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

Nasze badania mają na celu ułatwienie wykorzystania LiDAR opartego na dronach w ocenie odbudowy lasów poprzez opracowanie przyjaznego dla użytkownika protokołu. Najnowsze osiągnięcia umożliwiające tę pracę obejmują rozwój technologii czujników LiDAR oraz integrację z modelami głębokiego wypożyczania. Na początek sprawdź sprzęt RPAS i w razie potrzeby zaktualizuj oprogramowanie firmware.

Ustaw stację bazową RTK na wolnym miejscu, z dala od przeszkód i linii drzew. Poczekaj, aż stacja bazowa będzie całkowicie włączona, zanim rozpoczniesz lot drona. Stwórz plik lotu dla każdej misji i prześlij je na pilota.

Teraz przeprowadź misje lotnicze, aby zebrać dane LiDAR i multispektralne nad obszarem zainteresowania. Ustaw stację bazową GNSS nad lokalizacją stacji bazowej RPAS i obsłuż stację bazową, aby uzyskać dokładne współrzędne do precyzyjnej korekty pozycji punktu. Użyj czytnika kart, aby przenieść zebrane dane LiDAR i multispektralne z czujników do stanowiska roboczego.

Użyj oprogramowania do fotogrametrii, aby wstępnie przetworzyć dane multispektralne oraz wykonać korekcje geometryczne i radiometryczne. Generuj multispektralną ortomozaikę. Użyj odpowiedniego oprogramowania do rekonstrukcji surowych danych LiDAR w plik chmury punktów.

Użyj narzędzia geoprzestrzennego, aby wyrównać chmurę punktów LiDAR z wielospektralną ortomozaiką. Uruchom skrypt Pythona, aby połączyć wyrównaną chmurę punktów LiDAR z wielospektralną ortomozaiką, aby wygenerować wielospektralną chmurę punktów. Pobierz CloudCompare, trójwymiarowe oprogramowanie do przetwarzania chmury punktów, i zainstaluj je.

Następnie pobierz instalator wtyczki TreeAIBox w wersji 1 z GitHuba, uruchom go i postępuj zgodnie z instrukcjami na ekranie. Otwórz CloudCompare z ikony pulpitu lub wybierając Start, następnie Wszystkie programy i CloudCompare. Załaduj plik chmury punktów, używając Otwórz jeden lub kilka plików i kliknij Zastosuj.

Jeśli współrzędne punktowe są duże, zaakceptuj polecenie zastosowania globalnego przesunięcia lub skali. Wybierz Input, który odczytuje metadane z pliku, i kliknij Tak, aby chmura punktów pojawiła się na płótnie. Otwórz pasek narzędzi wtyczek Python.

Rozwiń rozwijane menu Script Register i kliknij TreeAIBox, aby otworzyć graficzny interfejs użytkownika wtyczki. Upewnij się, że pole Użyj GPU jest zaznaczone, jeśli dostępna jest jednostka graficzna obsługiwana przez Compute Unified Device Architecture. Z górnego panelu wybierz TreeFiltering i wybierz ALS, jeśli drzewa nie są widoczne w danych RPAS.

Teraz wyczyść pole wyboru rozmiaru kafelka. Z rozwijanego menu zdefiniowanych modeli wybierz treefiltering_als_esegformer. Jeśli używasz tego modelu po raz pierwszy, kliknij Pobierz i potwierdź wyskakujące okienko pokazujące lokalną ścieżkę.

Zaznacz chmurę punktów na płótnie, aby była podświetlona ramką ograniczającą. W panelu TreeFilter kliknij Zastosuj. Potwierdź, że utworzono nową skalę lub pole o nazwie TreeFilter, z wartością 2 dla punktów drzewa na czerwono i wartością 1 dla innych punktów na niebiesko przed kontynuowaniem.

Z górnego panelu TreeAIBox wybierz TreeisoNet. Enable Reclamation, ALS stem implicit i Treeloc. Z rozwijanego menu wybierz wymagany model wstępnie wytrenowany.

Upewnij się, że chmura punktów na płótnie jest zaznaczona, a następnie kliknij Zastosuj. Po przetworzeniu potwierdz, że nowy element o nazwie Treetops pojawia się pod oryginalną chmurą punktów w oknie drzewa bazy danych. Wybierz ten element i zwiększ rozmiar punktu, na przykład do 16, dla lepszej widoczności, i sprawdź, czy pozycje w koronach drzew pojawiają się jako białe kropki na płótnie.

Aby segmentować korony drzew, wybierz ponownie element chmury punktów drzew. Z górnego panelu TreeAIBox wybierz TreeisoNet i włącz TreeOff. Pobierz wymagany wstępnie wytrenowany model i kliknij Apply, aby uruchomić model.

Następnie potwierdzić, że utworzono nową skalę lub pole o nazwie TreeOff. Sprawdź, czy każde drzewo ma przypisany unikalny identyfikator, z punktami z tego samego drzewa o tym samym identyfikatorze. Opcjonalnie można zresetować rozmiar punktu drzewa do Domyślnego, aby zmniejszyć wizualny bałagan.

Aby poprawić kontrast wizualny i losować kolory drzewa według identyfikatora, sklonuj oryginalną chmurę punktów, aby zachować dane, wybierając Edytuj i Klonuj. Następnie przejdź do Edytuj, następnie Skalar Fields i Przekonwertuj na losowe RGB. Wprowadź dużą wartość, aby zapewnić dyskretne kolory, i kliknij OK. Zobacz chmurę punktów wyświetlającą drzewa w losowych kolorach.

Na koniec, z górnego panelu TreeAIBox, wybierz TreeisoNet i kliknij Eksport statystyk, aby wyeksportować wyniki segmentacji. Następnie kliknij Otwórz ścieżkę wyjściową, aby zobaczyć wyeksportowany plik w folderze Wyników. Potwierdź, że wyjście to plik z wartościami rozdzielonymi przecinkami, zawierający identyfikatory drzew, współrzędne, wysokość drzewa i powierzchnię korony.

Wtyczka TreeAIBox skutecznie filtrowała punkty drzewa i wyznaczała poszczególne drzewa na wszystkich trzech lokalizacjach, a łącznie wykryto 2 755 indywidualnych drzew. Model zidentyfikował 1 706 drzew na Terenie 1, 882 drzewa na Terenie 2 oraz 167 drzew na Terenie 3. Wskaźnik wykrywania drzew referencyjnych różnił się w zależności od lokalizacji – 100% wykryte dla lokalizacji 2, 95% dla lokalizacji 1 i 21% dla lokalizacji 3.

Model osiągnął 100% wykrywalność dla wszystkich drzew referencyjnych wyższych niż jeden metr. Wydajność detekcji spadła dla niższych drzew – wykryto tylko 45% drzew o głębokości od 0,5 do 1 metra, a żadne drzewo poniżej 0,5 metra nie zidentyfikowano. Protokół ten ma na celu rozwiązanie luki badawczej w zakresie wykrywania i segmentacji poszczególnych drzew dla młodych drzew w złożonych środowiskach leśnych.

Protokół ten oferuje praktyczną, efektywną, przyjazną użytkownikowi i wszechstronną metodę wydobywania pojedynczych metryk drzewa z danych LiDAR. Nasz protokół przyczyni się do odbudowy i monitorowania lasów, a jest szczególnie przydatny przy ocenie wielkości studni rekreacyjnej, skracając czas i koszty przeprowadzania badań działek.