bovendien kan deze methode adaptieve beheerstrategieën ondersteunen door frequente, niet-invasieve monitoring mogelijk te maken die de seizoensgebonden en structurele dynamiek van herstellende ecosystemen vastlegt. Aangezien herstelprojecten steeds vaker fijnschalige gegevens op lange termijn vereisen om ecologisch herstel te beoordelen, biedt deze aanpak een krachtig en praktisch hulpmiddel voor bosbeheerders en onderzoekers die de vegetatieprestaties in complexe, heterogene landschappen willen evalueren.

Disclosures

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

De auteurs hebben geen belangenconflicten te onthullen.

Acknowledgements

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

Financiering voor dit onderzoek werd verstrekt door Office of Energy Research and Development CFS-23-101. De auteurs willen Philip Hoffman, Daniels Kononovs en Elizabeth Friel bedanken voor hun hulp in het veld.

Materials

List of materials used in this article
Name	Company	Catalog Number	Comments
Avenza Maps app	Avenza	NA	Voor offline veldnavigatie met behulp van georeferenteerde pdf-kaarten gemaakt in QGIS
Checkered targets	Elke leverancier	NA	Ground Control Points
CloudCompare	CloudCompare	NA	3D puntenwolk verwerking en bewerkingssoftware
DJI BS60 Batterijstation (met de M300 batterijen (x8), D-RTK2 batterijen (x4), stroomkabel en USB-C kabel om aan te sluiten op de afstandsbediening)	DJI	NA
DJI M300 RTK Vliegtuig met DLS (met controller en reservepropellers)	DJI	NA	DLS (Downwelling Light Sensor)
DJI Terra Pro	DJI	NA	Reconstructie van ruwe LiDAR-gegevens naar 3D-puntenwlk.
DJI Zenmuse L1 LiDAR-sensor (met microSD-kaart)	DJI	NA
D-RTK2 Mobiel Station (met statief en verlengstang)	DJI	NA
Emlid Reach RS2+ Basisstation (met statief)	Emlid	NA
Emlid Reach RS2+ Rover (met GNSS-peilingsstang)	Emlid	NA
Externe harde schijven	Elke leverancier	NA	Om data te back-uppen
Vluchtlogboek	Elke leverancier	NA
Google Earth Pro	Google	NA	Aanmaken van KML-vluchtbestanden
Landingsbaan	Elke leverancier	NA	Om een vliegtuig te lanceren/landen
Laptop	Elke leverancier	NA	Te gebruiken in het veld voor het downloaden van gegevens, kaarten formatteren, etc.
MicaSense RedEdge-P sensor (met MicaSense SD-kaart, USB-C kabel, MicaSense gekalibreerd reflectiepaneel (CRP))	MicaSense	NA
PIX4Dmapper	Pix4D S.A.	NA	Geometrische en radiometrische correctie van multispectrale afbeeldingen en generatie van orthomosaic.
Pneumometer	Elke leverancier	NA
PyCharm	JetBrains s.r.o.	NA	Python integrated development environment (IDE)
QGIS	QGIS	NA	Geospatiale gegevensverwerking, bewerking en visualisatie
SD en microSD-kaartlezer	Elke leverancier	NA
Smartphone	Elke leverancier	NA	Om verbinding te maken met MicaSense RedEdge-P sensor en Emlid Reach RS2+ units
Sterrenpaaltjes/nagels, hamer en markeringstape	Elke leverancier	NA	Om de locatie van D-RTK2 basisstation te markeren
Tablet	Elke leverancier	NA	Voor navigatie in het veld
TreeAIBox (CloudCompare plugin)		NA
Tweerichtings radio	Elke leverancier	NA
Werkstation (CPU i5 of hoger, CUDA-enabled NVIDIA GPU met VRAM ≥ 4GB, RAM ≥ 32GB, SSD ≥ 512GB	Elke leverancier	NA

References

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

Well status. , Alberta Energy Regulator. https://www.aer.ca/data-and-performance-reports/data-hub/well-status (2025).
Western boreal forest - Canada. , Ducks Unlimited. https://www.ducks.org/conservation/where-ducks-unlimited-works/western-boreal-forest--canada (2023).
Baah-Acheamfour, M., Dewey, M., Fraser, E. C., Schreiber, S. G., Schoonmaker, A. Assessing ecological recovery of reclaimed well sites: a case study from Alberta, Canada. Front. For. Glob. Change. 5, 849246(2022).
2010 reclamation criteria for wellsites and associated facilities for forested lands (Updated July 2013). , Environment and Sustainable Resource Development. https://open.alberta.ca/publications/1657667/resource/77e66fa1-f7ee-44ad-8c68-234854d38d44 (2013).
Alvarez-Vanhard, E., Corpetti, T., Houet, T. UAV and satellite synergies for optical remote sensing applications: a literature review. Sci. Remote Sens. 3, 100019(2021).
Hird, J., et al. Use of unmanned aerial vehicles for monitoring recovery of forest vegetation on petroleum well sites. Remote Sens. 9 (5), 413(2017).
Mathews, A. J., Singh, K. K., Cummings, A. R., Rogers, S. R. Fundamental practices for drone remote sensing research across disciplines. Drone Syst. Appl. 11, 1-22 (2023).
Zhang, Z., Zhu, L. A review on unmanned aerial vehicle remote sensing: platforms, sensors, data processing methods, and applications. Drones. 7 (6), 398(2023).
Puliti, S., McLean, J. P., Cattaneo, N., Fischer, C., Astrup, R. Tree height-growth trajectory estimation using uni-temporal UAV laser scanning data and deep learning. Forestry. 96 (1), 37-48 (2023).
Straker, A., et al. Instance segmentation of individual tree crowns with YOLOv5: a comparison of approaches using the ForInstance benchmark LiDAR dataset. ISPRS Open J. Photogr. Remote Sens. 9, 100045(2023).
Xiang, B., et al. Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning. Remote Sens. Environ. 305, 114078(2024).
TreeAIBox CloudCompare Plugin. , https://github.com/NRCan/TreeAIBox (2025).
Xi, Z., Degenhardt, D. A new unified framework for supervised 3D crown segmentation (TreeisoNet) using deep neural networks across airborne, UAV-borne, and terrestrial laser scans. ISPRS Open J. Photogr. Remote Sens. 15, 100083(2025).
Elsheikh, M., Iqbal, U., Noureldin, A., Korenberg, M. The implementation of precise point positioning (PPP): a comprehensive review. Sensors. 23 (21), 8874(2023).
CloudCompare. , https://www.cloudcompare.org/ (2024).
Wielgosz, M., Puliti, S., Xiang, B., Schindler, K., Astrup, R. SegmentAnyTree: a sensor and platform agnostic deep learning model for tree segmentation using laser scanning data. Remote Sens. Environ. 313, 114367(2024).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Verzamelen en verwerken van op drones gebaseerde op afstand gedetecteerde gegevens voor gebruik bij het monitoren van bosherstel

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

References

Reprints and Permissions

Tags

Related Articles