Zbieranie i przetwarzanie danych zdalnie wykrywanych za pomocą dronów do monitorowania odbudowy lasów
24 października 2025
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.
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.
Przegląd
Niniejsza praca prezentuje protokół przyjazny dla użytkownika, który umożliwia wykorzystanie technologii LiDAR opartej na dronach w ocenach odnowy lasów. Dzięki integracji zaawansowanej technologii sensorów i modeli głębokiego uczenia, protokół zwiększa efektywność monitorowania odnowy lasów po zakłóceniach.
Kluczowe elementy badania
Dziedzina nauki
- Zdalne pomiarowe obserwacje
- Ekologia lasów
- Sztuczna inteligencja
Tło
- Ostatnie postępy w systemach lotniczych RPAS (Remotely Piloted Aircraft Systems) umożliwiają monitorowanie o wysokiej rozdzielczości.
- Integracja AI dostarcza głębszych wskazówek z dużych zbiorów danych.
- Skuteczna ocena i zarządzanie odradzającymi się terenami leśnymi jest kluczowa.
- Istniejące metody często brakuje efektywności i przyjazności dla użytkownika.
Cel badania
- Opracowanie praktycznego protokołu dla LiDAR opartego na dronach w ocenie odnowy lasów.
- Rozwiązanie luki badawczej w zakresie wykrywania i segmentacji pojedynczych drzew.
- Zmniejszenie czasu i kosztów związanych z tradycyjnymi oględzinami powierzchni.
Wykorzystane metody
- Konfiguracja RPAS i stacji bazowej RTK w celu dokładnego gromadzenia danych.
- Gromadzenie danych LiDAR i multispektralnych na wyznaczonych obszarach.
- Wykorzystanie oprogramowania fotogrametrycznego do wstępnego przetwarzania i korekty danych.
- Zastosowanie wtyczki TreeAIBox do wykrywania i segmentacji drzew.
Główne wyniki
- W sumie wykryto 2755 pojedynczych drzew na trzech obszarach.
- Wskaźniki wykrywania różniły się, wynosząc 100% dla Obszaru 2 i 21% dla Obszaru 3.
- Protokół skutecznie identyfikował drzewa wyższe niż jeden metr z dużą dokładnością.
- Oferuje wszechstronną metodę wydobywania metryk pojedynczych drzew z danych LiDAR.
Wnioski
- Ten protokół zwiększa monitorowanie i ocenę odnowy lasów.
- Jest skuteczny dla młodych drzew w złożonych środowiskach leśnych.
- Metoda jest przyjazna dla użytkownika i zmniejsza potrzebę rozległych badań terenowych.
Często zadawane pytania
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.
