Method Article

Zbieranie i przetwarzanie danych zdalnie wykrywanych za pomocą dronów do monitorowania odbudowy lasów

DOI:

10.3791/68745

⸱

October 24th, 2025

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

In This Article

Summary

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

Najnowsze osiągnięcia w zdalnie sterowanych systemach powietrznych (RPAS) umożliwiają rozdzielczość poniżej metra, co jest idealne do monitorowania odbudowy lasów. Integracja sztucznej inteligencji (AI) umożliwia głębsze wglądy z dużych, zdalnie badanych zbiorów danych. Protokół ten poprawia monitoring, wspierając bardziej efektywną ocenę i zarządzanie terenami leśnymi po zakłóceniach.

Abstract

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

Technologie teledetekcji (RS), w szczególności detekcja i pomiar światła (LiDAR) oraz obrazowanie multispektralne (MS), zapewniają szerokie możliwości monitorowania roślinności o różnych rozdzielczościach przestrzennych. Zdalnie sterowane systemy lotnicze (RPAS) wyposażone w czujniki LiDAR i MS mogą usprawnić oceny roślinności, oferując elastyczne harmonogramy lotów i rejestrując dane o wysokiej rozdzielczości. Dalsza integracja modeli uczenia głębokiego (DL) daje nadzieję na automatyzację procesu postprocessingu, co jest szczególnie ważne dla aplikacji monitorujących roślinność.

Protokół ten przedstawia zestaw praktycznych metod zbierania, przetwarzania, wyrównywania i łączenia danych LiDAR i MS opartych na RPAS w celu indywidualnego wyznaczania drzew 3D za pomocą interaktywnej wtyczki DL. Opatentowany model DL skutecznie wykrywa i segmentuje granice drzew na różnych czujnikach, stanowiskach badawczych i rozdzielczościach danych w ekosystemach leśnych.

Naszym konkretnym zastosowaniem i motywacją do opracowania tego protokołu i narzędzia jest monitorowanie odbudowy lasów na odtworzonych odwiertach ropy i gazu. Obecnie metody oceny terenowej są czasochłonne, pracochłonne i ograniczone przestrzennie. Wraz z rozwojem działań rekultywacyjnych rośnie zapotrzebowanie na bardziej efektywne i skalowalne podejścia do monitorowania sukcesu rekultywacji i odbudowy ekosystemu. Poprzez rozwój aplikacji DL opartych na RPAS, badania te wspierają monitorowanie ekologicznej odbudowy na terenach odzyskiwanych i są również stosowane w innych zalesionych krajobrazach.

Introduction

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

Wydobycie ropy i gazu doprowadziło do powstania setek tysięcy miejsc odwiertów na terenie Alberta1, z których wiele znajduje się w obrębie lasu borealnego2. Działania rekultywacyjne mają na celu przywrócenie naruszonych terenów do ich pierwotnego stanu ekologicznego3. Tradycyjne terenowe badania pozostają głównym środkiem monitorowania certyfikacji rekultywacji4; Jednak jest to proces czasochłonny i pracochłonny, który staje się coraz mniej efektywny wraz ze wzrostem liczby obszarów zakłóconych i odzyskanych.

Najnowsze osiągnięcia w technologiach teledetekcji (RS), zwłaszcza wykorzystanie zdalnie sterowanych systemów lotniczych (RPAS), oferują obiecujące rozwiązania dla przestrzennych i czasowych wyzwań monitoringu miejsc odwiertów 5,6,7,8. Te platformy dostarczają dane o bardzo wysokiej rozdzielczości, umożliwiając dokładne pomiary na poziomie poszczególnych drzew. Integracja ze sztuczną inteligencją (AI), jak widzieliśmy w ostatnich latach 9,10,11, ułatwia przetwarzanie i analizę dużych zdalnie wykrywanych zbiorów danych poprzez automatyzację wykrywania i pomiaru roślinności. Jednak głównym wyzwaniem pozostaje generowanie odpowiednich zestawów danych treningowych i walidacyjnych dla modeli deep learning (DL), szczególnie w przypadku zbiorów danych 3D.

Protokół ten określa krok po kroku workflow do zbierania, przetwarzania, wyrównywania i łączenia danych LiDAR oraz multispektralnych (MS) opartych na RPAS, pochodzących z środowisk leśnych, aby wyznaczyć poszczególne drzewa. Metoda ta wykorzystuje nowo opracowaną wtyczkę TreeAIBox12 , zintegrowaną z CloudCompare, do analizy chmury punktów pochodzącej z RPAS dla segmentacji poszczególnych koron drzew. Wtyczka wprowadza nowatorskie podejście 3D DL oparte na modelu TreeisoNet13 , serii nadzorowanych głębokich sieci neuronowych dostosowanych do segmentacji drzew 3D, które zostały wytrenowane i zweryfikowane na zbiorach danych pochodzących z RPAS z pięciu różnych odzyskanych stanowisk odwiertów. Miejsca wybierane do treningu modelu różniły się wysokością drzew, gęstością i składem gatunkowym, aby zapewnić uogólnialność modelu. Ponadto zbiór treningowy obejmował dane zebrane w trzech kolejnych sezonach: latem (sierpień 2023), jesienią (październik 2023) i wiosną (maj 2024), aby zapewnić dokładne działanie modelu w różnych warunkach sezonowych i zmiennych widoczności drzew. Wtyczka automatyzuje procesy filtrowania chmur punktów (drzewa kontra ziemia), wykrywania koron drzew oraz segmentacji poszczególnych koron drzew. Wyjście wtyczki mogłoby być wykorzystywane do obliczania metryk roślinności, takich jak powierzchnia korony, ułamek korony, gęstość łodyg i wysokość drzew, wykorzystywanych do monitorowania roślinności po rekultywacji.

Model TreeisoNet, zintegrowany z wtyczką TreeAIBox, oferuje znaczące ulepszenia w porównaniu do tradycyjnych metod segmentacji 3D, takich jak segmentacja zlewni czy ShortestPath. TreeisoNet odnotował wyższą dokładność w różnych typach lasów, pokazując zalety nadzorowanego podejścia do głębokiego uczenia w porównaniu z alternatywami bez nadzoru13. Konkretnie, moduł lokalizujący drzewa (TreeLoc) osiągnął średni wynik F1 na poziomie 0,96, co znacząco przewyższa lokalną metodę maksymalnego (LM), która średnio dawała wynik F1 0,5713. Podobnie, moduł wyznaczania korony (TreeOff) zanotował średnie przecięcie nad Unią (mIoU) na poziomie 0,85, przewyższając tradycyjne metody Watershed3D (mIoU 0,68) i ShortestPath (mIoU 0,79)13. Te wskaźniki podkreślają doskonałą dokładność TreeisoNet w wykrywaniu koron drzew i wyznaczaniu koron, szczególnie w złożonych środowiskach, takich jak rekultywowane odwierty o różnej wysokości drzew, gęstości pni i składzie gatunkowym.

Model TreeisoNet został wytrenowany na danych LiDAR pochodzących z RPAS, o gęstości punktowej powyżej 1100 punktów na metr kwadratowy. Metoda opisana w tym artykule koncentruje się na monitorowaniu odbudowy lasów na stanowiskach naftowych i gazowych; jednak można ją przystosować do innych obszarów zalesionych. Workflow jest dobrze dostosowany do młodych plantacji i lasów mieszanych o rzadkiej do umiarkowanej gęstości pni (<3 000 łodyg na ha), gdzie zasłona jest minimalna. W lasach o zamkniętych koronach lub wielowarstwowych wykrywalność drzew podszytowych może być ograniczona ze względu na ograniczoną penetrację LiDAR. Model ten wspiera zarówno korony iglaste, jak i liściaste, choć dokładność może się różnić w zależności od cech specyficznych dla gatunku, takich jak cienkie przypojki u młodych iglaków. Wtyczka TreeAIBox zawiera bibliotekę predefiniowanych, wcześniej wytrenowanych modeli, które są zaprojektowane tak, aby były szeroko stosowane w różnych typach lasów i weryfikowane na różnorodnych zbiorach danych z odzyskanych stanowisk studni. Użytkownicy mogą korzystać z tych wbudowanych modeli i dostosowywać parametry wtyczek, takie jak maksymalna odległość czy minimalny promień, aby optymalizować wyniki dla swoich konkretnych zbiorów danych bez konieczności trenowania nowych modeli. Ta elastyczność pozwala użytkownikom dostosować workflow do różnych warunków leśnych, takich jak wysokość lub gęstość drzew, bezpośrednio w przyjaznym dla użytkownika graficznym interfejsie użytkownika (GUI) CloudCompare. Obecna wersja wtyczki TreeAIBox nie obsługuje trenowania nowych modeli w samym oprogramowaniu; Jednak zaawansowani użytkownicy mogą dodawać nowe, wcześniej wytrenowane modele do biblioteki modeli.

Sekcje protokołu 1 i 2 opisują nasze etapy zbierania i przetwarzania danych, natomiast sekcja 3 protokołu opisuje użycie wtyczki TreeAIBox do wyodrębniania metryk drzewa. Nasze konkretne badania wykorzystują połączenie danych LiDAR opartych na dronach oraz obrazów MS; Jednak do wygenerowania pliku chmury punktów o wysokiej gęstości do użycia w sekcji 3 protokołu można było zastosować różne procedury, sprzęt i oprogramowanie. Ten workflow stanowi znaczący postęp w monitorowaniu roślinności poprzez integrację nowoczesnego podejścia do segmentacji drzew opartego na AI z RS opartym na RPAS, umożliwiając szybszą, dokładną i skalowalną ocenę odbudowy lasów.

Protocol

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

1. Wykorzystanie RPAS do zbierania danych

UWAGA: Wszystkie operacje RPAS muszą być zgodne z lokalnymi przepisami i wymaganiami bezpieczeństwa przestrzeni powietrznej. Użyj Tabeli Materiałów , aby przejrzeć sprzęt i materiały potrzebne do zbierania danych.

  1. Przygotowanie przedlotowe: Przed wyjściem w teren sprawdź sprzęt i w razie potrzeby zaktualizuj oprogramowanie firmware. Twórz pliki lotu dla każdej misji i przesyłaj je na pilota. Stwórz plan bezpieczeństwa i dokumenty procedur awaryjnych dla każdej misji lotu. Zobacz Plik Uzupełniający 1 , aby uzyskać szczegółową procedurę przygotowania przedlotowego.
  2. Zbieranie danych terenowych: W terenie instalacja sprzętu i wykonywanie misji lotniczych w celu zbierania danych LiDAR i MS nad obszarem zainteresowania. Zobacz Plik Uzupełniający 2 , aby uzyskać szczegółowy workflow dotyczący konfiguracji sprzętu i parametrów lotu.
  3. Konfiguracja stacji bazowej GNSS: Konfiguracja i uruchomienie stacji bazowej GNSS nad lokalizacją stacji bazowej RPAS, aby uzyskać dokładne współrzędne jej lokalizacji, które zostaną użyte do korekty Precise Point Positioning (PPP)14 podczas wstępnego przetwarzania danych (dla wysokiej dokładności minimalny zalecany czas działania stacji bazowej to 2 godziny) (patrz Plik Uzupełniający 3 , aby zobaczyć przykład konfiguracji i procedury uzyskania współrzędnych stacji bazowej GNSS).
  4. Transfer danych: Użyj czytnika kart, aby przenieść zebrane dane LiDAR i MS z czujników do stanowiska roboczego w celu dalszego przetwarzania.

2. Przetwarzanie surowych danych

  1. Wstępne przetwarzanie danych wielospektralnych: Użyj oprogramowania do fotogrametrii do wstępnego przetwarzania zebranych danych MS, wykonania korekcji geometrycznych i radiometrycznych oraz wygenerowania ortomozaiki MS.
    UWAGA: Zobacz Plik Uzupełniający 4 , aby uzyskać ogólny sposób przetwarzania danych MS pochodzących z RPAS za pomocą oprogramowania do fotogrametrii.
  2. Rekonstrukcja chmury punktów LiDAR: Użyj odpowiedniego oprogramowania do rekonstrukcji surowych danych LiDAR do pliku chmury punktów (np. plik *.las/laz). Zobacz Plik Uzupełniający 5 , aby uzyskać szczegółową procedurę przeprowadzenia rekonstrukcji.
  3. Wyrównaj i połącz dane LiDAR oraz multispektralne. Użyj narzędzi geoprzestrzennych, aby wyrównać chmurę punktów LiDAR i ortomoazykę MS. Zobacz Plik Uzupełniający 6 , aby uzyskać szczegółową procedurę przeprowadzenia wyrównania. Użyj skryptu Pythona (patrz Plik Uzupełniający 7) do połączenia chmury punktów LiDAR z ortomozaiką MS, aby stworzyć chmurę punktów MS.
    UWAGA: Do uruchamiania skryptu Pythona można użyć dowolnego zintegrowanego środowiska programistycznego (IDE). Plik uzupełniający 8 demonstruje ogólny sposób łączenia danych.

3. Wykorzystanie wtyczki TreeAIBox do segmentacji poszczególnych drzew

UWAGA: Ta część protokołu może być realizowana na podstawie dowolnych danych chmury punktów o wysokiej rozdzielczości z zalesionego środowiska w formacie pliku *.las/.laz.

TreeAIBox był testowany wyłącznie na systemie Windows.

  1. Instalacja i konfiguracja: Pobierz i zainstaluj oprogramowanie do przetwarzania 3D chmury punktów, CloudCompare15. Następnie pobierz instalator wtyczki z GitHub (TreeAIBox_Plugin_Installer_v1.0.exe)12 (Rysunek 1). Uruchom instalator i postępuj zgodnie z instrukcjami na ekranie.
    UWAGA: Instalator automatycznie wykrywa lokalizację oprogramowania CloudCompare i wdraża wtyczkę z wymaganymi bibliotekami DL w zależności od dostępności GPU lub CPU. Aby uzyskać alternatywne metody instalacji lub rozwiązywać problemy, postępuj zgodnie z instrukcjami README12. Po skonfigurowaniu struktura folderów powinna odpowiadać temu, co pokazano na Rysunku 2.
  2. Dane z chmury punktów ładowania:
    1. Otwórz CloudCompare z ikony pulpitu lub przechodząc do Start | Wszystkie programy | CloudCompare. Załaduj plik chmury punktów (np. plik *.las/laz) do CloudCombable, przeciągając na canvas lub używając przycisku Otwórz jeden lub kilka plików na głównej konsoli i klikając Apply (Rysunek 3).
    2. Jeśli współrzędne punktowe są duże, pojawi się pytanie, czy zastosować globalne przesunięcie/skalę. Wybierz Input, który odczytuje metadane z pliku .las/laz, i kliknij Tak (Rysunek 4). Chmura punktów pojawi się teraz na płótnie.
  3. Otwarcie wtyczki TreeAIBox: Otwórz pasek narzędzi wtyczki Python, rozwiń rozwijany menu Script Register i kliknij TreeAIBox , aby otworzyć interfejs wtyczki (Rysunek 5).
  4. Filtrowanie drzewa i punktów uziemienia
    1. Upewnij się, że zaznaczono opcję Użyj GPU (CUDA), jeśli dostępna jest karta GPU wspierana przez CUDA. Z górnego panelu wybierz TreeFiltering, wybierz ALS , jeśli drzewa nie są widoczne w danych RPAS, odznacz rozmiar kafelka, wybierz 'treefiltering_als_esegformer3D_128_15cm(GPU3GB)' z rozwijanego menu Predefined Models (Rysunek 6). Jeśli używasz tego modelu po raz pierwszy, kolor czcionki będzie wyszarzony. Kliknij Download i potwierdź wyskakujące okienko pokazujące lokalną ścieżkę.
    2. Wybierz chmurę punktów na płótnie (podświetloną ramką ograniczenia) i kliknij Apply w panelu TreeFilter . Zostanie utworzone nowe pole skalarne o nazwie treefilter : value = 2 (punkty drzewa, czerwony) oraz value = 1 (inne punkty, niebieskie) (Rysunek 7). Potwierdź to, zanim przejdziesz do kolejnego kroku.
  5. Wykrywanie koron drzew
    1. Z górnego panelu TreeAIBox wybierz TreeisoNet, włącz Reclamation, ALS (stem implicit) oraz TreeLoc, a następnie wybierz model pretrenowany: 'treeisonet_als_reclamation_treeloc_esegformer3D_
      128_10cm(GPU4GB)' z rozwijanego menu. Upewnij się, że chmura punktów na płótnie jest zaznaczona (podświetlona ramką ograniczającą), następnie kliknij i Zastosowanie (Rysunek 8).
    2. Po zakończeniu przetwarzania pojawi się nowy element o nazwie treetops pod oryginalną chmurą punktów w oknie drzewa bazy danych. Wybierz ten element i zwiększ rozmiar punktu (np. do 16) dla lepszej widoczności. Potwierdź, że pozycje w koronach drzew pojawiają się na płótnie jako białe kropki (Rysunek 9).
  6. Segmentowanie koron drzew
    1. Ponownie wybierz element chmury punktów drzewa (podświetlony na czerwono) (Rysunek 10). Z górnego panelu TreeAIBox wybierz TreeisoNet i włącz TreeOff. Pobierz pretrenowany model 'treeisonet_als_reclamation_treeoff
      _esegformer3D_128_10cm(GPU4GB)' (Rysunek 11), jeśli nie jest jeszcze dostępny, kliknij Zastosowaj , aby uruchomić model.
    2. Zostanie utworzony nowy skalarny treeoff pol, przypisujący każdemu drzewu unikalny ID. Punkty z tego samego drzewa mają ten sam identyfikator. Opcjonalnie można zresetować rozmiar punktu na drzewie do domyślnego, aby zmniejszyć wizualny bałagan. Potwierdź, że widok płótna oprogramowania jest podobny do tego pokazanego na Rysunku 12.
    3. Opcjonalna wizualizacja: Losowe kolory drzew: Aby poprawić wizualny kontrast segmentowanych drzew, losowo kolory drzew według ID. Po pierwsze, sklonuj oryginalną chmurę punktów, aby zachować dane (edytuj | Klon). Następnie przejdź do Edytuj | Pola skalarne | Przekonwertuj na losowe RGB (Rysunek 13). Wprowadź dużą wartość (np. 256000), aby zapewnić wystarczającą liczbę kolorów dyskretnych, i kliknij OK. Chmura punktów będzie wyświetlać drzewa w losowych kolorach (Rysunek 14).
      UWAGA: Ten krok służy wyłącznie wizualizacji i nie wpływa na identyfikatory segmentacji, ale nadpisuje wartości RGB w sklonowanej chmurze punktów.
  7. Eksport metryk segmentacji i wyników: Z górnego panelu TreeAIBox wybierz TreeisoNet i kliknij Eksportuj statystyki , aby wyeksportować wyniki segmentacji drzew. Następnie kliknij Otwórz ścieżkę wyjściową , aby zobaczyć plik wyjściowy w folderze wyników (Rysunek 15). Eksportowany CSV zawiera segmentowane identyfikatory drzew, współrzędne, wysokość drzewa oraz powierzchnię korony.
    UWAGA: To kończy przetwarzanie danych za pomocą TreeAIBox.

figure-protocol-1
Rysunek 1: Dostęp do instalatora wtyczki TreeAIBox przez repozytorium GitHub. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-protocol-2
Rysunek 2: Struktura folderów z wtyczką TreeAIBox. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-protocol-3
Rysunek 3: Ładowanie pliku chmury punktów do CloudCompare. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-protocol-4
Rysunek 4: Ustawianie globalnego przesunięcia dla chmury punktów podczas ładowania do CloudCompare. Proszę kliknąć tutaj, aby zobaczyć większą wersję tego rysunku.

figure-protocol-5
Rysunek 5: Używanie paska narzędzi Python w CloudCompare do uruchomienia wtyczki TreeAIBox. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-protocol-6
Rysunek 6: Konfiguracja panelu TreeFiltering w celu oddzielenia punktów drzewa od punktów podstawowych. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-protocol-7
Rysunek 7: Wyniki oddzielenia punktów drzewa od punktów podstawowych. Punkty drzewa są pokazane na czerwono, natomiast punkty gruntowe na niebiesko. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-protocol-8
Rysunek 8: Konfiguracja panelu TreeisoNet do wykrywania koron drzew za pomocą TreeLoc. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-protocol-9
Rysunek 9: Wyniki wykrywania koron drzew . Białe kropki symbolizują położenie koron drzew. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-protocol-10
Rysunek 10: Ponowne zaznaczenie elementu chmury punktów drzewa przed zastosowaniem panelu TreeOff. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-protocol-11
Rysunek 11: Konfiguracja panelu TreeisoNet do segmentacji koron drzew za pomocą TreeOff. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-protocol-12
Rysunek 12: Wyniki segmentacji koron drzew. Proszę kliknąć tutaj, aby zobaczyć większą wersję tego rysunku.

figure-protocol-13
Rysunek 13: Ustawianie segmentowanej chmury punktów do losowania kolorów drzew zgodnie z ich identyfikatorami dla lepszego kontrastu granic. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-protocol-14
Rysunek 14: Wyniki losowej liczby kolorów drzew. Proszę kliknąć tutaj, aby zobaczyć większą wersję tego rysunku.

figure-protocol-15
Rysunek 15: Ekstrakcja wyników segmentacji drzewa z panelu TreeisoNet do pliku csv. Proszę kliknąć tutaj, aby zobaczyć większą wersję tego rysunku.

Results

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

Zgodnie z ustalonym protokołem, dane LiDAR i MS pochodzące z RPAS zostały zebrane na trzech stanowiskach badawczych z młodymi drzewami. Miejsca te zostały wybrane, aby przetestować zdolność modelu do wykrywania pojedynczych drzew o różnej wysokości. Na terenie 1 obsadzono jodłę balsamową Abies balsamea o średniej wysokości 1,46 m. Na stanowisku 2 występowały drzewa Pinus contorta (sosna lodgepole) o średniej wysokości 2,17 m. Stanowisko 3 zawierało mieszankę małych drzew Abies balsamea i Pinus contorta , o średniej wysokości zaledwie 0,51 m. Oprócz danych RS, lokalizacja 224 drzew referencyjnych została również zarejestrowana za pomocą jednostki GNSS.

Po zebraniu i przetwarzaniu danych zastosowano wtyczkę TreeAIBox do filtrowania punktów drzewa i wyznaczania poszczególnych drzew. Wyniki generowane przez wtyczkę przedstawiono na rysunku 16.

figure-results-1
Rysunek 16: Rozkład wyznaczonych pojedynczych drzew dla trzech miejsc badań (A - Stanowisko 1; B - Stanowisko 2; C - Site 3) wygenerowany przez wtyczkę TreeAIBox. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Łącznie wykryto 2 755 pojedynczych drzew na trzech stanowiskach. Model zidentyfikował 1 706 drzew na Stanowisku 1 (Rysunek 16A), 882 drzewa na Stanowisku 2 (Rysunek 16B) oraz 167 drzew na Stanowisku 3 (Rysunek 16C). Wskaźnik wykrywania drzew referencyjnych różnił się w zależności od lokalizacji – 100% drzew referencyjnych wykryto dla Miejsca 2, 95% dla Stanowiska 1 oraz tylko 21% dla Miejsca 3, jak pokazano w Tabeli 1. Wyniki te podkreślają wysoką wydajność modelu w wykrywaniu drzew > 1 m, z 100% wykrywalnością dla wszystkich drzew referencyjnych w tym zakresie. Jednak wydajność spadła dla krótszych drzew: wykryto tylko 45% drzew referencyjnych w promieniu od 0,5 do 1 m, a żadne z drzew < 0,5 m nie zostało zidentyfikowane (Tabela 2).

Miejsce #Wysokość drzewa aver, M (STDEV)# drzew referencyjnych# wykrytych drzew referencyjnych% wykrytych drzew referencyjnych
11.46 (0.45)757195
22.17 (0.4) 7474100
30.51 (0.17)751621

Tabela 1: Wskaźniki wykrywania drzew referencyjnych według różnych lokalizacji.

Zakres wysokości drzew# drzew referencyjnych# wykrytych drzew referencyjnych% wykrytych drzew referencyjnych
0 - 0,5 m4100
0,5 - 1 m401845
1 - 1,5 m4949100
1,5 - 2 m4242100
> 2 m5252100

Tabela 2: Porównaj wskaźniki wykrywania drzew według różnych zakresów wysokości drzew.

Plik uzupełniający 1: Workflow zbierania danych RPAS – zadania przed rozpoczęciem terenu. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 2: Workflow zbierania danych RPAS – w terenie. Proszę kliknąć tutaj, aby pobrać ten plik.

Plik uzupełniający 3: Wykorzystanie jednostek GNSS do precyzyjnego śledzenia lokalizacji. Proszę kliknąć tutaj, aby pobrać ten plik.

Plik uzupełniający 4: Procedura przetwarzania danych MS z użyciem oprogramowania do fotogrametrii. Proszę kliknąć tutaj, aby pobrać ten plik.

Plik uzupełniający 5: Rekonstrukcja chmury punktów na podstawie surowych danych LiDAR. Proszę kliknąć tutaj, aby pobrać ten plik.

Plik uzupełniający 6: LiDAR chmura punktów i wyrównanie ortomozaiki MS przy użyciu narzędzi geoprzestrzennych. Proszę kliknąć tutaj, aby pobrać ten plik.

Plik uzupełniający 7: Skrypt w Pythonie do łączenia chmury punktów LiDAR i obrazu MS w celu wygenerowania chmury punktów MS. Proszę kliknąć tutaj, aby pobrać ten plik.

Plik uzupełniający 8: Ogólny workflow chmury punktów LiDAR i scalania obrazów w MS. Proszę kliknąć tutaj, aby pobrać ten plik.

Discussion

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

Jednym z kluczowych wyzwań przy stosowaniu DL do danych RS, szczególnie do chmur punktów 3D, jest opracowanie zrównoważonych i reprezentatywnych zbiorów danych treningowych i walidacyjnych. Skuteczność dowolnego modelu DL w dużej mierze zależy od różnorodności i jakości danych z adnotacjami używanych podczas trenowania 9,10,11,16. Nowatorski model 3D DL użyty w tym badaniu został wytrenowany i zweryfikowany na podstawie zbiorów danych zebranych z wielu miejsc odzyskiwanych studni w strefie lasu borealnego, charakteryzującego się młodą, zasianą i naturalnie regenerującą się roślinnością. Stanowiska te zostały starannie wybrane, aby obejmować szeroki zakres warunków leśnych, w tym zmienność wysokości drzew, gęstości pni i składu gatunkowego, aby zapewnić szeroką uogólnialność modelu. Ponadto zbiór danych treningowych był czasowo zróżnicowany, obejmując dane RS zebrane przez trzy kolejne sezony. Ta sezonowa zmienność była kluczowa dla wytrenowania modelu do niezawodnego funkcjonowania w różnych warunkach widoczności korony, uwzględniając zmiany w pokryciu liści i złożoności strukturalnej. Integracja danych wielosezonowych i wielostrukturalnych przyczyniła się do odporności modelu, szczególnie w jego zdolności do wykrywania pojedynczych drzew w zmieniających się warunkach świetlnych i etapach fenologicznych.

Istotnym odkryciem tego badania było to, że włączenie danych MS lub RGB wraz z LiDAR nie zwiększyło znacząco dokładności wykrywania drzew ani segmentacji koron w przepływie pracy TreeAIBox. Sugeruje to, że właściwości geometryczne chmur punktów LiDAR, takie jak kształt korony i układ przestrzenny, są głównymi czynnikami skutecznego wykrywania i segmentacji drzew, szczególnie w środowiskach z młodą lub rzadką roślinnością. Jednak dane spektralne wykazały wartość w zastosowaniach uzupełniających, takich jak klasyfikacja gatunków, gdzie obrazowanie MS poprawiło rozróżnienie drzew iglastych i liściastych.

Kluczowym czynnikiem wpływającym na skuteczność wykrywania i segmentacji poszczególnych drzew w przepływie pracy TreeAIBox jest jakość chmury punktów wejściowych. Optymalna wydajność wymaga bardzo gęstych danych LiDAR, zazwyczaj przekraczających 1000 punktów na metr kwadratowy. Nowoczesne systemy LiDAR oparte na RPAS mogą osiągnąć tę gęstość, stosując zoptymalizowane parametry lotu, takie jak niskie wysokości i duże nakładanie się lotów. Chociaż TreeAIBox jest w stanie przetwarzać chmury punktów o niższej gęstości, zmniejszona gęstość punktów może ograniczać przechwytywanie szczegółów strukturalnych. Często prowadzi to do obniżenia wykrywania i dokładności segmentacji, szczególnie w przypadku mniejszych drzew, gdzie cechy korony i pni mogą być niedostatecznie reprezentowane.

Workflow TreeAIBox zwiększa efektywność i automatyzację w porównaniu z tradycyjnymi lub ręcznymi metodami segmentacji, dzięki mierzalnym wskaźnikom z naszej weryfikacji na odzyskanych odwiertach. Czas przetwarzania wykrywania koron drzew i segmentacji korony wynosi średnio 5-10 minut na miejsce na standardowej kartce graficznej (np. NVIDIA RTX 3060), podczas gdy na ręczne wyznaczanie w oprogramowaniu takim jak CloudCompare trwa wiele godzin. Automatyzacja jest osiągana dzięki interfejsowi graficznemu wtyczki, który eliminuje skrypty wiersza poleceń i zależności, pozwalając osobom niebędącym ekspertami na przeprowadzanie analiz end-to-end przy minimalnym wkładzie wejściowym. W praktyce skróciło to analizę stanowiska odwiertu o powierzchni 1 hektara z 5-8 godzin (metody manualne) do mniej niż 30 minut. Powrót do trybu CPU zapewnia dostępność bez zaawansowanego sprzętu, choć akceleracja GPU skraca czas 3-5 razy. Te efektywności umożliwiają częste monitorowanie, wspierając skalowalne zastosowania w zarządzaniu leśnym przy jednoczesnym zachowaniu wysokiej dokładności.

Szczególnym ograniczeniem zaobserwowanym w tym badaniu była zmniejszona zdolność modelu do wykrywania drzew < 1,0 m. Chociaż wskaźniki wykrywania drzew > 1,0 m były wysokie, a 100% drzew referencyjnych prawidłowo zidentyfikowanych w tym zakresie wysokości, wydajność mniejszych drzew znacząco spadła (Tabela 2). To ograniczenie prawdopodobnie wynika z kilku czynników. Po pierwsze, niższa gęstość punktów LiDAR w pobliżu ziemi, zwłaszcza pod zamkniętymi koronami, w połączeniu z gęstą roślinnością roślinną, utrudnia wykrywanie drobnych szczegółów strukturalnych związanych z małymi drzewami. Dodatkowo, zasłona spowodowana przez wyższą roślinność często uniemożliwia dotarcie wystarczających punktów do drzew podszytu, co jest znanym źródłem błędu w takich zastosowaniach10,16. Algorytm może również nie uchwycić subtelnych cech morfologicznych, takich jak cienkie lidery drzew, lub błędnie klasyfikować ściśle skupione drzewa jako jeden obiekt. Rozwiązanie tych wyzwań może obejmować optymalizację parametrów akwizycji LiDAR, taką jak regulacja wysokości lotu lub kąta skanowania w celu poprawy widoczności na poziomie gruntu, a także udoskonalenie metod segmentacji w celu lepszego radzenia sobie z danymi zasłoniętymi i rzadkimi.

Pomimo tych ograniczeń, proponowana metoda wykazuje znaczne szanse na zastosowanie w monitoringu po rekultywacji i zalesiania. RS oparte na RPAS, w połączeniu z algorytmami 3D DL, oferuje skalowalne, opłacalne i wysokorozdzielcze rozwiązanie do śledzenia odbudowy roślinności w czasie, szczególnie na obszarach zakłóconych działalnością przemysłową, takich jak wydobycie ropy i gazu. Możliwość wykrywania poszczególnych drzew, szacowania ich wysokości oraz oceny rozkładu przestrzennego dostarcza istotnych informacji na temat regeneracji terenu i zgodności ze standardami rekultywacji. Ponadto ta metoda może wspierać adaptacyjne strategie zarządzania, umożliwiając częsty, nieinwazyjny monitoring, który uwzględnia sezonowe i strukturalne dynamiki odbudowujących się ekosystemów. Ponieważ projekty odnowy coraz częściej wymagają długoterminowych, szczegółowych danych do oceny ekologicznej odbudowy, to podejście stanowi potężne i praktyczne narzędzie dla zarządców lasów oraz badaczy chcących ocenić wydajność roślinności w złożonych, zróżnicowanych krajobrazach.

Disclosures

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

Autorzy nie mają żadnych konfliktów interesów do ujawnienia.

Acknowledgements

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

Finansowanie tych badań zapewniło Biuro Badań i Rozwoju Energetycznego CFS-23-101. Autorzy chcieliby podziękować Philipowi Hoffmanowi, Danielsowi Kononovsowi oraz Elizabeth Friel za pomoc w tej dziedzinie.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Aplikacja Avenza MapsAvenzaNIEDo nawigacji terenowej offline z wykorzystaniem georeferencowanych map PDF stworzonych w QGIS
Cele w szachownicęKażdy dostawcaNIENaziemne punkty kontrolne
CloudCompare CloudCompare NIEOprogramowanie do przetwarzania i edycji chmur punktów 3D
Stacja baterii DJI BS60 (z bateriami M300 (x8), bateriami D-RTK2 (x4), kablem zasilającym i kablem USB-C do podłączenia do pilota)DJINIE
Samolot DJI M300 RTK z DLS (z kontrolerem i zamiennymi śmigłami)DJINIEDLS (czujnik światła opadającego)
DJI Terra ProDJINIERekonstrukcja surowych danych LiDAR do 3D chmury punktów. 
Sensor LiDAR DJI Zenmuse L1 (z kartą microSD)DJINIE
Stacja mobilna D-RTK2 (ze statywem i prętem przedłużającym się)DJINIE
Stacja bazowa Emlid Reach RS2+ (ze statywem)EmlidNIE
Łazik Emlid Reach RS2+ (z drążkiem geodezyjnym GNSS)EmlidNIE
Zewnętrzne dyski twardeKażdy dostawcaNIE  Do tworzenia kopii zapasowej danych
Dziennik lotuKażdy dostawcaNIE
Google Earth Pro GoogleNIETworzenie plików lotów KML 
LądowiskoKażdy dostawcaNIEAby wystrzelić/wylądować samolotem
LaptopKażdy dostawcaNIEDo wykorzystania w terenie do pobierania danych, formatowania kart itp.
Czujnik MicaSense RedEdge-P (z kartą MicaSense SD, kablem USB-C, panelem MicaSense kalibrowanym odbiciem odbicia (CRP))MicaSenseNIE
PIX4DmapperPix4D S.A.NIEGeometryczna i radiometryczna korekta obrazów wielospektralnych oraz generowanie ortomozaiki.
PneumometrKażdy dostawcaNIE
PyCharmJetBrains s.r.o.NIEZintegrowane środowisko programistyczne (IDE) w Pythonie
QGIS QGIS NIEPrzetwarzanie, edycja i wizualizacja danych geoprzestrzennych
Czytnik kart SD i microSDKażdy dostawcaNIE
SmartfonKażdy dostawcaNIEAby połączyć się z czujnikiem MicaSense RedEdge-P oraz jednostkami Emlid Reach RS2+
Gwiaździ gwiaździ, młotek i taśma flagowaKażdy dostawcaNIEAby oznaczyć lokalizację stacji bazowej D-RTK2
TabletKażdy dostawcaNIEDo nawigacji w terenie
TreeAIBox (CloudCompare  wtyczka)NIE
Radio dwukierunkoweKażdy dostawcaNIE
Stacja robocza (CPU i5 lub nowszy, karta NVIDIA z włączoną CUDA, VRAM ≥ 4GB, RAM ≥ 32GB, SSD ≥ 512GB Każdy dostawcaNIE

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Well status. , Alberta Energy Regulator. https://www.aer.ca/data-and-performance-reports/data-hub/well-status (2025).
  2. Western boreal forest - Canada. , Ducks Unlimited. https://www.ducks.org/conservation/where-ducks-unlimited-works/western-boreal-forest--canada (2023).
  3. Baah-Acheamfour, M., Dewey, M., Fraser, E. C., Schreiber, S. G., Schoonmaker, A. Assessing ecological recovery of reclaimed well sites: a case study from Alberta, Canada. Front. For. Glob. Change. 5, 849246(2022).
  4. 2010 reclamation criteria for wellsites and associated facilities for forested lands (Updated July 2013). , Environment and Sustainable Resource Development. https://open.alberta.ca/publications/1657667/resource/77e66fa1-f7ee-44ad-8c68-234854d38d44 (2013).
  5. Alvarez-Vanhard, E., Corpetti, T., Houet, T. UAV and satellite synergies for optical remote sensing applications: a literature review. Sci. Remote Sens. 3, 100019(2021).
  6. Hird, J., et al. Use of unmanned aerial vehicles for monitoring recovery of forest vegetation on petroleum well sites. Remote Sens. 9 (5), 413(2017).
  7. Mathews, A. J., Singh, K. K., Cummings, A. R., Rogers, S. R. Fundamental practices for drone remote sensing research across disciplines. Drone Syst. Appl. 11, 1-22 (2023).
  8. Zhang, Z., Zhu, L. A review on unmanned aerial vehicle remote sensing: platforms, sensors, data processing methods, and applications. Drones. 7 (6), 398(2023).
  9. Puliti, S., McLean, J. P., Cattaneo, N., Fischer, C., Astrup, R. Tree height-growth trajectory estimation using uni-temporal UAV laser scanning data and deep learning. Forestry. 96 (1), 37-48 (2023).
  10. Straker, A., et al. Instance segmentation of individual tree crowns with YOLOv5: a comparison of approaches using the ForInstance benchmark LiDAR dataset. ISPRS Open J. Photogr. Remote Sens. 9, 100045(2023).
  11. Xiang, B., et al. Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning. Remote Sens. Environ. 305, 114078(2024).
  12. TreeAIBox CloudCompare Plugin. , https://github.com/NRCan/TreeAIBox (2025).
  13. Xi, Z., Degenhardt, D. A new unified framework for supervised 3D crown segmentation (TreeisoNet) using deep neural networks across airborne, UAV-borne, and terrestrial laser scans. ISPRS Open J. Photogr. Remote Sens. 15, 100083(2025).
  14. Elsheikh, M., Iqbal, U., Noureldin, A., Korenberg, M. The implementation of precise point positioning (PPP): a comprehensive review. Sensors. 23 (21), 8874(2023).
  15. CloudCompare. , https://www.cloudcompare.org/ (2024).
  16. Wielgosz, M., Puliti, S., Xiang, B., Schindler, K., Astrup, R. SegmentAnyTree: a sensor and platform agnostic deep learning model for tree segmentation using laser scanning data. Remote Sens. Environ. 313, 114367(2024).

Reprints and Permissions

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

Request Permission

Tags

Drone Remote SensingLiDAR DataMultispectral ImageryForest Recovery MonitoringRPAS Vegetation AssessmentDeep Learning ModelsTree SegmentationPoint Cloud ProcessingIndividual Tree DetectionEcological Recovery

Related Articles