Semi-geautomatiseerde methode voor het in kaart brengen en classificeren van boreale kustmoerasplantgemeenschappen met behulp van drone- en grondgegevens

Samenvatting

Het protocol bestaat uit vier geïntegreerde fasen: Onbemande Luchtvaartuigen (UAV) onderzoek, verzameling van grondwaarheidsgegevens, berekening van vegetatie-indexen en AI-ondersteunde classificatie en kaartlegging van kustmoerasplantengemeenschappen. Het resultaat is een gelaagde georuimtelijke dataset die toepassingen ondersteunt in ecologie, milieumonitoring en besluitvorming voor het behoud en beheer van kustmoerashabitats.

Samenvatting

Semi-geautomatiseerde plantgemeenschapsmapping overbrugt de kloof tussen traditionele ecologische onderzoeken en moderne AI-ondersteunde ecosysteemmonitoring, waardoor locatieonderzoek en monitoring op schaal en snelheid mogelijk zijn die voorheen onbereikbaar waren. Kustmoerassen, gedomineerd door laaggroeiende kruidachtige planten, vereisen een drone-gebaseerd (onbemand luchtvaartuig, UAV) fotogrammetrisch onderzoek om een hogere ruimtelijke resolutie en meer flexibiliteit in timing te bereiken. Dit protocol bestaat uit vier fasen, namelijk UAV-gebaseerde luchtonderzoek, verzameling en georeferentie van grondwaarheidsgegevens, berekening van vegetatie-indexen en gecontroleerde classificatie met behulp van het random forest (RF)-algoritme in R (d.w.z. AI-ondersteunde, semi-geautomatiseerde mapping van plantengemeenschapsverspreidingen met behulp van machine-learning classificatie). Belangrijke R-pakketten die worden gebruikt zijn terra, sp, sf, rgdal, raster, rsample, MLmetrics, randomForest. De nadruk in de tweede fase ligt op een traditionele ecologische onderzoeksmethode—gestratificeerde quadrat-grondbemonstering. Grondbemonstering dient als grondwaarheid, waarbij empirisch bewijs geleverd wordt om de nauwkeurigheid en betrouwbaarheid van het uiteindelijke kaartproduct te waarborgen. Twee veelgebruikte UAV-gemonteerde sensortypes werden getest: een multispectrale sensor en een RGB-camera, wat 19 multispectrale en 27 RGB-gebaseerde indices opleverde, samen met een RGB-afgeleid digitaal oppervlaktemodel (DSM). Plantengemeenschappen werden in kaart gebracht op een kust-moeraslocatie in de Baltische kust, en de volgende resultaten van algoritmeprestaties werden verkregen: met behulp van de multispectrale dataset behaalde het model een algehele nauwkeurigheid van 92,3% met een out-of-bag (OOB) fout van 7,75%; ter vergelijking: de RGB-dataset behaalde een nauwkeurigheid van meer dan 98% met een OOB-fout van 1,14%. Deze resultaten versterken de geschiktheid van beide sensortypes. Elke fase van het protocol levert georeferentiede datasets op. Deze kunnen worden samengevoegd in een gelaagd geografisch informatiesysteem (GIS) Project met ingebedde biofysische veldwaarnemingen, dat dient als basis voor complex ecosysteemonderzoek, zoals ecologische modellering om effecten en veranderingen te voorspellen. In de praktijk kan dit GIS-project dienen als een historisch verslag van landbedekking en ondersteunend beheer, milieuherstelplanning en monitoring.

Inleiding

Het doel van dit protocol is om een praktische, stapsgewijze workflow te bieden die drone-gebaseerde (d.w.z. onbemande luchtvaartuigen [UAV]-gebaseerde) fotogrammetrische survey combineert met biofysische waarnemingen ter plaatse als grond-waarheidsgegevens om een kaart van de verspreiding van kustwetlands plantengemeenschap te produceren. De uiteindelijke output, een landbedekkingskaart, wordt gemaakt via een semi-geautomatiseerd machine learning-proces (random forest [RF] algoritme^).

Een plantengemeenschapkaart is een essentiële dataset in moerasecologische modellering omdat het complexe vegetatiepatronen omzet in een ruimtelijk expliciete, pixelgebaseerde weergave van habitatstructuur. Deze basisdataset maakt het mogelijk om ecologische processen te modelleren (bijv. biomassaverspreiding, soortinteracties, eco-hydrologische reacties, nutriëntencycli) over een landschap ^2,3,4.

Naast de plantengemeenschapkaart levert het volgen van de stappen van dit protocol een verzameling georuimtelijke gegevens op. Als een geografisch informatiesysteem (GIS)-project kan de dataset worden geïntegreerd in een GIS, gedeeld en gebruikt voor verdere ecosysteemanalyse en besluitvorming ter ondersteuning van beheerplanning en milieumonitoring.

In deze methode levert een UAV-survey een RGB op (d.w.z. rood, groen, blauw, de drie primaire kleuren) en/of een multispectraal, geometrisch nauwkeurige orthomozaïekkaart, samen met een digitaal oppervlaktemodel (DSM), die allemaal dienen als basisgegevens ^5,6. Deze gegevens worden gebruikt om vegetatie-indices (VI's) te berekenen met behulp van orthomozaïekkaarten als invoer voor de calculator van de GIS-software. Om de uiteindelijke uitvoerkaart te maken, dienen VI's als per-pixel voorspellervariabelen voor RF, waarbij de ruwe spectrale informatie van de orthomozaïek wordt omgezet in gestructureerde invoer voor classificatie ^7,8. Omdat VI's wiskundige combinaties zijn van spectrale banden die vegetatie-eigenschappen benadrukken die door planten en licht worden weerspiegeld⁷, kunnen VI's als onafhankelijke data in de ecologie worden gebruikt om habitatkwaliteit en biodiversiteit te monitoren en ecologische modellering te ondersteunen ^8,9. Daarom worden VI's opgeslagen als rasterkaarten en opgenomen in een GIS-project.

Om plantengemeenschappen te classificeren en in kaart te brengen in een door AI ondersteunde omgeving, moeten op afstand waargenomen datasets (bijv. UAV-surveykaarten, DSM en VI's) worden gecombineerd met georeferentiede biofysische waarnemingen ter plaatse om ecologische betrouwbaarheid, reproduceerbaarheid en betekenisvolle interpretatie te waarborgen¹⁰. Dergelijke veldgegevens dienen als grondwaarheid voor het RF-algoritme om habitat-vegetatie-bedekking pixelgegevens in VI's te classificeren en de verspreiding van plantengemeenschappen over een onderzoekslocatie te voorspellen (bijvoorbeeld om een plantengemeenschapkaart te maken)¹¹. Naast het dienen als een ground-truth dataset voor machine learning, bieden geogerefereerde waarnemingen een manier om biofysische waarnemingen binnen GIS te verankeren. Op deze manier functioneert de ecologische dataset als een attributentabel, die kan worden gebruikt als omgevingsvariabelen voor ecosysteemmodellering^12,13. Gegevens ter plaatse zijn waardevol om de ecologische omstandigheden van een habitat aan te tonen, omdat deze direct binnen de daadwerkelijk onderzochte omgeving worden verzameld, wat een realistische en directe beoordeling van specifieke omstandigheden biedt¹⁴.

Kustwetlands zijn energiearme habitats gelegen in beschutte kustgebieden. Moerasecosystemen zijn verspreid langs de kustlijnen van zes continenten, exclusief Antarctica, en spelen wereldwijd cruciale ecologische rollen, behalve in met ijs bedekte landschappen in de uiterste poolgebieden¹⁵. De wereldwijde bevolkingsgroei en industrialisatie, kustverdediging en intensivering van landbouwpraktijken hebben een aanzienlijke impact op kustwetlands en veroorzaken fragmentatie en degradatie^16,17. Deze druk maakt kustecosystemen wereldwijd een prioriteit voor ecologisch herstel en natuurbehoud¹⁸.

Milieumonitoring en ecosysteemmodellering van kusthabitats vergemakkelijken de evaluatie van de gezondheid van ecosystemen, het identificeren van temporele veranderingen en de beoordeling van herstelresultaten¹⁹. Desalniettemin kan effectieve monitoring worden belemmerd door het dynamische karakter van deze ecosystemen, hun beperkte toegankelijkheid en de aanzienlijke kosten van gegevensverzameling in complexe, vaak afgelegen getijdenzones. In dynamische, moeilijk toegankelijke habitats geeft vegetatie vaak het duidelijkste, meest stabiele signaal van ecologische verandering¹⁸.

Omdat vegetatie een fundamentele basis is voor habitatvorming, biedt het classificeren van plantengemeenschappen en het in kaart brengen van hun verspreiding een cruciale basis voor ecologische beoordeling en habitatprocesmodellering 20,21,22. Kustwetlands zijn sterk heterogene systemen en vertonen aanzienlijke variatie over korte afstanden in hoogte, zoutgehalte, vegetatiestructuur, hydrologie en sedimentkenmerken. Vanwege deze complexiteit bevat het protocol gestratificeerde quadratbemonstering²³ (minimaal tien 1 m × 1 m quadratmonsters per plantengemeenschap), wat niet alleen voordelig maar methodologisch noodzakelijk is voor het genereren van representatieve ecosysteemmodellen en landbedekkingskaarten ^24,25.

Om deze methodologie te illustreren werd een casestudy uitgevoerd op een microgetijdenmoeras op het eiland Hiiumaa in de West-Estse archipel van de Oostzee (Figuur 1). Het kustlandschap van de Oostzee, inclusief moerassen in sedimentaccumulatiezones op meer dan 100.000 eilanden binnen de archipels, wordt beheerd op verschillende intensiteitsniveaus^{van 26}. Voor biodiversiteitsbehoud en herstel worden Baltische boreale kustwetlands onderhouden als semi-natuurlijke graslanden^27,28. Dergelijke natte graslanden hebben een regionale landschapswaarde, en sommige, waaronder de casestudy-locatie, maken deel uit van het Natura 2000-netwerk van beschermde gebieden. In dergelijke gebieden, om laaggroeiende vegetatie te ondersteunen, die een grotere biodiversiteit ondersteunt en leefgebieden biedt voor wilde dieren zoals steltlopers^, worden kustweiden uitgebreid begraasd en/of seizoensgemaaid om open graslanden te behouden en te voorkomen dat ze worden overgenomen door uitgestrekte soorten, zoals Phragmites australis³⁰. In boreale kustgebieden omvatten wetlands die onder natuurbeschermingsmaatregelen worden beheerd doorgaans vier belangrijke plantengemeenschappen: Open Pioneer (OP), Lower Shore (LS), Upper Shore (VS) en Tall Grass (TG)³¹. Alle vier vinden plaats op de geselecteerde casestudylocatie. Vaatplantensoorten domineren de natte kustgraslanden. De OP-indicatorsoorten zijn halofyten: Salicornia europaea (meest voorkomende hoogtebereik 3–30 cm) en Suaeda maritima (10–50 cm). De LS wordt gedomineerd door Glaux maritima (3–25 cm) en Juncus geradii (25–75 cm). Amerikaanse indicatorsoorten zijn Festuca rubra (15–90 cm) en Leontodon autumnalis (10–80 cm), en dominante grassen identificeren TG: Deschampsia cespitosa (30–120 cm), Elytrigia repens (30–120 cm) en Molinia caerulea (50–180 cm). Daarnaast zijn typische kustmoerasplanten in deze klimaatzone: Spergularia marina (5–30 cm), Plantago maritima (10–30 cm), Triglochin maritima (15–70 cm) en Agrostis stolonifera (15–30 cm), die in verschillende gemeenschappen voorkomen.

Kustwetlands worden gekenmerkt door hun laag-reliëf landschappen met subtiele microtopografische variaties, zoals depressies en heuvels, die de verspreiding van plantengemeenschappen beïnvloeden. Deze landschapskenmerken ontstaan natuurlijk door processen zoals sedimentafzetting tijdens overstromingen, stormvloeden en getijdenstromen³². Deze kenmerken missen vaak duidelijke signatuur die met grove luchtbeelden kunnen worden waargenomen, maar de soortensamenstelling weerspiegelt specifieke spectrale responsen die kunnen worden geregistreerd en geclassificeerd³³. Gewoonlijk levert satelliet- en vliegtuig-luchtkaarten de georuimtelijke gegevens die nodig zijn voor veel ecosysteemonderzoek en modellering ter ondersteuning van monitoring en beoordeling^34,35. Luchtkaarten op lage hoogte met drones zijn echter essentieel voor effectief in kaart brengen van kustgraslanden. Deze aanpak levert gegevens met hoge resolutie en levert een gedetailleerder fotogrammetrisch verslag van landschapskenmerken, inclusief vegetatieverdelingspatronen en modellen voor vegetatiehoogte afgeleid van een Digital Surface Model (DSM), waardoor de classificatienauwkeurigheid verbetert³.

In vergelijking met alternatieve benaderingen maken UAV-workflows flexibele planning mogelijk om fenologische fasen aan te passen, cloudinterferentie te minimaliseren en structurele details vast te leggen die niet beschikbaar zijn bij satellieten^36,37. In combinatie met machine learning (bijv. Random Forest) ondersteunen UAV-data geautomatiseerde patroondetectie, objectclassificatie en het extraheren van waardevolle inzichten uit complexe datasets die overweldigend zouden zijn voor mensen³⁸. On-site steekproeven blijven echter onmisbaar voor supervised learning omdat het geverifieerde labels biedt voor het trainen en beoordelen van modellen, zodat modellen correcte patronen leren en hun prestaties robuust en betrouwbaar zijn 11,39,40.

Dit protocol is ontworpen voor laag-relief ecosystemen met laaggroeiende plantengemeenschappen die toegankelijk zijn voor bemonstering ter plaatse. De workflow is verdeeld in vier verschillende fasen (Figuur 2): (1) UAV-gebaseerde luchtonderzoek, (2) verzameling en georeferentie van grondwaarheidsgegevens, (3) berekeningen van vegetatie-indexen, en (4) begeleide classificatie met behulp van Random Forest in de open-source statistische computeromgeving R. Het protocol werd geïmplementeerd met RStudio met de volgende sleutelpakketten: terra, sp, sf, rgdal, raster, rsample, MLmetrics en randomForest.

Protocol

OPMERKING: De volgende stappen beschrijven een gedetailleerde workflow (zie diagram in Figuur 3) voor het in kaart brengen en classificeren van kustmoerasplantengemeenschappen. Dit protocol kan worden nagebootst met een op een UAV gemonteerde multispectrale sensor of een RGB-camera. Het voltooien van dit protocol zal enkele dagen duren. Daarom is de methodologie verdeeld in vier fasen, met optionele pauzes. De voorgeschreven volgorde wordt aanbevolen omdat de uitkomsten van de vorige fase de uitvoering van de volgende ondersteunen. De eerste drie fasen genereren datasets die dienen als invoer voor de laatste fase.

1. UAV-gebaseerde luchtinspectie

1. Verkrijg en bekijk essentiële voorzorgsmaatregelen voor UAV-operators, lokale regelgeving en de handleidingen voor dronehardware en -software.
   1. Zorg dat de pilot veilig, legaal en professioneel functioneert; alle vereiste certificeringen of licenties bezitten voor het gebied van operatie; en volledig getraind zijn in het specifieke dronemodel en het gebruik van sensor/camera en de missieworkflow. Raadpleeg het staats- of regionale regelgevingskader voor het afsluiten van UAV-verzekeringen.
   2. Identificeer de luchtruimclassificatie voor het missiegebied en verkrijg de vereiste autorisaties. Respecteer hoogtebeperkingen, no-flyzones en nabijheidsbeperkingen rond luchthavens, infrastructuur en bevolkte gebieden. Voor milieu- en wildlife-overwegingen moet u seizoensbeperkingen volgen (bijv. broedperiodes) en voldoen aan milieuvoorschriften voor beschermde landschappen, wetlands, Natura 2000-locaties en andere beschermde gebieden.
   3. Informeer lokale gemeenschapsleden of belanghebbenden, waar nodig, om goedkeuringen te verkrijgen en misverstanden te voorkomen. Verduidelijken van de regels voor gegevensbescherming wanneer luchtfoto's mensen, privéterrein of voertuigen mogen vastleggen door ervoor te zorgen dat iedereen begrijpt dat de dronevlucht bedoeld is om plantengemeenschappen in kaart te brengen voor onderzoek, en dat alle extra gegevens die onder de gegevensbeschermingswetten vallen vertrouwelijk blijven.
      OPMERKING: Kennisgeving is doorgaans noodzakelijk wanneer nationale of regionale regelgeving voorafgaande communicatie vereist voor drone-operaties.
   4. Volg alle richtlijnen van de fabrikant voor assemblage, onderhoud en bediening van de drone en gemonteerde sensoren; Dergelijke naleving zorgt voor een veilige werking en beschermt de integriteit van de apparatuur. Houd rekening met de maximale windlimieten (9 m/s, inclusief windvlagen), temperatuurbereiken (Min. 0 °C; Max. 35 °C) en payloadcapaciteiten bij het selecteren van sensoren/camera's. Bewaar en vervoer batterijen volgens de instructies van de fabrikant en de luchtvaartveiligheidsvoorschriften.
2. Ontwerp een UAV-vluchtmissie.
   OPMERKING: Om dit protocol te implementeren werd het eBee X vastevleugje UAV-systeem gebruikt, uitgerust met de multispectrale en RGB-sensor en de vluchtmanagementsoftware. Raadpleeg altijd de handleiding van de fabrikant bij het gebruik van een UAV.
   1. Open vluchtbeheersoftware vooraf geïnstalleerd op een laptop. Selecteer op de welkomstpagina onder het tabblad Nieuwe Missie de camera die gebruikt moet worden (in dit geval: Sequoia), voer een beschrijvende missietitel in (bijvoorbeeld de naam van de studielocatie) en selecteer Missie creëren. Het Missiepaneel opent automatisch en de satellietkaart verschijnt in het hoofdbeeld.
   2. Op de satellietkaart gebruik je de cursor om in te zoomen, te pannen en te navigeren naar de geschatte locatie van de studielocatie. Selecteer in het tabblad Werkgebied ' Werkgebied plaatsen ' en plaats de cursor dicht bij het midden van de studielocatie, en klik. Er verschijnt een cirkel die het werkgebied vertegenwoordigt; pas de grootte aan door de straal te vergroten of te verkleinen.
   3. Klik in het Missiepaneel op het tabblad Start- en landingsblad . Klik vervolgens op Add New Start, navigeer met de cursor op de satellietkaart naar de gewenste startlocatie en klik om een nieuw startpunt in te stellen. Klik daarna op Add new Home, kies Lineaire landing, navigeer met de cursor op de kaart naar het gewenste UAV-landings-/terugkeerpunt en klik om te zetten.
      OPMERKING: Gebruik bij het plannen van missies de satellietkaart en meetinstrumenten van de software om optimale landings- en startgebieden te vinden, aangezien een obstakelvrije landingsbaan vereist is. Sommige vaste vleugel-UAV's hebben geen verticale start en vereisen een geleidelijke klim naar hoogte tijdens het opstijgen en een geleidelijke daling. Dergelijke UAV's hebben een landingsbaan nodig van 200–300 m lang en 75 m breed.
   4. Selecteer in het Missiepaneel het tabblad Missieblokken . Klik op Missieblok toevoegen en selecteer vervolgens Horizontale mapping. Selecteer in het keuzemenu Camera Sequoia, en kies vanuit het bovenstaande Plan Hoogtegegevens - EAD. Het preinstellingenmenu verschijnt met tabbladen met instelbare waarden: Resolutie 10 cm/px, Laterale overlap 75% en Longitudinale overlap 80%, wat resulteert in een vlieghoogte van 106,1 m/AED (deze geautomatiseerde waarden zijn geselecteerd voor de UAV-survey).
   5. Plaats de cursor op de satellietkaart en teken een veelhoek rond het studiegebied door met de linkermuisknop te klikken om verstelbare hoekpunten rond de meetlocatie toe te voegen. Om af te ronden, klik je met de rechtermuisknop om het potentiële dronevluchtpad op de kaart weer te geven.
      OPMERKING: Om dit protocol te implementeren werd het onderzoeksgebied geschat op 40 hectare met een vliegtijd van 32 minuten.
   6. Nog steeds in het Missiepaneel , in het tabblad Veiligheidsacties , zorg ervoor dat de volgende acties geselecteerd zijn. Voor Return to Home: als sterke wind wordt gedetecteerd, als de camera een storing meldt bij weinig licht (of lensdop aanstaat), als de uithoudingsvermogen laag is, als de GNSS-nauwkeurigheid afneemt, als de grondmodemverbinding 300 seconden verloren is (kan worden aangepast), en voor de Climb: als de nabijheid van de grond wordt gedetecteerd, moet geselecteerd worden.
   7. Timing is cruciaal: Plan de kaartmissie zo dicht mogelijk bij de grondwaarneming (biofysische bemonsteringsdatum). Dit is van vitaal belang, omdat het garandeert dat dronebeelden en veldgegevens het ecosysteem weerspiegelen onder dezelfde omgevings- en fenologische omstandigheden, wat de wetenschappelijke precisie en interpreteerbaarheid van kaarten aanzienlijk verbetert.
   8. Kies een laagwatervenster (of "laagwater"-omstandigheden in niet-getijdenkusten) om het blootgestelde leefgebied te maximaliseren en waterreflectie te minimaliseren; Houd bij het timen van luchtfoto's ook rekening met verstoring van wilde dieren en probeer het broedseizoen te vermijden.
3. Voer de pre-flight checks en vluchtmissie uit.
   1. Beoordeel de omgevingsomstandigheden ter plaatse. Controleer of het huidige zeewaterpeil laag is; het verstoren van wilde dieren; Zorg ervoor dat het start- en landingsgebied stabiel, droog en voldoende boven water ligt. Onderzoek het luchtruimgebied waar de vluchtmissie zal plaatsvinden op eventuele luchthindernissen, inclusief de start- en landingsgebieden.
   2. Monitor de weersvoorspelling voor optimale vluchtomstandigheden: wind (maximaal 9 m/s), zichtbaarheid (geen mist), luchtvochtigheid (onder 75%) en neerslag (maximale voorspelling 40%).
   3. Assembleer UAV-systeem: dronehardware, sensor/camera, antenne en vluchtmanagementsoftware. Sluit een dronebatterij aan. Controleer de UAV-hardware, inclusief sensor-/cameragezondheid; zorg dat de lens schoon is; en controleer of de sensor/camera correct is aangesloten op de UAV.
   4. Zet de veldwerkcomputer aan, open de vluchtbeheersoftware (eMotion) en klik op Load Mission vanuit het Browse-bestand.
      1. Verbind de USB-antenne met de laptop, klik op Verbinden, en er verschijnt een vluchtbesturingsbalk aan de rechterkant.
      2. Controleer in het tabblad Camera of er voldoende geheugen beschikbaar is om alle surveyfoto's op te slaan (lege SD-kaart, minimaal 32 GB) en dat de juiste camera (Sequoia) vermeld staat. Schakel het geluid van de computer in om softwaremeldingen te horen.
   5. Controleer of firmware en software zijn bijgewerkt (via geautomatiseerde softwaremeldingen) en kalibrer het kompas indien nodig.
   6. Zorg ervoor dat de vooraf ontworpen missie correct geladen is (d.w.z. vluchtpad, start- en landingstrajecten zijn zichtbaar in het hoofdbeeld). Zorg ervoor dat veiligheidsacties correct zijn geselecteerd (zoals vermeld in stap 1.2.6).
   7. Kalibreer de multispectrale sensor. Plaats het paneel op de grond en houd de drone eroverheen met de sensor/cameralens naar het paneel gericht.
      1. Open in de software de vluchtbesturingsbalk, open het tabblad Camera en druk op Kalibreren.
      2. Wacht tot geluidssignalen het maken van foto's aangeven totdat de tekst Radiometrische kalibratie voltooid verschijnt. Dit is niet nodig als je alleen de RGB-sensor gebruikt.
   8. Controleer voordat je aan de missie begint, de windrichting. Pak een klein handjevol licht, droog gras, zand of droge bladeren. Laat het materiaal los vanaf ooghoogte; De richting waarin het gras drijft geeft het pad van de wind aan.
   9. Pas vervolgens in het hoofdbeeld van de software (satellietkaart) de UAV-vluchtroute aan door de oriëntatiehendel te trekken zodat de vluchtlijnen loodrecht op de windrichting lopen. Zorg dat het vluchtpad het hele surveyterrein bestrijkt: pas polygonhoeken aan door hoekpunten te slepen.
   10. Pas de oriëntatie van de landingsbaan aan om te zorgen dat de oriëntatie van het landingspad tegen de wind in is.
   11. Zorg ervoor dat het vliegpad, de start- en landingsgebieden binnen het werkgebied liggen na alle aanpassingen. Breid de cirkel van het werkgebied uit, indien nodig, door de straalnumerieke waarden in het tabblad Werkgebied te vergroten.
   12. Start de UAV-vlucht als een geautomatiseerde vluchtmissie volgens het vooraf ontworpen vluchtpad (onderzoeksgebied voor de casestudy: 40,5 ha). Log de starttijd van de vlucht.
       1. Houd tijdens de vlucht de vluchtbeheersoftware aan en de droneantenne altijd verbonden.
       2. Luister naar en observeer de software voor batterijduurupdates, sensorprestaties en de alarmsignalen van de drone tijdens de missie (bijv. toename van windsnelheid, obstakeldetectie).
       3. Houd te allen tijde een visuele zichtlijn (VLOS) met de drone tijdens een missie, tenzij anders goedgekeurd. Vermijd alle afleidingen en blijf klaar om op meldingen te reageren of een noodlanding uit te voeren. Log de eindtijd van de vlucht.
          OPMERKING: De beste praktijk (afhankelijk van de regio kan het een wettelijke vereiste zijn) is het uitvoeren van inspecties met twee operators: één die VLOS onderhoudt en de ander die de vluchtbeheersoftware monitort. In het geval van een UAV-ongeluk, schort de vluchtoperaties op, beveilig het gebied, documenteer het incident, informeer de relevante autoriteiten en start verzekeringsprocedures.
4. Voer post-vluchtprocedures uit.
   1. Haal alle luchtfoto's uit de op UAV gemonteerde sensor of camera en maak een back-up van alle surveygegevens, inclusief het vluchtlogboek, naar een computer en/of cloud.
      OPMERKING: Het risico op dataverlies neemt in de loop van de tijd toe, omdat apparatuur beschadigd kan raken en SD-kaarten beschadigd kunnen raken.
   2. Controleer beeldscherpte, belichting en dekking, en controleer op gaten in de beeldvolgorde die mogelijk zijn ontstaan door sensorfouten of door schittering, schaduwvorming of getijdenoverstroming. Herplan en heronderzoek indien nodig, zodat de dronevlucht plaatsvindt in nauwe tijdsnabijheid van de grond-truthing.
   3. Download en sla het Receiver Independent Exchange Format (RINEX)-bestand op uit openbare archieven zoals de nationale landmeetkundige diensten, overeenkomstig de vluchtdatum en -tijd.
   4. Op een externe harde schijf (250 GB-1 TB) maak je een map aan voor het studiecase (voorgestelde titel: date_ locatie [Vermijd het gebruik van spaties en speciale tekens]). Dit zal de hoofdmap zijn voor gegevensopslag en toegang voor volgende stappen, en de locatie waar de geo-pakketlagen worden aangemaakt/opgeslagen.
   5. Om geotagging van luchtfoto's uit te voeren, open in de vluchtbeheersoftware het tabblad Postflight . Als dezelfde computer werd gebruikt om te vliegen in de Kalender, selecteer dan de vluchtdatum. Zo niet, kies dan Nee.
   6. Blader door en upload het vluchtlogboek vanuit het back-upbestand. Maak een projectmap aan op de externe geheugenschijf voor het studiecase (titelproject zoals voorgesteld op het scherm). Klik op Volgende.
   7. Blader door en upload vluchtlogboeken vanaf de SD-kaart die tijdens de vlucht wordt gebruikt, die te herkennen zijn aan het vluchtnummer, of upload ze vanuit een back-upbestand. Wacht tot het vluchtpad in het hoofdbeeld van de software verschijnt. Controleer of het het juiste gebied/vluchtlogboek is. Klik op Volgende.
   8. Selecteer in het dropdownmenu onder Nabewerkingsopties PPK: Verwerk de ruwe GNSS-data van drone. Selecteer onder het basisstationlogboek Rinex, zoek het opgeslagen RINEX-bestand en vind het opgeslagen. Klik op Volgende, en wacht dan tot de berekeningen klaar zijn. Zorg ervoor dat PPK is opgelost > Geotags na verwerking 100% verschijnen, klik dan op Volgende.
   9. In het keuzemenu Afbeeldingen laden kies je een van de volgende opties: van SD-kaart of Bladeren om de map te vinden met de luchtfoto's die bij het vluchtlogboek horen. Klik op Volgende. Wacht tot de afbeelding succesvol is verschijnt, en klik op Volgend om de geotagged afbeeldingsimport in de projectmap te starten. Deze beelden dienen als input in een fotogrammetrieproces.
      OPMERKING: Voor elk vluchtlogboek moet het geotaggen van afbeeldingen afzonderlijk worden uitgevoerd (herhaalde stappen 1.4.4 –1.4.8). Bijvoorbeeld, na het wisselen van de UAV-batterij, zal de daaropvolgende luchtmeting een nieuw vluchtlogboek hebben.
5. Verwerk fotogrammetrische gegevens (d.w.z. maak kaartproducten met behulp van luchtfoto's).
   1. Sluit op het werkstation de externe harde schijf met de geotagged UAV-surveybeelden aan en open de vooraf geïnstalleerde fotogrammetriesoftware.
      1. Maak een nieuw project aan en sla het op op de externe schijf (aanbevolen formaat: voorvoegsel MS of RGB + locatie + datum).
      2. Voeg de beelden toe, met de vermelding dat de multispectrale en RGB-datasets in aparte projecten verwerkt moeten worden; Gebruik daarom het MS-voorvoegsel voor multispectrale beelden en RGB voor het laatste.
         OPMERKING: PIX4Dmapper werd gebruikt; Alternatieve fotogrammetriesoftware kan echter worden gebruikt om dit protocol te reproduceren.
   2. Zorg ervoor dat in het pop-upscherm Afbeeldingen de volgende worden vermeld/geselecteerd: WGS 84 als coördinatensysteem, het juiste aantal geolocatiede afbeeldingen, en het Geselecteerde Cameramodel met banden (Sequoia en Groen, Rood, Rode rand, NIR-banden of RGB).
      1. Druk op Volgende, kies vervolgens de verwerkingstemplate: Ag multispectral voor multispectral, maar RGB Ag voor RGB-afbeeldingen. Afronden, en een satellietkaart met beeldlocaties verschijnt in het hoofdbeeld.
         OPMERKING: Voor het multispectrale project moet je calibratiebeelden toevoegen met een zichtbaar kalibratiepaneel (gemaakt in stap 1.3.7 en automatisch opgeslagen met alle surveygegevens). Voor deze casestudy werden in totaal 2.320 multispectrale en 577 RGB-afbeeldingen geolokaliseerd.
   3. Open het venster Verwerkingsopties , klik op 1. Eerste verwerking hier onder Key Points Image Scale, selecteer Volledig en Genereer Orthomosaic Preview in Quality Report, klik dan op 2. Point Cloud en Mesh > Point Cloud in dit tabblad, selecteer 1/2 (Halve afbeeldingsgrootte, Standaard) en selecteer Classify point cloud.
   4. Klik op 3. DSM, Orthomosaic en Index > Index calculator selecteren GeoTIFF en Merge Tiles en alle beschikbare te genereren indexen (Figuur 4).
      1. Voor het multispectrale project zorgt u, onder Radiometrische Verwerking en Kalibratie, ervoor dat het kalibratietype van elke band is ingesteld op Camera, Zonnestraling en Zonnehoek.
      2. Klik op DSM en Orthomosaic onder Raster DSM , selecteer GeoTIFF en Meng tegels, en selecteer onder Orthomosaic GeoTIFF en Merge tegels. Klik op OK en begin met verwerking.
         OPMERKING: Bij het verwerken van multispectrale beelden wordt het kalibratietype automatisch ingesteld met kalibratiebeelden die ter plaatse zijn genomen vóór de vlucht (stap 1.3.7), maar kan handmatig worden herkalibreerd door op Kalibreren te klikken. Blader vervolgens door om een afbeelding van het kalibratiepaneel te vinden (met de bijbehorende bandtitel) en voer de reflectiefactor in die van het kalibratiepaneel wordt gelezen.
   5. Fotogrammetrieverwerking wordt afgesloten met gegenereerde/opgeslagen reflectiekaarten (UAV-surveykaarten) in de multispectrale projectmap: groen, rood, rode rand, NIR, en in RGB: rood, groen, blauw, grijstinten, orthomozaïek en DSM (digitaal oppervlaktemodel). Zorg ervoor dat alle indexen, orthomozaïek en DSM GeoTIFF's worden samengevoegd en verifieer de projectrapporten op fouten; Als er problemen worden gedetecteerd, herhaal dan de verwerking.

2. Het verzamelen van grondwaarheidsgegevens en het uitvoeren van georeferentie

1. Bereid je voor op veldwerk.
   1. Bezoek de studielocatie van tevoren en verken het gebied om potentiële plantengemeenschappen van belang te identificeren, zodat je ervaringskennis van de locatie opdoet. Bepaal welke biofysische waarnemingen haalbaar zijn om ter plaatse te verzamelen en die nodig zijn om de samenstelling van de plantengemeenschap van de geselecteerde onderzoekslocatie te beschrijven.
      OPMERKING: Om dit protocol te illustreren, lag de focus op vegetatiesoorten, structuur en samenstelling om 4 plantengemeenschappen te classificeren die wijzen op een Baltisch Boreal kustweidehabitat: Open Pioneer (OP), Lower Shore (LS), Upper Shore (VS) en Tall Grass (TG).
   2. Bereid een visuele gids voor de identificatie van plantensoorten voor en print deze met de soorten die wijzen op plantengemeenschappen in de betreffende habitat(s) die in kaart worden gebracht. De gids kan het versnellen en helpen bij soortenidentificatie ter plaatse als elektronische apparaten defect zijn.
   3. Maak een werkblad voor het vastleggen van veldwaarnemingen, inclusief een lijst van indicatorsoorten samen met andere soorten die vaak voorkomen in de onderzochte habitat(s) en het omliggende gebied, evenals aanvullende biofysische veldwaarnemingen die moeten worden vastgelegd (bijv. onderzoeksdatum, vegetatiehoogtes, biomassagewichten).
2. Gebruik een gestratificeerde steekproefmethode om grondwaarheidsgegevens te verzamelen met behulp van kwadraties.
   1. Identificeer een plantengemeenschap visueel op basis van ervaringskennis in het veld.
   2. Plaats een quadratframe op de grond op een representatieve locatie voor de plantengemeenschap die wordt bemonsterd, waarbij gebieden met aanzienlijke verstoring worden vermeden. Voor boreale kustmoerassen is een vierhoek van 1 m x 1 m voldoende. Deze quadrat zal dienen als monsterplot voor biofysische waarnemingen en biomassabemonstering.
   3. Noteer de onderzoeksdatum, namen van de landmeters, het type plantengemeenschap en de nummercode voor elke steekproefkwadrat.
      OPMERKING: Het wordt aanbevolen om nummercodes in de volgende volgorde vast te stellen: studieveldcode + plantengemeenschapscode + voorbeeld-quadrat-sequentienummer van de te registreren quadrat. Deze nummercodes koppelen biofysische veldwaarnemingen aan de georuimtelijke dataset en coördinaten.
   4. Noteer coördinaten op elke hoek van de steekproefkwadrat met GNSS/RTK-systemen en landmeetsoftware door een getalcode in te voeren die overeenkomt met de kwadrat nummercode en de coördinaten op te slaan.
      OPMERKING: Gebruik een GNSS-ontvanger die nauwkeurige (centimeter-niveau) locatiegegevens levert; Raadpleeg de gebruikershandleiding voor instructies over het bedienen van het apparaat en de bijbehorende software.
   5. Wat biofysische waarnemingen betreft, registreer binnen de steekproefkwadrat geschatte dekkingspercentages voor elke waargenomen plantensoort, evenals de dekking van andere mogelijk indicatieve variabelen, waaronder kale grond, plantenafval, mos en algen (waarbij het totaal tussen 95% en 105% ligt, een geaccepteerd bereik voor fytosociologische onderzoeken). Neem vijf willekeurige metingen van de vegetatiehoogte met een meetlint om de gemiddelde steekproefhoogte te bepalen.
   6. Met dezelfde monsterkwadrat verzamel je optionele biofysische waarnemingen: bijvoorbeeld bodemvochtpercentage, bemonster de biomassa van de vegetatie door vegetatie op bodemniveau te snijden, biomassa in een papieren zak te verzamelen en te wegen met een batterij-aangedreven, egale weegschaal (precisie ± 1 g). Om het werkelijke biomassagewicht te vinden, trek je het gewicht van de papieren zak af van het totale gewicht. Noteer alle gewichten voor toekomstige referentie.
3. Repliceer de gelaagde quadratbemonsteringsprocedures die in eerdere stappen zijn beschreven (2.2.1–2.2.6) minimaal 10 keer binnen elk van de plantengemeenschapsklassen (d.w.z. OP, US, LS, TG).
   OPMERKING: Plaats de steekproefkwadraten niet te dicht bij elkaar. Het is essentieel om consistente, uitgebreide bemonstering te maken over de onderzoekslocaties om ervoor te zorgen dat de geregistreerde quadratmonsters de habitats nauwkeurig weergeven. Aangezien plantengemeenschappen vaak in mozaïekpatronen voorkomen in kustwetlands, wordt dezelfde plantengemeenschap op verschillende locaties binnen het onderzoeksgebied bemonsterd.
4. Digitaliseer quadrat-bemonsteringsrecords na het voltooien van alle veldwaarnemingen.
   1. Alle veldwerknotities overschrijven in spreadsheetsoftware, waarbij een dataset voor analyse wordt gemaakt door de data te organiseren in een tabelformaat met een header-rij die elke variabele labelt; en voer vervolgens alle waarden in als je wilt.
   2. Sla het bestand op en exporteer het als een bestand met komma-gescheiden waarden (CSV).
5. Creëer een grond-waarheidsdataset door biofysische waarnemingen te georefereren.
   1. Download alle geregistreerde coördinaten van de voorbeeldhoeklocaties van de quadraten als een CSV-bestand van het GNSS/RTK-systeem dat in het veld wordt gebruikt.
   2. Maak een nieuw project aan in Geographic Information System (GIS) software (QGIS werd gebruikt om dit protocol te implementeren), en sla het op als een .qgz-bestand in het project dat in stap 1.4.3 is aangemaakt. Deze map en het .qgz-bestand zullen alle georuimtelijke datasets van de komende stappen bevatten.
   3. Importeer in de GIS-werkruimte een CSV-bestand met de coördinaten van quadrathoeken als een Gescheiden Tekstlaag. Na het importeren van deze coördinaten verschijnen ze als vorm: punten.
   4. Voeg de coördinaten van elk hoekpunt van de kwadratie samen als een shapefile: polygon, en sla het shapefile op.
   5. Voeg het polygon-shapebestand aan met het CSV-bestand van de gedigitaliseerde velddataset (gemaakt in stap 2.4) door de cijfercodes van beide bestanden te koppelen.
   6. Sla de nieuw aangemaakte ground truth-dataset op als een GeoPackage (.gpkg)-bestand in de map die op de externe harde schijf is aangemaakt (stap 1.4.4). Sla op om het GIS-project bij te werken.

3. Het berekenen van de vegetatie-index (VI's)

1. Bereid UAV-gebaseerde meetkaarten voor de Vis.
   1. In de GIS-softwarewerkruimte (gebruik hetzelfde .qgz-bestand dat in stap 2.5.2 is gemaakt en bijgewerkt in 2.5.6), importeer je alle reflectantiemozaïeken (kaartproducten) die zijn gemaakt met de UAV-survey in de eerste fase van het protocol, in stap 1.5.
   2. Verklein de grootte van de kaarten door onnodige data te 'clippen'. Door te kijken naar de verdeling van de vierhoekige steekproef en op basis van ervaringskennis van de omvang van de onderzoekslocatie, maak je een polygongrens rondom de onderzoekslocatie en knip je kaarten af op de omvang van de polygoon (Figuur 5). Dit zal de bestandsgrootte verkleinen en de verwerkingssnelheid verhogen.
      OPMERKING: Geknipte surveykaarten (multispectrale GROEN, ROOD, rode rand, NIR, en RGB rode, groene, blauwe band GeoTIFF's en ground_truth.gpkg (gemaakt in stap 2.5.6)) zijn beschikbaar om te downloaden uit de Zenodo-repository via link: https://doi.org/10.5281/zenodo.20075625 alleen voor educatieve doeleinden om te oefenen met het reproduceren van de volgende stappen.
2. Gebruik de Rastercalculator-tool om te berekenen; de VI-formules zijn vermeld in Aanvullend Dossier 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. Bij het berekenen van multispectrale VI's gebruik je RED, GREEN, NIR en Red-edge GeoTIFFs als invoerwaarden. (zie Figuur 6, GIS Raster Calculator, één VI-formule-invoer als voorbeeld).
   2. Voor RGB-gebaseerde VI-berekeningen normaliseert u eerst de rode, groene en blauwe indices (kaartproducten uit stap 1.5). Bereken nieuwe RGB VI's pas nadat het normalisatieproces is voltooid (formules voor het normaliseren van RGB-indices zijn beschikbaar in Supplementary File 1 als onderdeel van de RGB VI-lijst).
   3. Sla nieuwe VI's op als GeoTIFFs (bijv. rasterbestanden) in aparte mappen, waarbij je ze dienovereenkomstig benoemt (bijv. prefix (MS of RGB) + indexnaam) in de GIS-projectmap die op de externe harde schijf is aangemaakt (stap 1.4.4).
   4. Voeg de DSM en andere geautomatiseerde VI's (bijv. grijstinten) die in stap 3.1.2 zijn gemaakt/geknipt toe aan de RGB VIs-map. Deze mappen met VI's, gekoppeld aan een grondwaarheidsbestand (gemaakt in stap 2.5.6), dienen als basisdatasets voor een Random Forest-algoritme om plantgemeenschappen in kaart te brengen. Sla op om het GIS-project bij te werken met links naar VI-rasterbestanden.

4. Gecontroleerde classificatie in R met behulp van Random Forest

OPMERKING: Om deze fase uit te voeren, open je een statistische rekenomgeving voor R in RStudio, ga dan naar Bestand > Open Bestand en selecteer je het script dat in Supplementair Bestand 2 wordt geleverd. Dit script is gebruiksklaar en georganiseerd om reproduceerbaarheid te waarborgen en aanpassing aan andere studielocaties te vergemakkelijken. Het kan op twee manieren worden uitgevoerd: (1) Voer het hele script tegelijk uit: Klik op Source of druk op Ctrl + Shift + Enter, waarbij je ervoor zorgt dat de map- en GeoPackage-bestandspaden zijn bijgewerkt; of (2) Lijn voor regel of blok voor blok: Plaats de cursor op een regel of selecteer een blok en druk op Ctrl + Enter. Deze optie wordt aanbevolen omdat het betere oplossingen voor probleemoplossing biedt.

1. Bereid de omgeving voor als R voor te stellen.
   1. Installeer en laad de benodigde pakketten (bijv. terra, sp, sf, raster, rsample, MLmetrics, randomForest, rgdal)⁷².
      OPMERKING: Als rgdal niet compatibel is met de nieuwste versies van R, kunnen de functiestapel() en readOGR() respectievelijk worden vervangen door rast() en st_read().
   2. Stel de werkmap in.
2. Voer rastervoorverwerking uit.
   1. Laad alle rasterbestanden uit het onderzochte gebied dat zich in een specifieke werkmap bevindt.
   2. Zorg voor consistente projectie, resolutie en omvang tussen de invoerrasters. Als er inconsistenties worden gedetecteerd, gebruik dan de functie resample() in R (bijv. terra::resample() of raster::resample()) om de rasters uit te lijnen op een gemeenschappelijke referentiefile (meestal het bestand met de grovste ruimtelijke resolutie om kunstmatige opschaling te voorkomen) (zie artikel van Hijmans et ^al.73).
3. Voer gegevensextractie uit:
   1. Importeer grondwaarheidsgegevens uit een GeoPackage (gemaakt in stap 2.5.6).
   2. Gebruik de terra:: extract() -functie om rasterwaarden te koppelen aan voorbeeldpolygonen.
   3. Voeg het dataframe met de geëxtraheerde waarden aan met plantgemeenschapscodes, zodat ze factoren zijn.
4. Splits de dataset op in trainings- en validatiesets met behulp van gestratificeerde steekproeven om de klassenbalans te behouden. Pas de verhouding tussen trainings- en validatiemonsters aan naar wens, of afhankelijk van de beschikbaarheid van de samples.
   OPMERKING: Kleinere datasets vereisen doorgaans een 80/20-verdeling om voldoende trainingsdata te leveren. Grotere datasets: 70/30 is voldoende en biedt een sterkere validatie- of testset (zie de publicatie van Mohammed en Alsunosi⁷⁴).
5. Voer modelafstelling uit.
   1. Definieer een parameterrooster om verschillende combinaties van mtry en ntree te verkennen.
      OPMERKING: mtry is het aantal variabelen (voorspellers) dat willekeurig als kandidaten wordt geselecteerd voor elke splitsing bij het opbouwen van een beslissingsboom in RF. De standaardwaarde is doorgaans de wortel van het totale aantal voorspellers voor classificatie en een derde van de regressie. Terwijl ntree het totale aantal beslissingsbomen is dat in het bos moet groeien. Een hoger aantal bomen verbetert over het algemeen de prestaties, maar verhoogt de rekentijd; De foutenquote stabiliseert meestal na een bepaald aantal bomen.
   2. Loop door het raster (d.w.z. rasterzoek, dat systematisch verschillende combinaties van hyperparameterwaarden test om de best presterende set voor het model te vinden) en evalueer de nauwkeurigheid voor elke combinatie.
   3. Kies de combinatie met de hoogste nauwkeurigheid.
      OPMERKING: Zie Belgiu en Drăguţ⁷⁵, ook Bergstra et ^al.76, voor een beter begrip van de relevantie en alternatieve benaderingen voor deze stap.
6. Pas het RF-model aan met de beste parametercombinatie. Het script registreert de Out-of-Bag (OOB) fout en variabele belangrijkheid.
7. Voer voorspellings- en nauwkeurigheidsbeoordeling uit.
   1. Voorspel de plant community-klasse voor alle pixels in de rasterstack en validatiedataset. Exporteer de classificatiekaart als GeoTIFFs (zie Figuur 7, die een R-console screenshot toont inclusief plotvisualisaties van de uiteindelijke output; Figuur 7A toont het plant community map-product bij gebruik van een multispectrale VIs-invoerdataset, en figuur 7B toont het plant community map-product bij gebruik van een RGB+DSM-dataset.
   2. Bereken de verwarringsmatrix, nauwkeurigheid, F-1 score, precisie en herinnering op de validatieset (zie Figuur 8, die de R-screenshots toont die VI-prestatieranglijsten tonen; Figuur 8A toont een screenshot van de R-console en grafieken wanneer multispectrale VI's als invoerdataset worden gebruikt, en Figuur 8B toont een screenshot bij gebruik van een RGB+DSM-dataset; Figuur 8A, B-weergaven bevatten variabele belangrijkheidsplots genaamd "final_rf"). Voor meer details over deze metrieken raadpleeg het artikel van Naidu et ^al.77.
8. Heropen het QGIS-project (aangemaakt in stap 2.5.2 en bijgewerkt in 2.5.6 en 3.2.3), voeg plantgemeenschapsclassificatiekaarten (GeoTIFFs) toe. Sla het QGIS-project op om het GIS-project bij te werken.
   1. Om alle georuimtelijke datasets (UAV-surveykaarten, grondwaarheid, VI's, plantgemeenschapsclassificatiekaarten als GIS-project) te delen en te back-uppen, ga naar de map van de studielocatie, klik met de rechtermuisknop en selecteer Verzenden naar > gecomprimeerde (zip) map.
      OPMERKING: De volledige GIS Projectmap kan een aanzienlijke dataset vormen (deze casestudy-dataset van 40 hectare overschreed 140 GB). Indien nodig, communiceer alleen de eindresultaten en de grondwaarheidsdatasets om de bestandsgrootte te verkleinen.

Resultaten

De semi-geautomatiseerde methode voor het in kaart brengen en classificeren van plantengemeenschappen is ontworpen om nauwkeurige landbedekkingsinformatie te genereren voor kustwetlands, die worden gedomineerd door heterogene, laaggroeiende kruidachtige planten en worden gekenmerkt door microtopografie; zie een voorbeeld van zo'n habitat op de foto in Figuur 1. Er werd een casestudy uitgevoerd van het Baltische boreale kustmoeras op het eiland Hiiumaa, Estland. Ter plaatse werden vier plantengemeenschappen bemonsterd voor het trainen van het classificatiemodel: Open Pioneer (OP), Lower Shore (LS), Upper Shore (VS) en Tall Grass (TG). Figuur 2 geeft een beknopt overzicht van de methodologie die in vier verschillende fasen is geïmplementeerd. Figuur 3 daarentegen illustreert een gedetailleerde diagrammatica waarin genummerde, uitvoerbare stappen worden afgebakend met pijlen om de datastroom weer te geven, waardoor de methodologie wordt samengevoegd over de stappen en fasen van het protocol. De uiteindelijke output van deze methode, met gebruik van een multispectrale sensor en een RGB-sensor, zijn multispectrale en RGB-gebaseerde plantgemeenschapskaarten, die als lagen in een GIS-project worden opgeslagen, samen met alle tussenliggende datasets. De kwaliteit van de georuimtelijke datasets werd geëvalueerd na voltooiing van elke protocolfase, aangezien de kwaliteit van de uitkomsten in de daaropvolgende fasen afhangt van de kwaliteit van de resultaten van de voorafgaande fase, met als hoogtepunt de laatste fase, waarin de input het geheel van alle voorgaande stappen vormt.

Het volgende vat de uitkomsten van elk van de vier fasen van het protocol samen:

In de eerste fase werd de UAV-luchtmeting uitgevoerd op een hoogte van 120 m, wat resulteerde in een Ground Sample Distance (GSD) van ongeveer 10 cm/pixel. De luchtopname leverde multispectrale en RGB-beelden op. Na nabewerking van kinematiek (PPK) werden geotags voor elke droneafbeelding gecorrigeerd en werden de beelden mozaïeked in professionele fotogrammetriesoftware om luchtkaarten te produceren. Fotogrammetrische verwerking van multispectrale luchtbeelden leverde rasterbestanden op van RODE, GROENE, NIR en Rode randreflectantie.

Multispectrale en RGB-luchtfoto's werden als aparte projecten verwerkt vanwege de inherent verschillende resoluties van foto's. Zie Figuur 4 van de RGB-beeldmozaïekinstellingen. Figuur 4A. verwerkingsopties door samengevoegde tegels te selecteren en naadloze, uniforme uitvoerkaarten te genereren. Figuur 4B. selectie van geautomatiseerde indexberekeningen uit RGB-camerabeelden leverde vier rasterkaarten op: één per band (rood, groen en blauw) en de DSM (Digital Surface Model). Figuur 4C. demonstreert het genereren van automatische tiepunten om veelvoorkomende pixels over overlappende afbeeldingen tijdens de eerste verwerkingsstap te matchen. Samen met 3 RGB-indices (rood, groen, blauw) en DSM genereerde de fotogrammetriesoftware een door software gegenereerd grijstintenraster: een monochromatische, enkelkanaalsweergave die de verschillende banden schaalt en combineert (bijv. rood, groen, blauw), waarbij lage pixelwaarden zwart lijken en hoge waarden wit. De formulering van deze grijswaardenindex is softwarespecifiek en niet gestandaardiseerd over fotogrammetrieplatforms.

Fotogrammetriesoftware genereerde kwaliteitsrapporten die de verwerkingsresultaten beschreven voor beide sets van mozaïekprojecten voor luchtbeelden: multispectraal en RGB. Deze rapporten bieden belangrijke meetwaarden om de nauwkeurigheid te valideren. Indicatoren van hoogwaardige resultaten zijn lage reprojectiefout: hoe dichter bij 0, hoe beter (alles onder 1,0 wordt over het algemeen geaccepteerd). Bijvoorbeeld, dichte "matchlijnen" betekenen sterke overeenkomsten tussen de meeste afbeeldingen. De uitvoerkaarten werden visueel beoordeeld en bleken vrij van leegtes en andere visuele afwijkingen. Visuele afwijkingen zijn een teken van mogelijke reflectie- en mozaïekfouten, evenals onderliggende georeferencing-gridproblemen. Het fotogrammetrierapport, samen met specifieke softwarehandleidingen en trainingsbronnen, wordt gebruikt om het probleem te identificeren, een oplossing te vinden en luchtfoto's opnieuw te verwerken.

UAV-luchtsurveykaarten dienden als een basisset voor het herberekenen van complexe spectrale informatie in gestandaardiseerde pixel-gebaseerde indices (d.w.z. vegetatie-indices VI's gegenereerd in de derde fase), waardoor ze als gestructureerde invoer voor machine-learning-classificatie mogelijk werden gemaakt (in de laatste fase van het protocol).

Biofysische waarnemingen ter plaatse werden verzameld als een grondwaarheidsdataset. Op de casestudylocatie (Baltic Boreal kustmoeras) werden vier belangrijke vaatplantengemeenschappen geïdentificeerd en bemonsterd: Open Pioneer (OP), Lower Shore (LS), Upper Shore (VS) en Tall Grass (TG). Met behulp van de gestratificeerde quadrat-bemonsteringsmethode zoals beschreven in de tweede fase van het protocol, werd de OP plantengemeenschap geïdentificeerd aan de hand van indicatorsoorten: Salicornia europaea en Suaeda maritima; LS door hoge percentages Glaux maritima en Juncus geradii; VS op basis van zijn indicatorsoorten: Festuca rubra en Leontodon autumnalis; terwijl TG zich onderscheidt door een aanzienlijke aanwezigheid van hoge grassen: Deschampsia cespitosa, Elytrigia repens en Molinia caerulea. Er werden minstens 10 quadrat-monsters verzameld voor elke plantengemeenschap. Elke quadratmonster bevatte de volgende biofysische waarnemingen: samenstelling van plantensoorten (%), bodemvocht (%), vegetatiehoogtes in centimeters en precieze quadratcoördinatenlocaties. Deze variabelen werden gedigitaliseerd als een getabelleerde dataset, geïmporteerd in het GIS-project, toegevoegd aan het voorbeeldquadrat GNSS-datashapebestand en opgeslagen als een GeoPackage (.gpkg). Zo'n platformonafhankelijk bestand, met biofysische waarnemingen van moerasplantengemeenschappen en nauwkeurige coördinatengegevens van monsters, dient een dubbel doel: voor verdere beoordeling en modellering van milieu- en ecologische ecosystemen. Het belangrijkste is dat dit GeoPackage-bestand voor de succesvolle uitvoering van dit protocol dient als modeltrainings- en validatiegegevens in het machine learning-proces zoals beschreven in fase 4. Plantengemeenschapscodering: OP, LS, US, TG; werden gebruikt als trainingslabels in het machine learning-proces. Nauwkeurigheid (high-fidelity labels, menselijke audit, consistent formaat) en structuur (schone, rechthoekige vorm (rijen/kolommen)) zijn cruciaal voor het produceren van een hoogwaardige grondwaarheidsdataset. Grondwaarheidslabels moeten bijna nul foutpercentages hebben (bijvoorbeeld typfouten) om consistente labelconventies te waarborgen. Als bijvoorbeeld "OP" de grondwaarheid is, is het essentieel om te voorkomen dat deze op een andere manier wordt gelabeld (zoals "op", "O.P.") om duplicatie te voorkomen.

Om de derde fase van het protocol uit te voeren, werden de datasets van de luchtonderzoek uit de eerste fase gebruikt om ruwe luchtopnamegegevens te herberekenen tot vegetatie-indices (VI's). Ten eerste, om de datasetgrootte te verkleinen en het computerproces te stroomlijnen, geeft fotogrammetrie "geknipt" om irrelevante of laagwaardige pixelgegevens buiten de grenzen van de onderzoekslocatie weg te laten (zie Figuur 5 als illustratie van acties uitgevoerd in een GIS-software).

Vervolgens werden 19 multispectrale VI's berekend met behulp van RODE, GROENE, NIR en roodrandreflectantiekaarten. De volgende multispectrale VI-rasterbestanden zijn gegenereerd en opgenomen in het GIS-project: Datt index 4 (Datt4)⁴¹, Enhanced Vegetation Index (EVI)⁴², Green Chlorophyll Index (GCI)⁴³, Greenness Difference Index (GDI)⁴⁴, Generalized Difference Vegetation Indices (GDVI)⁴⁵, Green Infrared Percentage Vegetation Index (GIPVI)⁴⁶, Green Normalized Difference Vegetation Index (GNDVI)⁴⁷, Green-Red Difference Index (GRDI)⁴⁴, Groen-Rode Vegetatie-index (GRVI)⁴⁵, Gemodificeerde Genormaliseerde Verschil Vegetatie-index (mNDVI)⁴⁸, Gemodificeerde Bodem-gecorrigeerde Vegetatie-index⁴⁹ (MSAVI: zie Figuur 6. een screenshot van een rastercalculator in GIS-software met MSAVI-formule-invoer), Gemodificeerde Eenvoudige Ratio rood-rand (MSRred_edge)⁵⁰, Genormaliseerde Verschil Waterindex (NDWI)⁵¹, Genormaliseerde Verschil Vegetatie-index (NDVI)⁵², Rood-rand NDVI (NDVIre)⁴⁷, Roodrandige Triangulated Vegetation Index (RTVIcore)⁵⁰, Bodemgecorrigeerde Vegetatieindex (SAVI)^53,54, Eenvoudige Ratio (SR)⁵⁵, Red-Edge Simple Ratio (SRre)⁴⁷.

Bovendien werden in totaal 23 RGB-gebaseerde VI's berekend en opgeslagen als rasterbestanden in het GIS-project voor verdere ruimtelijke analyse: Blue–Green Ratio Index (BGRI)⁵⁷, Brightness Index (BI)⁵⁸, Blue Wide Dynamic Range Vegetation Index (BRVI)⁵⁹, Color Index of Vegetation (CIVE)⁶⁰, Enhanced Green View Vegetation Index (EGVI)⁶¹, Enhanced Vegetation Index (ERVI)⁶², Overtollige groene indexen ExG en ExGI⁶³, Combinatieindex (COM)⁶⁴, Groene chromatische coördinaat (GCC)^34,65, Groene bladindex (GLI)⁶⁶, Groen-Rode Vegetatie-index (GRVI)⁶⁷, Gemodificeerde Groen-Rode Vegetatie-index (MGRVI)⁶⁸, Genormaliseerde Groen-Blauw Verschilindex (NGBDI)⁶⁹, Genormaliseerde Groen-Rode Verschilindex (NGRDI)⁶⁹, Rood–Groen–Blauw Ratio Index en Rood-Groen-Blauw Vegetatie-index (RGBRI⁷⁰) en RGBVI⁶⁸), Rood-Groen Ratio Index (RGRI)⁵⁷, Zichtbare Bodemgecorrigeerde Vegetatie-index (SAVI)⁵³, Driehoekige Groenheidsindex (TGI)⁶⁹, Zichtbare Atmosferisch Resistente Index (VARI)⁴⁷, Vegetatieve Index (VEG)⁷¹, Woebbecke-index (WI)⁶³.

De uiteindelijke output omvat twee afzonderlijke multispectrale en RGB-classificatiekaarten van de plantgemeenschap die als GeoTIFFs binnen het GIS-project zijn opgeslagen, samen met alle voorgaande georuimtelijke gegevens. 19 Multispectrale VI's, samen met de ground-truth dataset, werden gebruikt als pixel-niveau voorspellers in een machine learning-workflow (bijv. RF-algoritme) om Boreal kustplantengemeenschappen (OP, LS, US, TG) te classificeren en een multispectrale plantgemeenschapskaart te genereren. En RGB-gebaseerde voorspellers (25 RGB VI's, grijswaardenindex en genormaliseerde⁵⁶ rode, blauwe, groene indices en DSM), samen met de ground-truth dataset, om een RGB-gebaseerde plantgemeenschapkaart te classificeren en te genereren (zie Figuur 7). Einduitvoer uitgezet in de R-console; Figuur 7A stelt multispectraal weer en Figuur 7B toont RGB-gebaseerde plantgemeenschapkaarten).

Om de definitieve output te genereren, werd de R-omgeving (fase 4 van het protocol) gebruikt om de machine learning-workflow (bijv. RF-algoritme) te scripten en uit te voeren, waardoor de visualisatie van tussentijdse outputs mogelijk werd, zoals vegetation index (VI) prestatieranglijsten (Figuur 8). Bij het in kaart brengen en classificeren van plantengemeenschappen bood de R-console realtime foutmeldingen en uitleg, wat het oplossen van problemen vergemakkelijkte en een soepele voortgang door elke stap waarborgde.

Deze studie evalueerde twee RF-algoritmemodellen voor classificatiekaarten van plantengemeenschappen. Het eerste RF-model, met multispectrale VI's als invoerdataset, behaalde 92,34% nauwkeurigheid met een F1-score van 0,915 in de validatiedataset. Dit is een geldig resultaat, aangezien F1-scores variëren van 0 (slechtst) tot 1 (perfect), waarbij hogere scores een superieure prestatie aangeven. De F1-score in een RF-model vertegenwoordigt het harmonisch gemiddelde van precisie en herinnering. Deze metriek balanceert effectief valse positieven en negatieven, dat wil zeggen dat het ene type fout niet opweegt tegen het andere, wat essentieel is voor onevenwichtige datasets, en wordt vaak gemiddeld over klassen heen of per klasse gerapporteerd om de algehele modelprestaties^78,79 te beoordelen. De OOB-fout van het multispectrale model was 7,75%, wat wijst op een matig risico op verkeerde classificatie. De klasseniveau F1-scores in de validatiedataset varieerden van 0,845 in TG tot 0,984 in OP-plantengemeenschappen, wat wijst op matige variabiliteit in prestaties tussen gemeenschappen.

Het tweede geëvalueerde RF-model was gebaseerd op VI's en DSM afgeleid van de RGB-luchtmeting, met een nauwkeurigheid van 98,89% en een totale F1-score van 0,987. De OOB-foutpercentage was slechts 1,14%, wat een zeer hoge betrouwbaarheid weerspiegelt. De F1-scores op klasseniveau waren consequent hoog (0,986–0,993), wat wijst op een robuuste classificatie voor alle gemeenschappen.

De variabele belangrijkheidsgrafiek in R (Figuur 8A) toonde de voorspellende mogelijkheden van elke VI voor de boreale kustmoerasplantengemeenschappen. De meest invloedrijke multispectrale VI's als voorspellers waren mNDVI en SR, die wijzen op een sterke gevoeligheid voor groenheid en biomassa van het bladerdak. Evenzo werden GRDI, NDVI, NDVIre en SRre ook hoog gerangschikt, wat de rol weerspiegelt van roodrand- en genormaliseerde verschilindices bij het onderscheiden van vegetatietypen. Daarentegen tonen de RGB-gebaseerde index en de DSM-variabele belangrijkheidsgrafiek aan dat een DSM-afgeleid structureel hoogtemodel als voorspeller een belangrijke drijfveer is voor classificatienauwkeurigheid (Figuur 8B). Andere belangrijke voorspellers zijn TGI, grijstinten en VARI, die gebruikmaken van RGB-reflectievariabiliteit. Deze resultaten geven dus aan dat DSM- en RGB-afgeleide indices de betrouwbaarheid van classificaties aanzienlijk verbeteren en het risico op misclassificatie verminderen.

De gehele georuimtelijke dataset werd opgeslagen als het GIS-project, een map, inclusief UAV-survey- en VI-rasterkaarten, het biofysische observatie-GeoPackage (grondwaarheid) en plantgemeenschapkaarten; allemaal gekoppeld als een QGIS-project (.qgz-bestand). Het project is geschikt voor offline gebruik en maakt interoperabiliteit mogelijk tussen GIS-platforms.

Figuur 1: Studielocatie. Foto met een locatiepin op de wereldkaart, wijzend naar het eiland Hiiumaa in de West-Estse archipel. De studielocatie, Kõrgessaare rannaniit, ligt in het dorp Viscosa en is een natuurbeschermd gebied. Habitattype: boreale Baltische kustweide (Natura 2000 code 1630). Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2: Conceptueel workflowdiagram. (1) UAV-gebaseerde luchtonderzoek, (2) verzameling en georeferentie van grondwaarheidsgegevens, (3) berekening van vegetatie-indexen, en (4) gecontroleerde classificatie met behulp van willekeurige Forest in R. Werkelijke kaarten uit de protocolimplementatie illustreren deze vierfasenmethode. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3: Gedetailleerd workflowdiagram. Het diagram geeft de 4 fasen (en belangrijkste stappen) van het protocol weer in panelen met verschillende kleuren, samen met datasets die in elke fase worden gegenereerd. Arrors symboliseren datastroom. De kleur blauw onderscheidt een multispectrale dataset van RGB in rood. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 4: Voorbeeld van fotogrammetriesoftware. (A–C) Een screenshot van een RGB-beeldmozaïekproject: (A) Verwerkingsopties voor DSM en orthomozaïeken. (B) Verwerkingsopties voor rode, groene en blauwe indices. (C) Weergave van de voortgang van de bewerking, inclusief luchtfoto's en camerahoeken. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 5. Rasterbestanden van kaarten knippen in GIS-software. Screenshot van een QGIS-werkruimte met zichtbare lagen en geopende tabbladen in volgorde die demonstreert hoe onnodige data te knippen: raster-extractie-clip raster via Extent ("extent" verwijst in dit geval naar een polygonvorm die naar wens is getekend en gebruikt om pixels te maskeren die buiten de grenzen vallen) Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 6. GIS-software Rastercalculator screenshot. Invoer van de formule van de gewijzigde bodemgecorrigeerde vegetatieindex (MSAVI) als voorbeeld. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 7. Statistische rekenomgeving voor R-versie screenshots die de uiteindelijke output tonen die in de R-console (RStudio) worden uitgezet. (A) multispectrale en (B) RGB-gebaseerde plantgemeenschapskaarten. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 8. Statistische rekenomgeving voor R-screenshots die VI-prestatieranglijsten demonstreren. (A, B) Weergaven van een R-console: (A) Screenshot maken bij gebruik van multispectrale VI's als invoerdataset, en (B) Screenshot bij gebruik van een RGB+DSM-dataset. Zowel (A- als B)-weergaven bevatten variabele-belangrijkheidsplots genaamd "final_rf" (script-gegenereerde objectnaam). Klik hier om een grotere versie van deze figuur te bekijken.

Aanvullend dossier 1: Vergelijkingen voor vegetatie-index. Lijst van multispectrale en RGB-gebaseerde vegetatie-index (VI) vergelijkingen die in dit protocol worden gebruikt, inclusief formules voor RGB-bandnormalisatie voorafgaand aan de RGB VI-berekening. Klik hier om dit bestand te downloaden.

Aanvullend Bestand 2: RF-classificatie en validatiescript.R. Klik hier om dit bestand te downloaden.

Discussie

De kritieke stappen in het protocol zijn in fase 1, de UAV-survey, en in fase 2 veldwerk, waarbij biofysische waarnemingen worden verzameld en de grondwaarheidsdataset wordt samengesteld. Beide zijn afhankelijk van het weer en moeten dicht bij elkaar worden uitgevoerd. En beide moeten georuimtelijke datasets opleveren met hoge coördinatenprecisie (1–3 cm precisie werd behaald voor de casestudy). Het succes van vegetatie-indexberekeningen en het machine learning-proces hangt direct af van de datakwaliteit van de UAV-survey en de grondwaarneming. Cruciale stappen om nauwkeurigheid van UAV-surveykaarten te bereiken worden beschreven in stap 1.4, Procedure na de vlucht. Als post-processing/image geotagging gebruikmaakt van niet-toegankelijke RINEX-gegevens, is een alternatief het gebruik van een live RTK-basisstation, dat realtime GNSS-correctiesignalen aan de drone levert tijdens de vlucht (zie een voorbeeld in het videoartikel Movchan et ^al.37 met een voorbeeld voor setup-instructies).

Voordat de gegevens worden verzameld, moet de onderzoekslocatie worden bezocht om ervaringskennis van het landschap te verkrijgen, de plantengemeenschappen van belang te identificeren en te bepalen welke biofysische waarnemingen op locatie haalbaar kunnen worden verzameld om de samenstelling van plantengemeenschappen te beschrijven. Omdat elke studielocatie unieke landschapskenmerken en flora vertoont die gevormd zijn door de klimaatzone, is het identificeren van plantensoorten essentieel voor nauwkeurige landbedekkingskaarten, aangezien soortspecifieke biochemische, structurele en fysiologische kenmerken unieke spectrale reflectiesignaturen produceren. Voor elke bemonsteringskwadrat moeten coördinaten op alle vier de hoeken worden geregistreerd met GNSS/RTK-apparatuur en landmeetsoftware, waarbij de kwadratidentificatiecode wordt ingevoerd en opgeslagen. Alle aanvullende biofysische waarnemingen of monsters die binnen het kwadrat worden verzameld, moeten aan deze coördinaten worden gekoppeld, zodat elke meting verankerd is in de georuimtelijke dataset en in een uniform tabelformaat kan worden samengesteld voor plantengemeenschapsclassificatie en daaropvolgende statistische analyses of ecologische modellering. De bemonsterde quadrats zijn gelabeld als trainingspunten, met gemeenschapsnamen/codes eraan toegevoegd (bijvoorbeeld, in deze trainingsset waren het OP, LS, US en TG). Random Forest (RF) leert vervolgens de pixelpatronen die bij elk label horen. Het eindresultaat van RF-classificatie is een kaart die de verspreiding van plantengemeenschapslabels over het onderzoeksterrein toont, gebaseerd op quadrat-trainingsmonsters die tijdens veldwerk zijn verstrekt.

Fasen 3 (Vegetatie-indexberekeningen) en 4 (Supervised classificatie in R met behulp van Random Forest) zijn onderling afhankelijk en sterk aanpasbaar. Zo bevat Supplementary File 1 19 wiskundige formules voor het berekenen van indices uit multispectrale banden en 23 formules voor het herberekenen van RGB-luchtsurveygegevens. Desalniettemin zijn VI's door onderzoekers geformuleerd open source en gepubliceerd in peer-reviewed artikelen en spectrale indexdatabases⁸⁰. Er zijn meer formules beschikbaar (dan verstrekt) voor testen in het machine learning-proces om plantgemeenschapskaarten te classificeren. Wijzigingen in de datasets beïnvloeden de prestaties van het algoritme. VI's kunnen worden toegevoegd en weggelaten aan testmodellen. De beschikbaarheid van twee definitieve plantgemeenschapskaarten, afgeleid van multispectrale en RGB-gebaseerde datasets, biedt een mogelijkheid om modelprestaties te vergelijken. Het RGB-model behaalde 98,89%, maar dat betekent niet per se dat de sensor superieur is aan de multispectrale sensor, die een lagere score behaalde. RGB-gebaseerde gegevens zijn gebaseerd op kleur en hoogte, wat efficiënt kan zijn voor het classificeren van landbedekkingskaarten van structureel diverse habitats ^9,33. Daarentegen bieden multispectrale beelden meer informatie over de fysiologie van planten, niet alleen over het uiterlijk, en zijn mogelijk superieur in het onderscheiden van vegetatietypen met vergelijkbare kleuren en schaduwbestendigheid (bijvoorbeeld NIR-licht, dat planten sterk reflecteren, kan worden vastgelegd zelfs als ze gedeeltelijk in de schaduw^{zijn 81}). Het gebruik van alleen RGB-sensoren wordt beperkt door hun smalle spectrale bereik (rood, groen, blauw), omdat subtiele biochemische en fysiologische verschillen (bijv. chlorofylgehalte en waterstress) mogelijk niet detecteerbaar zijn zonder NIR-, roodrand- of hyperspectrale banden.

De belangrijkste beperkingen van de methode kunnen het dure UAV-systeem en de gedemonstreerde fotogrammetrie zijn. De methode is echter zo ontworpen dat, om dit protocol te repliceren, een multispectrale sensor en een RGB-camera door elkaar kunnen worden gebruikt. Om dit protocol te implementeren werd het eBee X vastevleugje UAV-systeem gebruikt, uitgerust met een multispectrale en RGB-sensor (Sequoia) en de eMotion vluchtmanagementsoftware; andere UAV-systemen kunnen het aangeboden protocol echter reproduceren als ze een multispectrale sensor en/of RGB-camera bevatten, een missieplanningsfunctie in de vluchtmanagementsoftware, een 90-graden nadir-cameraoriëntatie en ofwel een door de gebruiker toegankelijk vluchtlogboek voor geotagging na de vlucht of een RTK-mogelijkheid om precieze beeldcoördinaten tijdens de vlucht vast te leggen. Bovendien mogen niet-piloten UAV-inspecties uitbesteden als de gecontracteerde piloot aan alle wettelijke en operationele vereisten voldoet, een veelvoorkomende praktijk in onderzoek, natuurbehoud en milieumonitoring; Het onderzoeksteam blijft echter verantwoordelijk voor het fundamentele missieontwerp, waaronder het definiëren van de onderzoekslocatie en het bepalen van de onderzoekstijd. Daarom wordt het zelfs voor niet-UAV-piloten aanbevolen om hen vertrouwd te maken met de eerste fase van het protocol. Daarnaast kan de gedemonstreerde fotogrammetriesoftware worden gebruikt om het protocol succesvol te implementeren, of kan het voor een korte periode worden gelicenseerd om kosten te besparen.

Een opvallend voordeel van dit protocol is de compatibiliteit met zowel multispectrale als standaard RGB UAV-camera's. Het kan worden toegepast door onderzoeksteams en natuurbeschermers met beperkte budgetten en is schaalbaar over regio's en instellingen, waardoor het geschikt is voor langdurige monitoring. Deze hardware-onafhankelijkheid zorgt ervoor dat de workflow toekomstbestendig en hardware-onafhankelijk blijft. Omdat zowel RGB- als multispectrale surveygegevens kunnen worden gebruikt, ondersteunt de workflow vergelijkingen over meerdere locaties, langetermijntijdreeksen—zelfs wanneer apparatuur verandert—en de integratie van legacy (historische) RGB-datasets.

Toekomstige verbeteringen aan dit protocol zouden textuurmetrics kunnen integreren die zijn afgeleid van beelden met hoge resolutie om structurele verschillen in vegetatie beter vast te leggen. In deze context kan het verkennen van ensembles van RF-modellen die RGB- en multispectrale beelden combineren de classificatienauwkeurigheid verbeteren. Ook zouden toekomstige aanbevelingen voor het opschalen van UAV-gebaseerde plantengemeenschapkaarten naar satellietbeelden en het koppelen van deze aanpak aan cloudgebaseerde platforms grootschalige ecosysteemmodellering⁸² mogelijk maken. Hoewel UAV-gegevens essentieel blijven voor het vastleggen van de structurele en spectrale details op centimeterschaal die nodig zijn voor nauwkeurige gemeenschapskaarten, kunnen satellietbeelden dienen als een extra voorspellerlaag of als bredere contextuele input. Het opnemen van satellietafgeleide variabelen in het RF-model kan het vermogen vergroten om te generaliseren over grotere ruimtelijke gebieden en multischaal habitatbeoordelingen te ondersteunen. Deze hybride aanpak zou het mogelijk maken om op UAV's gebaseerde gemeenschapskaarten te integreren in een breder landschapperspectief, waardoor de methode regionale patronen kan detecteren, UAV-surveylocaties kan prioriteren en langetermijnmonitoringskaders kan versterken. Het onderzoeken van hoe satellietdata kunnen worden geharmoniseerd met UAV-invoer binnen de RF-pijplijn biedt een onderzoekskans om de schaalbaarheid en operationele bruikbaarheid van het protocol uit te breiden.

Het integreren van UAV-beelden, veldonderzoeken, vegetatie-indices en AI-ondersteunde classificatie in één enkele, reproduceerbare workflow is essentieel, omdat het de ruimtelijke, spectrale en ecologische details biedt die nodig zijn voor nauwkeurige kaartlegging van laaggroeiende vegetatie. UAV-gebaseerde remote sensing heeft steeds meer aandacht gekregen binnen de wetenschappelijke gemeenschap en is snel uitgegroeid tot een veelgebruikt hulpmiddel voor diverse toepassingen, met name bij het monitoren van kustmilieus⁸³. Deze methode biedt een praktische gids voor een UAV-gebaseerde, door machine learning ondersteunde workflow voor onderwijs en onderzoek, bedoeld ter ondersteuning van ecologische restauratie en het monitoren van natuurlijke of semi-natuurlijke graslanden in kustecosystemen.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
eBee X	senseFly/AgEagle	eBee X, https://www.sensefly.com/drones/ebee-x/	UAV-systeem eBee X is een professionele vastvleugelige mapping drone. Een alternatief mapping drone-systeem kan worden gebruikt
eMotion	senseFly/AgEagle	https://www.sensefly.com/drone-software/emotion/	Wordt gebruikt om dronevluchtmissies te plannen en luchtgegevens te beheren. eMotion Software is een complementair onderdeel van het eBeeX-dronesysteem
Externe harde schijf	Elke leverancier	NA	Grootte is afhankelijk van de grootte van het onderzoeksgebied, projectgrootte (250 GB - 1TB)
Fieldwork laptop	Elke leverancier	NA	een capabele, draagbare machine geschikt voor veldoperaties en het uitvoeren van dronevluchtbeheerso (Gebaseerd op eMotion specificaties:  64-bit Windows 10/11; Intel Core i5/i7 (12th Gen+) of AMD Ryzen 5/7 (>3.5 GHz) - Hoge kloksnelheden zijn belangrijker dan core-telling; 16GB minimaal (32GB+ Sterk aanbevolen); Mid-range NVIDIA GTX/RTX (bijv. RTX 3060/4060); NVMe SSD (Vereist).
GNSS/RTK systeem Trimble	Trimble Inc.	Model  R10	Het heeft een ontvanger met landmeetsoftware en reservebatterijen. Alternatieve GNSS/RTK-systemen kunnen ook worden gebruikt.
Grasschaar	Elke leverancier	NA	biomassamonstername (optioneel)
Pix4Dmapper	Pix4D	https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/	Fotogrammetriesoftware: Pix4Dmapper is beschikbaar om te licenseren op maandelijkse of jaarlijkse basis. Een alternatieve fotogrammetriesoftware kan worden gebruikt om dit protocol te implementeren.
Plantidentificatiegids	Elke leverancier	NA	Wordt gebruikt om biofysische waarnemingen uit te voeren (online, boek of print-out lokale plant-ID-gidsen)
QGIS	QGIS	3.44.9 Solothurn	Een gratis en open-source GIS-software, beschikbaar op https://qgis.org/, alternatieve GIS-software kan worden gebruikt om dit protocol te implementeren
quadrat frame van 1 m x 1 m	Elke leverancier	NA	Te gebruiken in fase 2 voor veldwerk/monstername, d.w.z. om biofysische waarnemingen uit te voeren, kan zelf gemaakt worden
R	R-Software Services	versie 4.2.0, https://cran.r-project.org	Een open-source en voorspellend downloadmodelomgeving die veel wordt gebruikt voor statistische berekeningen en grafieken, gegevensanalyse en voorspellende modellering.
RStudio	R-Software Services	versie 2024.4.0.735, https//posit.co/download/rstudio/
Rtools	R-Software Services	https://cran.r-project.org/bin/windows/Rtools/	Aangezien sommige pakketten compilatie vanuit bron mogen vereisen. Belangrijke pakketten die worden gebruikt: 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 en randomForest 4.7 1.1.
Weegschaal (batterij-aangedreven, genivelleerd, nauwkeurigheid ±1 g)	Elke leverancier	NA	duurzaam voor veldwerk
Sequoia	Parrot SA	Parrot SEQUOIA+	Het is een multispectrale/RGB-sensor, te gebruiken in fase 1. RGB en/of multispectrale sensor (veel professionele drones bevatten een of beide sensoren). Om dit protocol te implementeren wordt Parrot SEQUOIA+ (bedrijf Parrot SA) gebruikt
Grondvochtmeter	Elke leverancier	NA
UAV weersvoorspellingsapp	Elke leverancier	NA	Om vluchten te plannen gebruikt https://www.uavforecast.com/
WET sensorkit	Delta T Devices	WET-UM-1.6	Grondvochtsensor (optioneel)
Werkstation	Elke leverancier	NA	Optimale specificatie nodig voor soepele verwerking van de fotogrammetrieprojecten en machine learning in R (specs gebaseerd op Pix4Dmapper softwarevereisten: Windows 10/11, 64 bits; CPU quad-core of hexa-core Intel i9/Threadripper/Ryzen 9/; GeForce GTX GPU compatibel met OpenGL 3.2 en 2 GB RAM; Harde schijf: SSD; Grote projecten (meer dan 500- 1000 afbeeldingen bij 14 MP): 32 GB RAM, 60 GB SSD Vrije Ruimte.