Zobrazowania z poziomu gruntu bezzałogowego systemu powietrznego w połączeniu ze zrównoważonym przestrzennie pobieraniem próbek i optymalizacją tras w celu monitorowania roślinności na terenach leśnych

Podsumowanie

Protokół przedstawiony w tym artykule wykorzystuje optymalizację tras, zrównoważone pobieranie próbek akceptacyjnych oraz obrazy systemów naziemnych i bezzałogowych statków powietrznych (UAS) do efektywnego monitorowania roślinności w ekosystemach rangeland. Porównano wyniki ze zdjęć uzyskanych metodami naziemnymi i bezzałogowymi statkami powietrznymi.

Streszczenie

Ekosystemy Rangeland obejmują 3,6 miliarda hektarów na całym świecie, z czego 239 milionów hektarów znajduje się w Stanach Zjednoczonych. Ekosystemy te mają kluczowe znaczenie dla utrzymania globalnych usług ekosystemowych. Monitorowanie roślinności w tych ekosystemach jest wymagane w celu oceny stanu zdrowia pastwisk, oceny przydatności siedlisk dla dzikich zwierząt i zwierząt gospodarskich, zwalczania inwazyjnych chwastów oraz wyjaśnienia czasowych zmian środowiskowych. Chociaż ekosystemy leśne obejmują rozległe obszary, tradycyjne techniki monitorowania są często czasochłonne i nieopłacalne, podlegają dużej stronniczości obserwatorów i często brakuje odpowiednich informacji przestrzennych. Monitorowanie roślinności na podstawie obrazów jest szybsze, tworzy trwałe zapisy (tj. obrazy), może skutkować zmniejszeniem stronniczości obserwatora i z natury zawiera odpowiednie informacje przestrzenne. Zrównoważone przestrzennie projekty pobierania próbek są korzystne w monitorowaniu zasobów naturalnych. Przedstawiono protokół wdrożenia przestrzennie zrównoważonego projektu pobierania próbek, znanego jako zrównoważone próbkowanie akceptacyjne (BAS), z obrazami uzyskanymi z kamer naziemnych i bezzałogowych systemów powietrznych (UAS). Algorytm optymalizacji tras jest stosowany dodatkowo w celu rozwiązania "problemu komiwojażera" (TSP) w celu zwiększenia efektywności czasowej i kosztowej. Chociaż obrazy z UAS można uzyskiwać 2–3 razy szybciej niż obrazy z ręki, oba typy obrazów są do siebie podobne pod względem dokładności i precyzji. Na koniec omówiono zalety i wady każdej z metod oraz przedstawiono przykłady potencjalnych zastosowań tych metod w innych ekosystemach.

Wprowadzenie

Ekosystemy Rangeland obejmują rozległe obszary, obejmujące 239 milionów ha w Stanach Zjednoczonych i 3,6 miliarda ha na całym świecie¹. Wybiegi zapewniają szeroki wachlarz usług ekosystemowych, a zarządzanie wybiegami obejmuje wiele sposobów użytkowania gruntów. W zachodnich Stanach Zjednoczonych pastwiska zapewniają siedliska dzikiej przyrody, magazynowanie wody, sekwestrację dwutlenku węgla i paszę dla zwierząt gospodarskich². Rangelands są narażone na różne zakłócenia, w tym gatunki inwazyjne, pożary, rozwój infrastruktury i wydobycie zasobów naturalnych (np. ropy, gazu i węgla)³. Monitorowanie roślinności ma kluczowe znaczenie dla utrzymania zarządzania zasobami na terenach wybiegowych i innych ekosystemach na całym świecie^4,5,6. Monitorowanie roślinności na terenach leśnych jest często wykorzystywane do oceny stanu terenów leśnych, przydatności siedlisk dla gatunków dzikich zwierząt oraz do katalogowania zmian w krajobrazie spowodowanych gatunkami inwazyjnymi, pożarami i wydobyciem zasobów naturalnych^7,8,9,10. Chociaż cele poszczególnych programów monitorowania mogą się różnić, pożądane są programy monitorowania, które spełniają potrzeby wielu interesariuszy, a jednocześnie są statystycznie niezawodne, powtarzalne i ekonomiczne^5,7,11. Chociaż zarządcy gruntów zdają sobie sprawę z tego, jak ważne jest monitorowanie, często jest ono postrzegane jako nienaukowe, nieekonomiczne i uciążliwe⁵.

Tradycyjnie, monitorowanie terenów leśnych było prowadzone za pomocą różnych metod, w tym oceny wzrokowej lub wizualnej¹⁰, Daubenmire frames¹², wykres wykresu¹³, oraz punkt przecięcia linii wzdłuż transektów roślinności¹⁴. Chociaż ocena wzrokowa lub oczna jest efektywna czasowo, podlega dużej stronniczości obserwatora¹⁵. Inne tradycyjne metody, choć również podlegają dużej stronniczości obserwatora, są często nieefektywne ze względu na wymagania czasowe i kosztowe^6,15,16,17. Czas potrzebny na wdrożenie wielu z tych tradycyjnych metod jest często zbyt uciążliwy, co utrudnia uzyskanie statystycznie ważnych rozmiarów próby, co skutkuje niewiarygodnymi szacunkami populacji. Metody te są często stosowane w oparciu o wygodę, a nie stochastycznie, a obserwatorzy wybierają miejsce, w którym zbierają dane. Ponadto raportowane i rzeczywiste lokalizacje próbek często się różnią, co powoduje zamieszanie wśród zarządców gruntów i innych interesariuszy polegających na danych z monitorowania roślinności¹⁸. Ostatnie badania wykazały, że monitorowanie roślinności na podstawie obrazów jest efektywne czasowo i kosztowo^6,19,20. Zwiększenie ilości danych, które można pobrać w obrębie danego obszaru w krótkim czasie, powinno poprawić wiarygodność statystyczną danych w porównaniu z bardziej czasochłonnymi tradycyjnymi technikami. Obrazy są trwałymi zapisami, które mogą być analizowane przez wielu obserwatorów po zebraniu danych terenowych⁶. Ponadto wiele kamer jest wyposażonych w globalne systemy pozycjonowania (GPS), dzięki czemu obrazy mogą być geotagowane za pomocą lokalizacji kolekcji^18,20. Wykorzystanie generowanych komputerowo punktów poboru próbek, dokładnie zlokalizowanych w terenie, powinno zmniejszyć stronniczość obserwatora, niezależnie od tego, czy obraz jest uzyskiwany za pomocą kamery ręcznej, czy przez bezzałogowy system powietrzny, ponieważ zmniejsza skłonność indywidualnego obserwatora do korzystania z jego opinii na temat tego, gdzie należy umieścić próbki.

Oprócz tego, że jest czasochłonne, kosztowne i podatne na dużą stronniczość obserwatora, tradycyjne monitorowanie zasobów naturalnych często nie jest w stanie odpowiednio scharakteryzować niejednorodnych obszarów z powodu małej wielkości próbki i skoncentrowanych lokalizacji pobierania próbek²¹. Zrównoważone przestrzennie projekty próbkowania rozkładają lokalizacje próbek bardziej równomiernie w obszarze zainteresowania, aby lepiej scharakteryzować zasoby naturalne^21,22,23,24. Projekty te mogą obniżyć koszty próbkowania, ponieważ mniejsze rozmiary próbek są wymagane do osiągnięcia dokładności statystycznej w stosunku do prostego losowego próbkowania²⁵.

W tej metodzie, przestrzennie zrównoważony projekt próbkowania znany jako zrównoważone próbkowanie akceptacji (BAS)^22,24 jest połączony z monitorowaniem opartym na obrazie w celu oceny roślinności na terenach leśnych. Punkty BAS są optymalnie rozłożone w obszarze zainteresowania²⁶. Nie gwarantuje to jednak, że punkty zostaną uporządkowane w optymalnej trasie do odwiedzenia²⁰. W związku z tym punkty BAS są aranżowane przy użyciu algorytmu optymalizacji trasy, który rozwiązuje problem komiwojażera (TSP)²⁷. Odwiedzanie punktów w tej kolejności określa optymalną ścieżkę (tj. najmniejszą odległość) łączącą punkty. Punkty BAS są przenoszone do oprogramowania systemu informacji geograficznej (GIS), a następnie do ręcznego urządzenia do zbierania danych wyposażonego w GPS. Po zlokalizowaniu punktów BAS wykonywane są zdjęcia za pomocą kamery wyposażonej w GPS, a także bezzałogowego systemu powietrznego obsługiwanego za pomocą oprogramowania pokładowego. Po wejściu w teren technik podchodzi do każdego punktu, aby uzyskać obrazy z kamery zamontowanej na monopodzie o długości 1 m² z odległością próbki gruntu (GSD) 0,3 mm w każdym punkcie BAS, podczas gdy UAS leci do tych samych punktów i uzyskuje obrazy 2,4 mm-GSD. Następnie dane dotyczące pokrywy roślinnej są generowane za pomocą 'SamplePoint'²⁸ w celu ręcznej klasyfikacji 36 punktów/obraz. Porównywane są dane dotyczące pokrywy roślinnej wygenerowane na podstawie analizy zobrazowań z poziomu terenu i zobrazowań z użyciem bezzałogowych systemów powietrznych, a także podane czasy akwizycji dla każdej metody. W reprezentatywnym badaniu wykorzystano dwie sąsiadujące ze sobą, 10-hektarowe działki leśne. Na koniec omówiono inne zastosowania tej metody i sposób, w jaki można ją modyfikować na potrzeby przyszłych projektów lub projektów w innych ekosystemach.

Protokół

1. Definiowanie obszaru badań, generowanie punktów próbkowania i ścieżki przejazdu oraz przygotowanie terenu

1. Określenie obszaru studiów
   1. Użyj oprogramowania GIS, aby narysować grafikę wielokątną wokół obszaru (obszarów) zainteresowania. Badanie to zostało przeprowadzone na dwóch 10-akrowych działkach w obrębie pastwiska w hrabstwie Laramie, WY, USA (Rysunek 1).
   2. Upewnij się, że obszary, które nie powinny znajdować się w ramce próbkowania, są wykluczone z wielokąta (np. zbiorniki wodne, konstrukcje budowlane, jezdnie itp.). Zapewni to, że zdjęcia tych obszarów nie zostaną później wykonane.
   3. Przekonwertuj grafikę wielokąta na obiekt w pliku shape (.shp) w oprogramowaniu GIS i upewnij się, że plik shape został utworzony w żądanym układzie współrzędnych.

Rysunek 1: Przedstawienie obszarów zainteresowania objętych badaniem. Ta lokalizacja znajduje się na pastwisku na południe od Cheyenne w hrabstwie Laramie, WY, USA (źródło zdjęć: Wyoming NAIP Imagery 2017). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

2. Generowanie punktów BAS i optymalizacja ścieżki przejazdu
   UWAGA: Kod jest dołączony jako "Supplemental_Code.docx".
   1. Użyj pakietu R 'rgdal'²⁹, aby przekonwertować wielokąt GIS na plik czytelny dla programu R.
   2. Użyj pakietu R 'SDraw'³⁰, aby wygenerować żądaną liczbę punktów BAS. W badaniu tym wykorzystano 30 punktów BAS na badany obszar, chociaż w przyszłości należy przeprowadzić badania w celu określenia optymalnej intensywności pobierania próbek dla obszarów o różnej wielkości i składzie roślinności.
   3. Użyj pakietu R 'TSP'²⁷, aby uporządkować punkty BAS. Wizyta w punktach w tej kolejności minimalizuje czas potrzebny na pobranie próbek w punktach BAS.
3. Przygotowanie do ręcznej akwizycji zobrazowań
   1. Użyj pakietu R "rgdal", aby przenieść punkty z kroku 1.2.1 z powrotem do programu GIS.
   2. Edytuj tabelę atrybutów pliku shape, tak aby pole identyfikatora punktu dokładnie odzwierciedlało zoptymalizowaną kolejność ścieżek.
   3. Przenieś plik wielokąta i punktu GIS do oprogramowania GIS działającego na urządzeniu przenośnym.
   4. Upewnij się, że istnieje prawidłowy układ współrzędnych odwzorowanych dla obszaru zainteresowania.
4. Przygotowanie do pozyskiwania zobrazowań z bezzałogowych systemów powietrznych
   1. Użyj pakietu R "rgdal", aby przenieść punkty z kroku 1.2.1 z powrotem do oprogramowania GIS.
   2. W oprogramowaniu GIS użyj narzędzia Dodaj współrzędne XY, aby utworzyć i wypełnić pola szerokości i długości geograficznej w tabeli atrybutów punktów trasy.
   3. Eksportuj tabelę atrybutów punktów trasy zawierającą kolumny Szerokość geograficzna, Długość geograficzna i TSP do formatu pliku *.csv.
   4. Otwórz plik *.csv w odpowiednim pakiecie oprogramowania.
   5. Sortuj punkty trasy według identyfikatora TSP.
   6. Otwórz aplikację Mission Hub.
   7. Utwórz dowolny punkt trasy w Mission Hub.
   8. Eksportuj dowolny punkt trasy jako plik *.csv.
   9. Otwórz plik *.csv w programie do obsługi arkuszy kalkulacyjnych i usuń dowolne punkty trasy, zachowując nagłówki kolumn.
   10. Skopiuj posortowane przez TSP pary współrzędnych punktów trasy z kroku 1.2.3 do odpowiednich kolumn w pliku *.csv z kroku 1.4.8.
   11. Zaimportuj plik *.csv z kroku 1.4.10 do Centrum misji jako nową misję.
   12. Zdefiniuj ustawienia.
       1. Zaznacz pole Użyj podniesienia uprawnień online.
       2. Określ tryb ścieżki jako linie proste.
       3. Określ Zakończ akcję jako RTH, aby dron mógł wrócić do domu po zakończeniu misji.
   13. Kliknij na poszczególne punkty trasy i dodaj działania, określając następujące parametry: Pobyt: 2 s (aby uniknąć rozmycia obrazu); Kąt pochylenia kamery: -90° (Nadir); Zrób zdjęcie.
   14. Zapisz misję o odpowiedniej nazwie.
   15. Powtórz ten proces dla dodatkowych witryn.

2. Zbieranie danych terenowych i przetwarzanie końcowe

1. Rejestrowanie roślinności zaobserwowanej lub spodziewanej na badanym obszarze
   1. Przed uzyskaniem obrazów należy utworzyć listę roślinności obserwowanej na badanym obszarze. Można to zrobić na odręcznym arkuszu lub na formularzu cyfrowym, aby pomóc w późniejszej identyfikacji ze zdjęciem. Korzystne może być uwzględnienie w inwentaryzacji gatunków, które prawdopodobnie będą spodziewane na danym obszarze, nawet jeśli nie są obserwowane na polu (np. gatunki w mieszankach nasion do rekultywacji)¹⁸.
2. Akwizycja obrazu z ziemi
   1. Przymocuj kamerę do pionowego monopodu i skieruj kamerę w dół pod kątem około 60°. Obszar obrazu można określić za pomocą specyfikacji obiektywu i rozdzielczości (megapikseli) aparatu oraz ustawienia monopodu na standardową wysokość. Wysokość monopodu w połączeniu ze specyfikacją kamery określi odległość próbki gruntu (GSD). W tym badaniu użyto 12,1-megapikselowej kamery, a monopod ustawiono na stałej wysokości 1,3 m nad ziemią, aby uzyskać obrazy Nadir na ~0,3 mm GSD¹⁸.
   2. Przechyl monopod do przodu, tak aby obiektyw aparatu znajdował się w pozycji Nadir, a monopod kątem nie był widoczny na obrazie.
   3. Dostosuj wysokość monopodu lub zoomu obiektywu, aby uzyskać bezramkowy rozmiar wydruku 1 m² (lub inny żądany rozmiar wydruku). W przypadku najpopularniejszych kamer o proporcjach 4:3 szerokość działki wynosząca 115 cm daje pole widzenia obrazu o powierzchni 1^m2. Nie ma potrzeby umieszczania ramy na ziemi; Cały obraz jest fabułą. Jeśli dostosowujesz zoom na obiektywie, aby to osiągnąć, użyj taśmy malarskiej, aby zapobiec przypadkowym zmianom ustawień zoomu.
   4. Jeśli to możliwe, ustaw aparat w trybie preselekcji czasu otwarcia migawki i ustaw czas otwarcia migawki na co najmniej 1/125 s, aby uniknąć rozmycia obrazu; szybszy, jeśli jest wietrznie.
   5. Zlokalizuj pierwszy punkt w zoptymalizowanej kolejności ścieżek.
   6. Umieść monopod na ziemi w punkcie 1 i przechyl monopod, aż aparat znajdzie się w orientacji Nadir. Upewnij się, że cień operatora nie znajduje się na obrazie. Trzymaj aparat nieruchomo, aby zapobiec rozmyciu ruchu. Pobierz plik image.
      UWAGA: Na tym etapie przydatny jest zdalnego wyzwalacza.
   7. Sprawdź jakość obrazu, aby upewnić się, że przechwytywanie danych przebiega pomyślnie.
   8. Przejdź do następnego punktu w zoptymalizowanej kolejności ścieżek i powtórz kroki pozyskiwania.
3. Akwizycja obrazu z UAS
   1. Przed wystrzeleniem bezzałogowego statku powietrznego należy przeprowadzić krótki rekonesans badanego obszaru, aby upewnić się, że na torze lotu nie znajdują się żadne fizyczne przeszkody. To ćwiczenie rozpoznawcze jest również przydatne do zlokalizowania dość płaskiego obszaru, z którego można wystrzelić bezzałogowy statek powietrzny.
   2. Upewnij się, że warunki pogodowe są odpowiednie do lotu bezzałogowego statku powietrznego: suchy, pogodny dzień (widoczność >4,8 km) przy odpowiednim oświetleniu, minimalny wiatr (<17 węzłów) i temperatura w zakresie od 0 °C do 37 °C.
   3. Postępuj zgodnie z protokołami prawnymi. Na przykład w USA należy przestrzegać zasad Federalnej Administracji Lotnictwa.
   4. Wykorzystaj oprogramowanie Mission Hub (Rysunek 2) oraz aplikację do wykonywania misji dostępną za pośrednictwem urządzeń mobilnych (Rysunek 3).
   5. Zbierz zobrazowania z bezzałogowego systemu powietrznych w każdym punkcie systemu BAS zgodnie z opisem w kroku 1.4.
   6. Sprawdź, czy wszystkie obrazy zostały wykonane za pomocą urządzenia mobilnego przed zmianą lokalizacji.

Rysunek 2: Interfejs użytkownika Mission Hub. Mapa przedstawia tor lotu drona wzdłuż serii 30 punktów BAS w jednym z miejsc badań, podczas gdy wyskakujące okienko pokazuje parametry akwizycji obrazu w każdym punkcie trasy. Rysunek 2 jest specyficzny dla Miejsca 1, choć wygląda podobnie do Miejsca 2. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 3: Misja lotu z punktem orientacyjnym w aplikacji do wykonywania misji Litchi działającej na smartfonie z systemem Android. Unikalne identyfikatory punktów trasy są wyświetlane w kolorze fioletowym i reprezentują względną kolejność, w jakiej zdjęcia zostały wykonane w różnych punktach badanego obszaru. Liczby w każdym punkcie trasy, takie jak 7(6), wskazują całkowite wartości wysokości nad ziemią, na której wykonano zdjęcia (pierwsza liczba) oraz wysokości nad punktem domowym lub miejscem startu drona (druga liczba). Zwróć uwagę na odległości między kolejnymi punktami trasy, które są oznaczone na mapie. Rysunek 3 jest specyficzny dla Miejsca 1, choć w wyglądzie jest podobny do Miejsca 2. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

4. Przetwarzanie końcowe obrazu z poziomu podłoża.
   UWAGA: Wskazówki są dostępne pod adresem www.SamplePoint.org w sekcji samouczka; W załączeniu znajduje się plik z .pdf uzupełniającym.
   1. Pobierz obrazy na komputer za pomocą USB lub karty SD.
   2. Upewnij się, że zdjęcia zostały zrobione we właściwych miejscach. Istnieje różne programy do umieszczania obrazów w oprogramowaniu GIS na podstawie metadanych zawartych w obrazach oznaczonych geotagami.
   3. Jeśli obrazy zostały uzyskane w wielu obszarach badawczych, przechowuj je w osobnych folderach do analizy obrazu.
5. Przetwarzanie obrazu UAS
   1. Przenieś obrazy zapisane na wymiennej karcie microSD z UAS do komputera.
   2. Powtórz kroki 2.4.2 i 2.4.3.

3. Analiza obrazu

UWAGA: Wszystkie kroki można znaleźć w sekcji 'samouczek' na www.SamplePoint.org; dołączony jest dodatkowy plik 'tutorial.pdf'.

1. W SamplePoint kliknij pozycję Opcje | Kreator baz danych | Utwórz/wypełnij bazę danych.
2. Nazwij bazę danych na podstawie badanego obszaru.
3. Przejdź do folderu zawierającego żądane próbki obszaru badania i wybierz te, które mają zostać sklasyfikowane.
4. Kliknij Gotowe.
5. Kliknij Opcje | Wybierz pozycję Baza danych i wybierz plik *.xls generowany przez program SamplePoint na podstawie wyboru obrazu (będzie on na obrazie).
6. Upewnij się, że w bazie danych wybrano poprawną liczbę obrazów, gdy pojawi się monit o wyświetlenie monitu przez program SamplePoint. Upewnij się, że w bazie danych wybrano poprawną liczbę obrazów.
7. Wybierz żądaną liczbę pikseli do analizy na każdym obrazie. Można to zrobić w siatce lub losowo. W tym badaniu wykorzystano siatkę 6 x 6, aby wybrać łącznie 36 pikseli, chociaż więcej lub mniej pikseli na obraz można sklasyfikować w zależności od pożądanej precyzji pomiaru do klasyfikacji. Niedawne badanie wykazało, że 20–30 pikseli na obraz jest wystarczające do próbkowania dużych obszarów³¹. Opcja siatki zapewnia, że piksele będą w tej samej pozycji, jeśli obraz zostanie ponownie przeanalizowany, podczas gdy opcja losowa będzie losowo generować piksele za każdym razem, gdy obraz zostanie ponownie załadowany.
8. Utwórz niestandardowy plik Button do klasyfikacji gatunków. Lista ta może być wygenerowana na podstawie listy roślinności zarejestrowanej na polu przed uzyskaniem obrazu lub może być oparta na innych informacjach związanych z badanym obszarem (np. lista mieszanych nasion na terenach zrekultywowanych lub informacje o opisie terenu ekologicznego itp.). Upewnij się, że utworzony jest przycisk dla gołej ziemi lub gleby i innych potencjalnych przedmiotów niezwiązanych z roślinnością, które można napotkać, takich jak śmieci lub skały. Zaleca się utworzenie przycisku Nieznany, aby umożliwić analitykowi klasyfikowanie gatunków w późniejszym terminie. Pole komentarza w programie SamplePoint może służyć do notowania pikseli, w których użyto tej opcji. Dodatkowo, jeśli rozdzielczość obrazu nie jest wystarczająco wysoka, aby sklasyfikować go do poziomów gatunków, korzystne jest utworzenie przycisków dla grup funkcyjnych (np. Trawa, Trawa, Krzew).
9. Rozpocznij analizę obrazów, klikając przycisk klasyfikacji, który opisuje piksel obrazu, na który ma trafić czerwony krzyżyk. Powtarzaj tę czynność, aż do momentu, gdy SamplePoint wyświetli monit "To są wszystkie punkty. Kliknij następny obraz." Powtórz tę czynność dla wszystkich obrazów w bazie danych.
   UWAGA: Funkcja Zoom może być używana do pomocy w klasyfikacji.
10. Gdy wszystkie obrazy w bazie danych zostaną całkowicie przeanalizowane, program SamplePoint wyświetli monit "Wyczerpałeś wszystkie obrazy". W tym momencie wybierz przycisk OK, a następnie kliknij pozycję Opcje | Tworzenie plików statystycznych.
11. Przejdź do folderu zawierającego bazę danych i otwórz plik *.csv, który właśnie został utworzony, aby upewnić się, że dane dla wszystkich obrazów są przechowywane.

4. Analiza statystyczna

1. Analizy chi-kwadrat w celu określenia różnic między lokalizacjami
   1. Ponieważ ta sama liczba obrazów (podstawowych jednostek próbkowania) i pikseli (wtórnych jednostek próbkowania) jest zbierana i analizowana w obu lokalizacjach, porównanie między tymi dwoma miejscami można uznać za produkt projektu wielomianowego.
   2. Korzystając z pliku *.csv utworzonego w kroku 3.11, oblicz sumę punktów sklasyfikowanych dla każdej kategorii klasyfikacji.
   3. Wykonaj analizę chi-kwadrat na sumach punktowych. Jeśli Ośrodek 1 i Ośrodek 2 są do siebie podobne, w obu witrynach widoczna będzie mniej więcej taka sama liczba pikseli sklasyfikowanych jako każdy typ okładki¹⁸.
2. Regresja w celu porównania obrazów z poziomu bezzałogowego statku powietrznego z obrazami z poziomu gruntu
   1. Korzystając z plików *.csv utworzonych w kroku 3.11, skopiuj i wklej średni procent pokrycia z każdego obrazu, a następnie wyrównaj dane obrazu UAS z danymi obrazu z poziomu podłoża.
   2. Wykonywanie analizy regresji w programie bazy danych.

Wyniki

Akwizycja obrazów UAS zajęła mniej niż połowę czasu zbierania obrazów naziemnych, podczas gdy czas analizy był nieco krótszy w przypadku obrazów naziemnych (Tabela 1). Obrazy naziemne miały wyższą rozdzielczość, co prawdopodobnie było powodem, dla którego zostały przeanalizowane w krótszym czasie. Różnice w czasie przejścia między miejscami były prawdopodobnie spowodowane tym, że punkty początkowe i końcowe (miejsce startu) znajdowały się bliżej Stanowiska 1 niż Terenu 2 (Rysunek 1). ...

Dyskusja

O znaczeniu monitorowania zasobów naturalnych wiadomo już od dawna¹⁴. Wraz ze wzrostem zainteresowania globalnymi kwestiami środowiskowymi coraz ważniejsze staje się opracowywanie niezawodnych technik monitorowania, które są efektywne czasowo i kosztowo. Kilka wcześniejszych badań wykazało, że analiza obrazu wypada korzystnie w porównaniu z tradycyjnymi technikami monitorowania roślinności pod względem czasu, kosztów oraz dostarczania ważnych i dających się obronić danych statystycznych

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
	ArcGIS	ESRI	GPS
DJI Phantom 4 Pro	DJI	UAS
G700SE	Kamera		w Ricoh
GPS GeoJot+Core	Geospatial Experts	Oprogramowanie GPS	Służy do wyodrębniania metadanych obrazu
Juno 5	Trimble	Ręczne urządzenie
Litchi Mission Hub	Litchi	Wybraliśmy	Litchi ze względu na jego świadomość terenu i zdolność do planowania solidnych misji z punktami orientacyjnymi
Program R	R Project	Oprogramowanie
SamplePoint	N/A	Oprogramowanie

Oprogramowanie wyposażona GPSdo analizy statystycznej/programowania do analizy obrazu