Verzamelen en verwerken van op drones gebaseerde op afstand gedetecteerde gegevens voor gebruik bij het monitoren van bosherstel
October 24th, 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 gebruik van drone-gebaseerde LiDAR-technologie bij beoordelingen van bosherstel. Door geavanceerde sensortechnologie en deep learning-modellen te integreren, verbetert het protocol de efficiëntie van het monitoren van bosherstel na verstoringen.
Belangrijkste studiecomponenten
Wetenschapsgebied
- Remote sensing
- Bosecologie
- Kunstmatige intelligentie
Achtergrond
- Recente ontwikkelingen in systemen voor op afstand bestuurde luchtvaartuigen (RPAS) maken hoge resolutie monitoring mogelijk.
- Integratie van AI biedt diepere inzichten uit grote datasets.
- Effectieve beoordeling en beheer van herstellende beboste gebieden is cruciaal.
- Bestaande methoden missen vaak efficiëntie en gebruiksvriendelijkheid.
Doel van de studie
- Om een praktisch protocol te ontwikkelen voor drone-gebaseerde LiDAR in bosherstelbeoordeling.
- Om het onderzoeksgat in individuele boomdetectie en -segmentatie aan te pakken.
- Om tijd en kosten geassocieerd met traditionele plotonderzoeken te verminderen.
Gebruikte methoden
- Installatie van RPAS en RTK-basisstation voor nauwkeurige gegevensverzameling.
- Verzameling van LiDAR en multispectrale gegevens over aangewezen gebieden.
- Gebruik van fotogrammetriesoftware voor voorverwerking en correcties van gegevens.
- Toepassing van de TreeAIBox-plugin voor boomdetectie en -segmentatie.
Belangrijkste resultaten
- In totaal werden 2.755 individuele bomen gedetecteerd op drie locaties.
- Detectiepercentages varieerden, met 100% voor Locatie 2 en 21% voor Locatie 3.
- Het protocol identificeerde met hoge nauwkeurigheid bomen die hoger waren dan één meter.
- Het biedt een veelzijdige methode voor het extraheren van individuele boommetrieken uit LiDAR-gegevens.
Conclusies
- Dit protocol verbetert het monitoren en beoordelen van bosherstel.
- Het is effectief voor jonge bomen in complexe bosmilieus.
- De methode is gebruiksvriendelijk en vermindert de noodzaak voor uitgebreide veldonderzoeken.
Veelgestelde vragen
Executive Industry Relevance
Automated drone-based LiDAR and multispectral data integration, combined with deep learning segmentation, enables scalable, high-resolution monitoring of forest recovery on reclaimed sites. This protocol addresses the need for efficient, reproducible, and quantitative assessment of vegetation structure, supporting data-driven decision-making in ecological restoration and land management. The approach reduces manual survey burden and enhances predictive confidence in ecosystem recovery metrics relevant to environmental portfolios.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables quantitative hypothesis testing of vegetation recovery dynamics using spatially explicit tree metrics.
- Supports mechanistic de-risking by clarifying the relationship between site treatments and ecological outcomes.
- Facilitates functional validation of restoration targets through objective, high-throughput data collection.
Screening & Assay Development
- Prepares validated geospatial datasets for downstream ecological modeling and comparative analysis.
- Standardizes data acquisition and processing workflows, improving reproducibility across sites and timepoints.
- Generates quantitative outputs (tree height, crown area, coordinates) suitable for scalable screening of restoration interventions.
Translational & Preclinical Research
- Aligns remote sensing outputs with field-based ecological indicators, supporting translational continuity in restoration monitoring.
- Enables risk-adjusted advancement of reclamation strategies based on robust, site-specific recovery metrics.
- Provides predictive de-risking for ecosystem recovery trajectories using objective, spatially resolved data.
Pipeline & Workflow Integration
This protocol integrates into the ecological monitoring continuum from early site assessment through longitudinal recovery tracking and intervention evaluation.
- Discovery Biology: Supports hypothesis-driven analysis of vegetation structure and recovery patterns using high-resolution, multi-modal data.
- Screening: Delivers reproducible, quantitative tree metrics for comparative evaluation of restoration approaches.
- Analytics: Outputs CSV files with tree identifiers, coordinates, height, and crown area for statistical analysis and cross-site benchmarking.
- Translational Research: Bridges remote sensing data with field validation, enabling consistent monitoring across diverse landscapes.
- Enterprise Reuse: Establishes a scalable, adaptable workflow for ongoing ecological monitoring and restoration assessment.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in ecosystem recovery and reduces ambiguity in restoration outcomes.
- Operational Value: Streamlines data collection, processing, and analysis for large-scale, multi-site monitoring.
- Strategic Value: Informs go/no-go decisions for reclamation investments and supports efficient resource allocation.
- Portfolio Impact: Enables risk-adjusted prioritization of restoration projects based on quantitative recovery metrics.
Implementation Considerations
- Requires expertise in remote sensing, geospatial analysis, and deep learning model operation.
- Needs access to RPAS platforms, LiDAR and multispectral sensors, and compatible processing software.
- Demands standardized workflows for data alignment, merging, and segmentation across teams.
- Adaptation may be necessary for different forest types, sensor configurations, or site conditions.
- Detection sensitivity is limited for trees below 1 meter in height, impacting monitoring of early-stage recovery.
