Półautomatyczna metoda mapowania i klasyfikacji borealnych przybrzeżnych zbiorowisk roślinnych torfowisk na podstawie danych z drona i z poziomu gruntu

Podsumowanie

Protokół składa się z czterech zintegrowanych faz: badania za pomocą bezzałogowego aparatu latającego (UAV), zbieranie danych rzeczywistych, obliczanie indeksów roślinności oraz klasyfikacja i mapowanie z wykorzystaniem sztucznej inteligencji (AI) roślinności szuwarowej na wybrzeżu. Rezultatem jest wielowarstwowy zestaw danych geoprzestrzennych, który wspiera zastosowania w ekologii, monitorowaniu środowiska oraz podejmowaniu decyzji dotyczących ochrony i zarządzania środowiskiem szuwarowym na wybrzeżu.

Streszczenie

Półautomatyczne mapowanie społeczności roślinnych łączy klasyczne badania ekologiczne z nowoczesnym monitorowaniem ekosystemów przy użyciu sztucznej inteligencji, umożliwiając badanie i monitorowanie terenu na skalach i szybkościach wcześniej nieosiągalnych. Nadmorskie tereny podmokłe, zdominowane przez niskie rośliny zielne, wymagają przeprowadzenia badań fotogrametrycznych z użyciem drona (bezzałogowy statek powietrzny, UAV) w celu osiągnięcia wyższej rozdzielczości przestrzennej i większej elastyczności w terminie. Protokół składa się z czterech faz, a mianowicie: zdjęcia lotnicze z użyciem UAV, zbieranie danych do weryfikacji na terenie i georeferencja, obliczanie indeksów roślinności oraz nadzorowana klasyfikacja przy użyciu algorytmu lasów losowych (RF) w R (czyli mapowanie rozmieszczenia społeczności roślinnych przy użyciu klasyfikacji uczenia maszynowego z pomocą sztucznej inteligencji, półautomatyczne). Kluczowe pakiety R używane w tym projekcie to: terra, sp, sf, rgdal, raster, rsample, MLmetrics, randomForest. W drugiej fazie nacisk kładziony jest na tradycyjną metodę badań ekologicznych – stratyfikowane próbkowanie kwartów na terenie. Próbkowanie na terenie służy jako weryfikacja, dostarczając empirycznych dowodów na poprawność i niezawodność ostatecznego produktu mapy. Przetestowano dwa szeroko stosowane rodzaje czujników zamontowanych na UAV: czujnik wielospektralny i kamerę RGB, co dało 19 wielospektralnych i 27 indeksów opartych na RGB, wraz z modelem cyfrowym powierzchni terenu (DSM) pochodzącym z RGB. Społeczności roślinne zostały skarowane na przykładzie skandynawskiej terenu podmokłego, a uzyskano następujące wyniki dotyczące wydajności algorytmu: przy użyciu zbioru danych wielospektralnych model osiągnął ogólną dokładność 92,3% z błędem out-of-bag (OOB) wynoszącym 7,75%; natomiast zbiór danych RGB osiągnął dokładność przekraczającą 98% z błędem OOB wynoszącym 1,14%. Wyniki te potwierdzają przydatność obu rodzajów czujników. Każda faza protokołu wytwarza zestawy danych z georeferencją. Można je skompilować w wielowarstwowy projekt systemu informacji geograficznej (GIS) z osadzoną obserwacją pola biofizycznego, służąc jako fundament dla złożonych badań ekosystemów, takich jak modelowanie ekologiczne w celu prognozowania wpływów i zmian. W praktyce ten projekt GIS może służyć jako historyczny zapis pokrycia terenu i wspomagać zarządzanie, planowanie przywracania środowiska i monitorowanie.

Wprowadzenie

Celem niniejszego protokołu jest przedstawienie praktycznego, krok po kroku procesu łączącego badania fotogrametryczne z wykorzystaniem dronów (tj. bezzałogowych statków powietrznych [UAV]) z obserwacjami biofizycznymi przeprowadzanymi na miejscu jako dane rzeczywiste, w celu stworzenia mapy rozmieszczenia roślinności w podmokłych strefach przybrzeżnych. Ostatecznym produktem, czyli mapą pokrycia terenu, jest wynik procesu półautomatycznej klasyfikacji z wykorzystaniem algorytmu random forest (RF)¹.

Mapa roślinności jest niezbędnym zbiorem danych do modelowania ekologicznego podmokłych terenów, ponieważ przekształca złożone wzorce roślinności w przestrzennie eksplicitną, opartą na pikselach reprezentację struktury siedliska. Ten podstawowy zbiór danych umożliwia modelowanie procesów ekologicznych (np. rozkład biomasy, interakcje gatunkowe, reakcje eko-hydrologiczne, cykle składników odżywczych) na danym obszarze^2,3,4.

Oprócz mapy roślinności, wykonanie kroków opisanych w protokole daje kolekcję danych geoprzestrzennych. Przechowywane jako projekt systemu informacji geograficznej (GIS), zbiór danych może być zintegrowany z GIS, udostępniony innym oraz wykorzystany do dalszej analizy ekosystemów i podejmowania decyzji w celu wsparcia planowania zarządzania i monitorowania środowiska.

W tej metodzie, badania z wykorzystaniem UAv dają obraz ortomosaiki w kolorze RGB (czyli czerwony, zielony, niebieski, trzy kolory podstawowe) i/lub wielospektralny, geometrycznie dokładny, wraz z modelem powierzchni cyfrowej (DSM), wszystko służąc jako dane wyjściowe^5,6. Dane te są wykorzystywane do obliczania indeksów roślinności (VI) poprzez zastosowanie ortomosaik jako danych wejściowych dla kalkulatora oprogramowania GIS. Aby stworzyć końcową mapę wyjściową, VI służą jako zmienne predykcyjne dla RF, przekształcając surowe informacje spektralne z ortomosaik w strukturalne wejścia do klasyfikacji^7,8. Ponieważ VI są matematycznymi kombinacjami pasm spektralnych, które podkreślają właściwości roślin odbijające rośliny i światło⁷, VI mogą być wykorzystywane jako niezależne dane w ekologii do monitorowania jakości siedliska i bioróżnorodności, oraz do wsparcia modelowania ekologicznego^8,9. Dlatego VI są zapisywane jako mapy rasterowe i włączone do projektu GIS.

Aby sklasyfikować i zmapowywać roślinność w środowisku wspomaganym sztuczną inteligencją, dane zdalnego wykrywania (np. mapy z badań UAv, DSM i VI) muszą być połączone z georeferencjonowanymi obserwacjami biofizycznymi na miejscu, aby zapewnić ekologiczną wiarygodność, możliwość odtworzenia i sensowną interpretację¹⁰. Takie dane z terenu służą jako rzeczywiste dane dla algorytmu RF, aby sklasyfikować dane pikseli pokrycia roślinności-siedliska w VI i przewidywać rozmieszczenie roślinności na danym obszarze badawczym (np. w celu stworzenia mapy roślinności)¹¹. Oprócz tego, że dane georeferencjonowane służą jako rzeczywiste dane dla uczenia maszynowego, zapewniają one również sposób zakotwiczenia obserwacji biofizycznych w GIS. W ten sposób, ekologiczny zbiór danych działa jak tabela atrybutów, która może być użyta jako zmienne środowiskowe do modelowania ekosystemu^12,13. Dane z terenu są cenne dla udokumentowania ekologicznych warunków danego siedliska, ponieważ są zbierane bezpośrednio w rzeczywistym środowisku badanym, dostarczając realistycznej i natychmiastowej oceny określonych warunków¹⁴.

Podmokłe tereny przybrzeżne to siedliska o niskim poziomie energii, położone w osłoniętych obszarach linii brzegowej. Ekossystemy podmokłych terenów są rozmieszczone wzdłuż wybrzeży sześciu kontynentów, z wyłączeniem Antarktydy, odgrywając kluczowe role ekologiczne na całym świecie, z wyjątkiem obszarów pokrytych lodem w skrajnych regionach polarnych¹⁵. Globalny wzrost populacji i industrializacja, osłony wybrzeża oraz intensyfikacja praktyk rolniczych mają znaczący wpływ na podmokłe tereny przybrzeżne, powodując ich fragmentację i degradację^16,17. Te naciski sprawiają, że ekossystemy przybrzeżne są priorytetem dla ekologicznej restauracji i ochrony na całym świecie¹⁸.

Monitorowanie środowiska i modelowanie ekosystemów przybrzeżnych siedlisk ułatwia ocenę zdrowia ekosystemu, identyfikację zmian czasowych oraz ocenę rezultatów restauracji¹⁹. Niemniej jednak, skuteczna obserwacja może być utrudniona przez dynamiczną naturę tych ekosystemów, ich ograniczoną dostępność oraz znaczne koszty zbierania danych w złożonych, często oddalonych strefach pływowej¹⁸. W dynamicznych, trudno dostępnych siedlis

Protokół

UWAGA: Poniższe kroki opisują szczegółowy przebieg pracy (patrz rysunek na Rysunek 3) w celu przeprowadzenia mapowania i klasyfikacji przybrzeżnych zbiorowisk roślinności bagiennej. Ten protokół można powtórzyć przy użyciu albo UAV z zamontowanym czujnikiem wielospektralnym albo kamerą RGB. Przeprowadzenie tego protokołu wymaga kilku dni. Dlatego też metodyka została podzielona na cztery fazy, z opcjonalnymi przerwami. Zaleca się przestrzeganie zaleconej kolejności, ponieważ wyniki poprzedniej fazy wspierają realizację kolejnej. Pierwsze trzy fazy generują zbiory danych, które służą jako wejście do fazy końcowej.

1. Badanie lotnicze z wykorzystaniem UAV

1. Zdobądź i przejrzyj niezbędne środki ostrożności dla operatorów UAV, przepisy lokalne oraz podręczniki sprzętu i oprogramowania do dronów.
   1. Upewnij się, że pilot pracuje bezpiecznie, legalnie i profesjonalnie; posiada wszystkie wymagane certyfikaty lub licencje dla regionu działania; i jest w pełni przeszkolony w używaniu określonego modelu drona i zamontowanego czujnika/kamery oraz przebiegu misji. Skonsultuj się z państwowym lub regionalnym ustawodawstwem w sprawie ubezpieczenia UAV.
   2. Zidentyfikuj klasyfikację przestrzeni powietrznej dla obszaru misji i uzyskaj wymagane autoryzacje. Respektuj ograniczenia wysokości, strefy zakazu lotów oraz ograniczenia odległości wokół lotnisk, infrastruktury i obszarów zaludnionych. Ze względu na środowisko i dzikie zwierzęta, przestrzegaj ograniczeń sezonowych (np. okresy lęgowe) i zgodności z przepisami dotyczącymi chronionych krajobrazów, terenów podmokłych, obszarów Natura 2000 i innych chronionych obszarach.
   3. Gdy jest to konieczne, powiadom lokalnych mieszkańców lub interesariuszy, aby uzyskać zgody i uniknąć nieporozumień. Wyjaśnij zasady ochrony danych na wypadek, gdyby zdjęcia lotnicze uchwyciły ludzi, prywatną własność lub pojazdy, upewniając się, że każdy rozumie, iż lot drona ma na celu zmapowanie zbiorowisk roślinnych w celach badawczych, a wszelkie dodatkowe dane objęte prawem do ochrony danych pozostaną poufne.
      UWAGA: Powiadomienie jest zazwyczaj konieczne, gdy przepisy krajowe lub regionalne nakazują wcześniejszą komunikację w przypadku operacji drona.
   4. Przestrzegaj wszystkich wytycznych producenta dotyczących montażu, konserwacji i eksploatacji drona i zamontowanych czujników; taka zgodność zapewnia bezpieczną eksploatację i chroni integralność sprzętu. Respektuj maksymalne ograniczenia wiatrów (9 m/s, w tym porywy), zakresy temperatur (Min. 0 °C; Maks. 35 °C) oraz pojemności ładunku przy wyborze czujników/kamer. Przechowuj i transportuj baterie zgodnie z instrukcjami producenta i przepisami bezpieczeństwa lotniczego.
2. Zaprojektuj misję lotu UAV.
   ​UWAGA: Aby wdrożyć ten protokół, zastosowano system UAV o stałych skrzydłach eBee X, wyposażony w czujnik wielospektralny i RGB oraz oprogramowanie zarządzania lotem. Zawsze konsultuj się z instrukcją producenta przy użyciu UAV.
   1. Otwórz oprogramowanie do zarządzania lotem zainstalowane na laptopie. Na stronie powitalnej, pod kartą Nowa misja, wybierz kamerę do użycia (w tym przypadku: Sequoia), wprowadź opisową nazwę misji (np. nazwa miejsca badań) i wybierz Utwórz misję. Automatycznie otworzy się panel Misja, a na głównym widoku pojawi się mapa satelitarna.
   2. Na mapie satelitarnej użyj kursora do powiększania, przesuwania i nawigacji do przybliżonej lokalizacji miejsca badań. Na karcie Obszar roboczy, wybierz Ustaw obszar roboczy i umieść kursor w pobliżu środka miejsca badań, a następnie kliknij. Pojawi się koło reprezentujące obszar roboczy; dostosuj jego rozmiar, zwiększając lub zmniejszając promień.
   3. Na panelu Misja, kliknij kartę Start i lądowanie. Następnie kliknij Dodaj nowy start, przesuń kursor na mapie satelitarnej do żądanego miejsca startu i kliknij, aby ustawić nowy punkt startowy. Następnie kliknij Dodaj nowy start, wybierz Liniowy lądowanie, przesuń kursor na mapie do żądanego punktu lądowania/powrotu UAV i kliknij, aby ustawić.
      UWAGA: Planując misje, użyj mapy satelitarnej i narzędzi pomiarowych oprogramowania, aby znaleźć optymalne miejsca lądowania i startu, ponieważ wymagany jest pas startowy wolny od przeszkód. Niektóre UAV o stałych skrzydłach nie mają pionowego startu i wymagają stopniowego wznoszenia się na wysokość podczas startu i stopniowego opadania. Takie UAV wymagają pasa startowego o długości 200-300 m i szerokości 75 m.
   4. Na panelu Misja, wybierz kartę Blok misji. Kliknij Dodaj blok misji, a następnie wybierz Mapowanie poziome. Z menu rozwijanego Kamery, wybierz Sequoia, a z Planowanie powyżej, wybierz Dane wysokości - EAD. Pojawi się menu presettingów z kartami zawierającymi wartości dostosowywane: Rozpiętość

Wyniki

Półautomatyczna metoda mapowania i klasyfikacji zbiorowisk roślinnych została zaprojektowana w celu uzyskania dokładnych informacji o pokryciu terenu dla terenów podmokłych wybrzeża, które są zdominowane przez niejednorodne, niskie rośliny zielne i charakteryzują się mikrotopografią; przykład takiego siedliska przedstawiono na zdjęciu na Rysunku 1. Przeprowadzono badanie przypadku podmokłych terenów przybrzeżnych borealnych na wyspie Hiiumaa w Estonii. Na miejscu, w celu przetrenowania modelu klasyfikacji, pobrane zostały dane z czterech zbiorowisk roślinnych: Open Pioneer (OP), Lower Shore (LS), Upper Shore (US) i Tall Grass (TG). Rysunek 2 przedstawia skrótowy przegląd zaimplementowanej metodologii w czterech odrębnych fazach. Z kolei Rysunek 3 przedstawia szczegółowy przewodnik diagramowy, wyszczególniający numerowane, wykonalne kroki, połączone strzałkami, aby reprezentować przepływ danych, tym samym syntetyzując metodykę na przestrzeni etapów i faz protokołu. Ostateczne wyniki tej metody, wykorzystującej czujnik wielospektralny i czujnik RGB, to wielospektralne i oparte na RGB mapy zbiorowisk roślinnych, które są przechowywane jako warstwy w projekcie GIS wraz ze wszystkimi pośrednimi zbiorami danych. Jakość zestawów danych geoprzestrzennych była oceniana po zakończeniu każdej fazy protokołu, ponieważ jakość wyników w kolejnych fazach zależy od jakości wyników poprzednich faz, kończąc się na ostatniej fazie, gdzie wejścia stanowią zbiory wszystkich wcześniejszych kroków.

Poniżej przedstawiono podsumowanie wyników każdej z czterech faz protokołu:

W pierwszej fazie przeprowadzono analizę lotniczą za pomocą UAV na wysokości 120 m, co dało odległość próbkowania gruntowego (GSD) około 10 cm/piksela. Analiza lotnicza wygenerowała wielospektralne i RGB obrazy. Po przetworzeniu kinematycznym (PPK) geotagi zostały skorygowanie dla każdego obrazu z drona, a następnie obrazy zostały mozaikowane w profesjonalnym oprogramowaniu fotogrametrycznym, aby wygenerować mapy analizy lotniczej. Fotogrametryczne przetwarzanie wielospektralnych zdjęć lotniczych dało pliki rasterowe RED, GREEN, NIR oraz Red-edge reflektancji.

Wielospektralne i RGB obrazy lotnicze były przetwarzane jako osobne projekty ze względu na znacząco różne rozdzielczości zdjęć. Zobacz Rysunek 4 ustawienia mozaiki obrazu RGB. Rysunek 4A. opcje przetwarzania poprzez wybranie scalonych płytek i generowanie bezproblemowych, ujednoliconych map wyjściowych. Rysunek 4B. wybór automatycznych obliczeń indeksów z obrazów kamery RGB wygenerował cztery mapy rasterowe: jedną na pasmo (czerwone, zielone i niebieskie) oraz DSM (Digital Surface Model). Rysunek 4C. pokazuje generowanie automatycznych punktów łączących, aby dopasować wspólne piksele na obrazach nakładających się podczas początkowego etapu przetwarzania. Wraz z 3 indeksami RGB (czerwony, zielony, niebieski) i DSM, oprogramowanie fotogrametryczne wygenerowało oprogramowanie-generowane rasterowe obrazowe w skali szarości: monochromatyczne, jednokanałowe przedstawienie, które skaluje i łączy różne pasma (np. czerwony, zielony, niebieski), przy czym niskie wartości pikseli wyglądają jak czarne, a wysokie wartości jak białe. Formuła tego indeksu w skali szarości jest specyficzna dla oprogramowania i nie jest standaryzowana na platformach fotogrametrycznych.

Oprogramowanie fotogrametryczne wygenerowało raporty jakości opisujące wyniki przetwarzania dla obu zestawów projektów mozaiki obrazów lotniczych: wielospektralnych i RGB. Raporty te dostarczają kluczowych wskaźników do walidacji dokładności. Wskaźnikami wyników wysokiej jakości są niska błąd reprojekcji: im bliżej 0, tym lepiej (poniżej 1,0 jest ogólnie akceptowane). Na przykład gęste "linie dopasowania" oznaczają silne dopasowanie większości obrazów. Wygenerowane mapy wyjściowe zostały oceniane wizualnie i stwierdzono, że nie zawierają pustek i innych wizualnych różnic. Wizualne różnice są oznaką możliwych błędów odbicia i mozaiki, a także problemów z siatką georeferencyjną. Raport fotogrametryczny, wraz z konkretnymi podręcznikami oprogramowania i zasobami szkoleniowymi, jest wykorzystywany do zidentyfikowania problemu, znalezienia rozwiązania i ponownego przetworzenia obrazów lotniczych.

Mapy analizy lotniczej UAV służyły jako bazowana na danych bazowych dla rekalkulacji złożonych informacji spektralnych w standaryzowane indeksy oparte na pikselach (czyli indeksy roślinności VI generowane w trzeciej fazie), umożliwiając ich użycie jako ustrukturyzowanych wejść dla klasyfikacji opartej na uczeniu maszynowym (w ostatniej fazie protokołu).

Na miejscu zebrano biofizyczne obserwacje jako zestaw danych faktycznych. W miejscu badań (podmokły teren przybrzeżny borealny), zidentyfikowano i pobrane próbki z czterech kluczowych zbiorowisk roślinnych naczyniowych: Open Pioneer (OP), Lower Shore (LS), Upper Shore (US) i Tall Grass (TG). Wykorzystując metodę próbkowania kwater stratyfikowanych określoną w drugiej fazie protokołu, zbiorowisko roślinne OP zostało zidentyfikowane poprzez obecność gatunków wskaźnikowych: Salicornia europaea i

Dyskusja

Kluczowe kroki w protokole obejmują fazę 1, przegląd z UAM, oraz fazę 2, prace terenowe, gdzie zbierane są pomiary biofizyczne, i dane z weryfikacji na miejscu są kompilowane. Obie fazy są uzależnione od warunków pogodowych i muszą być przeprowadzone blisko siebie. Obie muszą dać zbiory danych geoprzestrzennych o wysokiej precyzji współrzędnych (dla przypadku badawczego uzyskano precyzję 1–3 cm). Sukces obliczeń indeksów roślinności i procesu uczenia maszynowego zależy bezpośrednio od jakości danych z przeglądu z UAM i weryfikacji na miejscu. Kluczowe kroki dla osiągnięcia dokładności mapy z UAM są opisane w kroku 1.4, Procedura po zakończeniu lotu. Jeśli post-processing/geotagowanie obrazów używa danych RINEX, które nie są dostępne, alternatywą jest użycie bazy RTK, która zapewnia sygnały korekcji GNSS w czasie rzeczywistym dla drona podczas lotu (patrz przykład w artykule wideo Movchan i wsp.³⁷ z przykładem instrukcji konfiguracyjnych).

Przed zbiorem danych, miejsce badań powinno zostać odwiedzone, aby zdobyć doświadczenie w zakresie krajobrazu, zidentyfikować społeczności roślin zainteresowania oraz określić, które pomiary biofizyczne można wykonać na miejscu, aby opisać skład społeczności roślin. Ponieważ każde miejsce badań ma wyraźne cechy krajobrazu i florę ukształtowaną przez jego strefę klimatyczną, identyfikacja gatunków roślin jest niezbędna dla dokładnego mapowania pokrycia terenu, ponieważ cechy biochemiczne, strukturalne i fizjologiczne gatunków roślin dają unikalne sygnały odbicia spektralnego. Dla każdego kwadratu próbki, współrzędne powinny być zapisane na wszystkich czterech rogach używając sprzętu GNSS/RTK i oprogramowania do pomiarów terenowych, z wpisanym i zapisanym kodem identyfikacji kwadratu. Wszystkie dodatkowe pomiary biofizyczne lub próbki zebrane w kwadracie muszą być powiązane z tymi współrzędnymi, aby każde pomiaru było zakotwiczone w zbiorze danych geoprzestrzennych i mogło być skompilowanych w jednolitym formacie tabelarycznym dla klasyfikacji społeczności roślin i późniejszych analiz statystycznych lub modelowania ekologicznego. Przebadane kwadraty są oznakowane jako punkty treningowe, z przypisanymi nazwami/kodami społeczności (na przykład, w tym zestawie treningowym były to OP, LS, US i TG). Random Forest (RF) następnie uczy się wzorców pikseli związanych z każdą etykietą. Ostatecznym efektem klasyfikacji RF jest mapa pokazująca dystrybucję etykiet społeczności roślin na terenie badań, na podstawie próbek kwadratów treningowych dostarczonych podczas prac terenowych.

Faza 3 (Obliczenia indeksów roślinności) i 4 (Nauczanie nadzorowane w R używając Random Forest) są wzajemnie zależne i wysoce modyfikowalne. Na przykład, Plik uzupełniający 1 zawiera 19 matematycznych formuł do obliczania indeksów z pasm wielospektralnych i 23 formuły do przeliczania danych z badań lotniczych RGB. Niemniej, ponieważ VI są formułowane przez badaczy, równania są źródłem otwartym i publikowane w recenzowanych artykułach i bazach indeksów spektralnych⁸⁰. Dostępne jest więcej (niż podane) formuł do testowania w procesie uczenia maszynowego do klasyfikacji map społeczności roślin. Zmiany w zbiorach danych wpłyną na wydajność algorytmu. VI mogą być dodawane i pomijane, aby przetestować modele. Dostępność dwóch końcowych map społeczności roślin, pochodzących z danych wielospektralnych i RGB, daje możliwość porównania wydajności modeli. Model RGB osiągnął 98,89%, ale to nie oznacza koniecznie, że sensor jest lepszy od sensora wielospektralnego, który osiągnął niższy wynik. Dane RGB opierają się na kolorze i wysokości, co może być efektywne dla klasyfikacji map pokrycia terenu strukturalnie różnorodnych siedlisk^9,33. Natomiast, obrazowanie wielospektralne dostarcza więcej informacji o fizjologii roślin, nie tylko o wyglądzie, i może być lepsze w rozróżnianiu typów roślinności o podobnych kolorach i odporności na cienie (np. światło NIR, które silnie odbijają rośliny, może być uchwycone nawet gdy są one częściowo zacienione⁸¹). Używanie tylko czujników RGB jest ograniczone przez ich wąski zakres spektralny (czerwony, zielony, niebieski), ponieważ subtelne różnice biochemiczne i fizjologiczne (np. zawartość chlorofilu i stres wodny) mogą nie być wykrywalne bez pasm NIR, czerwono-brzegowego lub hiperspektralnego.

Główne ograniczenia metody mogą obejmować kosztowny system UAM i przedstawioną fotogrametrię. Jednak metoda jest zaprojektowana tak, że aby powtórzyć ten protokół, czujnik wielospektralny i kamera RGB mogą być używane wymiennie. Aby wdrożyć ten protokół, użyto systemu UAM o stałym uchu eBee X wyposażonego w czujnik wielospektralny i kamera RGB (Sequoia) oraz oprogramowanie zarządzania lotem eMotion; jednak inne systemy UAM mogą powtórzyć protokół pod warunkiem, że zawierają czujnik wielospektralny i/lub kamerę RGB, funkcję planowania misji w oprogramowaniu zarządzania lotem, orientację kamery nadir 90 stopni i albo dostępny dla użytkownika dziennik lotu dla geotagowania po locie albo zdolność RTK do rejestrowania pre

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
eBee X	senseFly/AgEagle	eBee X, https://www.sensefly.com/drones/ebee-x/	System UAV eBee X to profesjonalny bezzałogowy aparat do mapowania o stałym skrzydle. Może być używany alternatywny system bezzałogowego aparatu do mapowania
eMotion	senseFly/AgEagle	https://www.sensefly.com/drone-software/emotion/	Służy do planowania misji lotów bezpilotowych i zarządzania danymi z powietrza. Oprogramowanie eMotion jest uzupełniającą częścią systemu bezpilotowego eBeeX
Dysk twardy zewnętrzny	Dowolny dostawca	NA	Rozmiar zależy od wielkości obszaru badań, wielkości projektu (250 GB - 1 TB)
Laptop do pracy terenowej	Dowolny dostawca	NA	zdolna, przenośna maszyna odpowiednia do operacji terenowych i zarządzania lotem drona (na podstawie specyfikacji eMotion:  64-bitowy Windows 10/11; Intel Core i5/i7 (12. generacja +) lub AMD Ryzen 5/7 (>3,5 GHz) - wysokie prędkości taktowania są ważniejsze niż liczba rdzeni; minimum 16 GB (wysoce zalecane 32 GB +); średnia gama karty graficznej NVIDIA GTX/RTX (np. RTX 3060/4060); Wymagany dysk SSD NVMe.
System GNSS/RTK Trimble	Trimble Inc.	Model R10	Posiada odbiornik z oprogramowaniem do pomiarów geodezyjnych i zapasowe baterie. Można również używać alternatywnych systemów GNSS/RTK.
Nożyce do trawy	Dowolny dostawca	NA	próbkowanie biomasy (opcjonalnie)
Pix4Dmapper	Pix4D	https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/	Oprogramowanie do fotogrametrii: Pix4Dmapper jest dostępne na zasadach miesięcznych lub rocznych. Aby wdrożyć ten protokół, można użyć alternatywnego oprogramowania do fotogrametrii.
Przewodnik do identyfikacji roślin	Dowolny dostawca	NA	Służy do przeprowadzania obserwacji biofizycznych (on-line, książka lub wydruk lokalnych przewodników do identyfikacji roślin)
QGIS	QGIS	3.44.9 Solothurn	Darmowe i otwarte oprogramowanie GIS, dostępne na https://qgis.org/, alternatywne oprogramowanie GIS może być użyte do wdrożenia tego protokołu
Ramowana kratka o wymiarach 1 m x 1 m	Dowolny dostawca	NA	Do użycia w fazie 2 do pracy terenowej/próbkowania, czyli do przeprowadzania obserwacji biofizycznych, może być wykonana samodzielnie
R	R-Software Services	wersja 4.2.0, https://cran.r-project.org	Otwarte środowisko modelowania prognostycznego do pobrania, szeroko stosowane w statystycznych obliczeniach i grafice, analizie danych i modelowaniu predykcyjnym.
RStudio	R-Software Services	wersja 2024.4.0.735, https//posit.co/download/rstudio/
Rtools	R-Software Services	https://cran.r-project.org/bin/windows/Rtools/	Ponieważ niektóre pakiety mogą wymagać kompilacji z kodu źródłowego. Kluczowe pakiety używane: 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 i randomForest 4.7 1.1.
Waga (napędzana bateryjnie, wypoziomowana, precyzja ±1 g)	Dowolny dostawca	NA	Wytrzymałe do pracy terenowej
Sequoia	Parrot SA	Parrot SEQUOIA+	Jest to czujnik wielospektralny/RGB, który ma być używany w fazie 1. Czujnik RGB i/lub wielospektralny (wiele profesjonalnych dronów zawiera jeden lub oba czujniki). Do wdrożenia tego protokołu używano Parrot SEQUOIA+ (firma Parrot SA)
Czujnik wilgotności gleby	Dowolny dostawca	NA
Aplikacja do prognozy pogody dla dronów UAV	Dowolny dostawca	NA	Do planowania lotów używano https://www.uavforecast.com/
Zestaw czujników WET	Delta T Devices	WET-UM-1.6	Czujnik wilgotności gleby (opcjonalnie)
Stanowisko robocze	Dowolny dostawca	NA	Optymalne specyfikacje potrzebne do płynnego przetwarzania projektów fotogrametrycznych i uczenia maszynowego w R (specyfikacje oparte na wymaganiach oprogramowania Pix4Dmapper: Windows 10/11, 64 bity; Procesor czterordzeniowy lub sześciordzeniowy Intel i9/Threadripper/Ryzen 9/; Karta graficzna GeForce GTX kompatybilna z OpenGL 3.2 i 2 GB pamięci RAM; Dysk twardy: SSD; Duże projekty (ponad 500 - 1000 zdjęć o rozdzielczości 14 MP): 32 GB pamięci RAM, 60 GB wolnego miejsca na dysku SSD.