Verzamelen en verwerken van op drones gebaseerde op afstand gedetecteerde gegevens voor gebruik bij het monitoren van bosherstel
24 oktober 2025
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.
Ons onderzoek is gericht op het vergemakkelijken van het gebruik van drone-gebaseerde LiDAR bij bosherstelbeoordeling door de ontwikkeling van een gebruiksvriendelijk protocol. Recente ontwikkelingen die dit mogelijk maken zijn onder meer vooruitgang in LiDAR-sensortechnologie en integratie met deep loaning-modellen. Om te beginnen, controleer de RPAS-apparatuur en update indien nodig de firmware.
Zet het RTK-basisstation op in een open gebied dat weg is van obstakels en de boomgrens. Wacht tot het basisstation volledig is opgestart voordat je de dronevlucht begint. Maak een vluchtbestand aan voor elke missie en upload deze naar de externe controller.
Voer nu de vluchtmissies uit om LiDAR- en multispectrale gegevens te verzamelen over het interessegebied. Zet een GNSS-basisstation op boven de locatie van het basisstation van de RPAS en laat het basisstation draaien om nauwkeurige coördinaten te verkrijgen voor nauwkeurige correctie van puntpositie. Gebruik een kaartlezer om de verzamelde LiDAR- en multispectrale gegevens van de sensoren naar een werkstation over te dragen.
Gebruik fotogrammetriesoftware om de multispectrale data vooraf te verwerken en geometrische en radiometrische correcties uit te voeren. Genereer een multispectraal orthomozaïek. Gebruik geschikte software om de ruwe LiDAR-gegevens te reconstrueren tot een point cloud-bestand.
Gebruik een geospatiaal hulpmiddel om de LiDAR-puntwolk uit te lijnen met het multispectrale orthomozaïek. Voer een Python-script uit om de uitgelijnde LiDAR-puntenwolk te combineren met de multispectrale orthomosaic om een multispectrale puntwolk te genereren. Download CloudCompare, de driedimensionale point cloud verwerkingssoftware, en installeer het.
Download vervolgens de TreeAIBox-plugin installer versie 1 van GitHub, start de installer en volg de instructies op het scherm. Open CloudCompare via het bureaubladpictogram, of door Start te selecteren, gevolgd door Alle programma's en CloudCompare. Laad het point cloud-bestand door één of meerdere bestanden open te gebruiken en klik op Apply.
Als de puntcoördinaten groot zijn, accepteer dan de prompt om een globale verschuiving of schaal toe te passen. Selecteer Input, dat metadata uit het bestand leest, en klik op Ja zodat de point cloud in het canvas verschijnt. Open de Python-plugin-werkbalk.
Vouw het Script Register-dropdown uit en klik op TreeAIBox om de grafische gebruikersinterface van de plugin te openen. Zorg ervoor dat het selectievakje Gebruik GPU is aangevinkt als er een grafische verwerkingsunit beschikbaar is die door Compute Unified Device Architecture wordt ondersteund. Selecteer in het bovenste paneel TreeFiltering en selecteer ALS boomstammen niet zichtbaar zijn in de RPAS-gegevens.
Maak nu het vakje voor tegelgrootte vrij. Selecteer in het keuzemenu met vooraf gedefinieerde modellen treefiltering_als_esegformer. Als je dit model voor het eerst gebruikt, klik dan op Download en bevestig de pop-up die het lokale pad toont.
Selecteer de puntwolk in het canvas zodat deze wordt gemarkeerd met een begrenzende kader. Klik in het TreeFilter-paneel op Apply. Bevestig dat er een nieuwe schaal of veld genaamd TreeFilter is aangemaakt met waarde 2 voor boompunten in rood en waarde 1 voor andere punten in blauw voordat je verder gaat.
Selecteer in het bovenpaneel van TreeAIBox TreeisoNet. Schakel Reclamation in, ALS-stam impliciet en Treeloc in. Kies in het dropdown het vereiste vooraf getrainde model.
Zorg ervoor dat de puntenwolk in het canvas geselecteerd is en klik vervolgens op Toepassen. Na verwerking bevestig je dat een nieuw item genaamd Treetops verschijnt onder de oorspronkelijke point cloud in het databaseboomvenster. Selecteer dit item en vergroot de puntgrootte, bijvoorbeeld tot 16, voor betere zichtbaarheid, en controleer dat de boomtopposities als witte stippen in het canvas verschijnen.
Voor het segmenteren van boomkronen selecteer je opnieuw het treepunt-clouditem. Selecteer in het bovenpaneel van TreeAIBox TreeisoNet en schakel TreeOff in. Download het vereiste vooraf getrainde model en klik vervolgens op Apply om het model uit te voeren.
Controleer vervolgens of er een nieuwe schaal of veld genaamd TreeOff is aangemaakt. Controleer dat elke boom een unieke identificatie krijgt met punten uit dezelfde boom die dezelfde identificatie delen. Optioneel kunt u de puntgrootte van de boomtop terugzetten naar Standaard om visuele rommel te verminderen.
Om het visuele contrast te verbeteren en boomkleuren te randomiseren op identificator, kloon je de originele puntwolk om de data te behouden door te kiezen op Bewerken en Klonen. Ga dan naar Bewerken, gevolgd door Scalair Fields, en Converteer naar willekeurige RGB. Voer een grote waarde in om discrete kleuren te garanderen en klik op OK. Bekijk de puntenwolk die bomen in willekeurige kleuren toont.
Selecteer tenslotte in het bovenpaneel van TreeAIBox TreeisoNet en klik op Exporteren statistieken om segmentatieresultaten te exporteren. Klik vervolgens op Open uitvoerpad om het geëxporteerde bestand in de Resultaten-map te bekijken. Bevestig dat de output een bestand met gescheiden waarden is met boomidentificaties, coördinaten, boomhoogte en kroonoppervlakte.
De TreeAIBox-plugin filterde met succes boompunten en bepaalde individuele bomen op alle drie de locaties, en in totaal werden 2.755 individuele bomen gedetecteerd. Het model identificeerde 1.706 bomen op Site 1, 882 bomen op Site 2 en 167 bomen op Site 3. Het detectiepercentage voor referentiebomen varieerde tussen de locaties: 100% werd gedetecteerd voor locatie 2, 95% voor locatie 1 en 21% voor locatie 3.
Het model behaalde een detectiepercentage van 100% voor alle referentiebomen hoger dan één meter. De detectieprestaties namen af bij kortere bomen, waarbij slechts 45% van de bomen tussen 0,5 en 1 meter werd gedetecteerd en geen van de bomen onder de 0,5 meter werd geïdentificeerd. Dit protocol heeft als doel de onderzoekskloof bij individuele boomdetectie en segmentatie voor jonge bomen in complexe bosrijke omgevingen aan te pakken.
Dit protocol biedt een praktische, effectieve, gebruiksvriendelijke en veelzijdige methode om individuele boomstatistieken uit LiDAR-data te extraheren. Ons protocol zal het herstel en de monitoring van het bos bevorderen en is vooral nuttig voor het beoordelen van de grootte van recreatief klimputput, waardoor de tijd en kosten van perceelonderzoeken worden verminderd.
Overzicht
Deze studie presenteert een gebruiksvriendelijk protocol voor het inzetten van drone-gebaseerde LiDAR-technologie bij beoordelingen van bosherstel. Door de integratie van geavanceerde sensortechnologie en deep learning-modellen verhoogt het protocol de efficiëntie van het monitoren van bosherstel na verstoringen.
Belangrijkste studiecomponenten
Wetenschappelijk vakgebied
- Remote sensing
- Bosbouwecologie
- Kunstmatige intelligentie
Achtergrond
- Recente ontwikkelingen in onbemand vliegende systemen (RPAS) maken monitoring met een hoge resolutie mogelijk.
- De integratie van AI biedt diepere inzichten uit grote datasets.
- Een effectieve beoordeling en het beheer van herstellende bosgebieden is cruciaal.
- Bestaande methoden zijn vaak onvoldoende efficiënt en gebruiksvriendelijk.
Doel van de studie
- Het ontwikkelen van een praktisch protocol voor drone-gebaseerde LiDAR bij de beoordeling van bosherstel.
- Het aanpakken van de lacunes in het onderzoek naar de detectie en segmentatie van individuele bomen.
- Het verminderen van de tijd en kosten die gepaard gaan met traditionele plotonderzoeken.
Gebruikte methoden
- Configuratie van het RPAS en het RTK-basisstation voor nauwkeurige gegevensverzameling.
- Verzameling van LiDAR- en multispectrale gegevens over aangewezen gebieden.
- Gebruik van fotogrammetrie-software voor preprocessing en correcties van de gegevens.
- Toepassing van de TreeAIBox-plugin voor boomdetectie en segmentatie.
Belangrijkste resultaten
- In totaal werden 2.755 individuele bomen gedetecteerd over drie locaties.
- De detectiepercentages varieerden, met 100% voor Locatie 2 en 21% voor Locatie 3.
- Het protocol identificeerde bomen met een hoogte van meer dan één meter met een hoge nauwkeurigheid.
- Het biedt een veelzijdige methode voor het extraheren van individuele boommetriek uit LiDAR-gegevens.
Conclusies
- Dit protocol verbetert de monitoring en beoordeling van bosherstel.
- Het is effectief voor jonge bomen in complexe bosomgevingen.
- De methode is gebruiksvriendelijk en vermindert de noodzaak voor uitgebreide veldonderzoeken.
Veelgestelde vragen
Industriële Relevantie voor Management
Geautomatiseerde integratie van drone-gebaseerde LiDAR- en multispectrale gegevens, gecombineerd met deep learning-segmentatie, maakt schaalbare monitoring met een hoge resolutie van bosherstel op herwonnen terreinen mogelijk. Dit protocol speelt in op de behoefte aan een efficiënte, reproduceerbare en kwantitatieve beoordeling van de vegetatiestructuur, wat datagestuurde besluitvorming bij ecologisch herstel en landbeheer ondersteunt. De aanpak vermindert de werklast van handmatige surveys en verhoogt de voorspellende betrouwbaarheid van metrieken voor ecosysteemherstel die relevant zijn voor milieuportefeuilles.
Strategische toepassingen in biofarmaceutisch R&D
Vroege Ontdekking & Targetvalidatie
- Maakt kwantitatieve hypothesetoetsing van vegetatieherstel-dynamiek mogelijk met behulp van ruimtelijk expliciete boommetrieken.
- Ondersteunt mechanische risicoreductie door de relatie tussen locatiebehandelingen en ecologische resultaten te verduidelijken.
- Faciliteert functionele validatie van hersteldoelstellingen via objectieve, high-throughput datacollectie.
Screening & assayontwikkeling
- Bereidt gevalideerde geospatiale datasets voor voor downstream ecologische modellering en comparatieve analyse.
- Standaardiseert workflows voor data-acquisitie en -verwerking, wat de reproduceerbaarheid over verschillende locaties en tijdspunten verbetert.
- Genereert kwantitatieve resultaten (booomhoogte, kroonoppervlak, coördinaten) die geschikt zijn voor schaalbare screening van herstelinterventies.
Translationeel & Preklinisch Onderzoek
- Lijnt remote sensing-outputs uit met ecologische indicatoren uit het veld, wat de translationele continuïteit bij herstelmonitoring ondersteunt.
- Maakt risicogecorrigeerde voortgang van reclaimatiestrategieën mogelijk op basis van robuuste, locatie-specifieke herstelmetrieken.
- Biedt voorspellende risicoreductie voor hersteltrajecten van ecosystemen met behulp van objectieve, ruimtelijk opgeloste gegevens.
Integratie van pipeline en workflow
Dit protocol is geïntegreerd in het continuüm van ecologische monitoring, van de initiële locatiebeoordeling tot de longitudinale monitoring van het herstel en de evaluatie van interventies.
- Ontdekkingsbiologie: Ondersteunt hypothese-gestuurde analyse van vegetatiestructuur en herstelpatronen met behulp van hogeresolutie, multimodale data.
- Screening: Levert reproduceerbare, kwantitatieve boommetrieken voor comparatieve evaluatie van herstelbenaderingen.
- Analytics: Genereert CSV-bestanden met boomidentificatoren, coördinaten, hoogte en kroonoppervlakte voor statistische analyse en cross-site benchmarking.
- Translationeel onderzoek: Slaat een brug tussen remote sensing-data en veldvalidatie, wat consistente monitoring over diverse landschappen mogelijk maakt.
- Bedrijfsmatige hergebruik: Vestigt een schaalbare, aanpasbare workflow voor continue ecologische monitoring en herstelbeoordeling.
Operationele & Bedrijfsimpact
- Wetenschappelijke waarde: Verhoogt het voorspellend vertrouwen in ecosysteemherstel en vermindert onduidelijkheid over herstelresultaten.
- Operationele waarde: Stroomlijnt de gegevensverzameling, verwerking en analyse voor grootschalige monitoring op meerdere locaties.
- Strategische waarde: Informeert go/no-go-beslissingen voor investeringen in landaanwinning en ondersteunt een efficiënte toewijzing van middelen.
- Impact op de portfolio: Maakt risico-gecorrigeerde prioritering van herstelprojecten mogelijk op basis van kwantitatieve herstelmetrieken.
Overwegingen bij de implementatie
- Vereist expertise in remote sensing, geospatiale analyse en het bedienen van deep learning-modellen.
- Toegang tot RPAS-platforms, LiDAR- en multispectrale sensoren en compatibele verwerkingssoftware is noodzakelijk.
- Gestandaardiseerde workflows voor data-uitlijning, samenvoeging en segmentatie tussen teams zijn vereist.
- Aanpassing kan nodig zijn voor verschillende bostypen, sensorconfiguraties of locatieomstandigheden.
- De detectiegevoeligheid is beperkt voor bomen met een hoogte van minder dan 1 meter, wat de monitoring van herstel in een vroeg stadium beïnvloedt.
