Method Article

Coleta e processamento de dados de sensoriamento remoto baseados em drones para uso no monitoramento de recuperação florestal

DOI:

10.3791/68745

⸱

October 24th, 2025

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

In This Article

Summary

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

Avanços recentes em sistemas de aeronaves remotamente pilotadas (RPAS) permitem resolução submétrica, ideal para monitoramento de recuperação florestal. A integração da inteligência artificial (IA) permite insights mais profundos de grandes conjuntos de dados de sensoriamento remoto. Este protocolo melhora o monitoramento, apoiando uma avaliação e gestão mais eficientes de terras florestais que se recuperam de perturbações.

Abstract

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

As tecnologias de sensoriamento remoto (RS), particularmente detecção e alcance de luz (LiDAR) e imagens multiespectrais (MS), fornecem recursos de monitoramento de vegetação em larga escala em diferentes resoluções espaciais. Os sistemas de aeronaves remotamente pilotadas (RPAS) equipados com sensores LiDAR e MS podem aprimorar as avaliações da vegetação, oferecendo horários de voo flexíveis e capturando dados de alta resolução. A integração adicional de modelos de aprendizado profundo (DL) é promissora para automatizar o fluxo de trabalho de pós-processamento, o que é particularmente importante para aplicações de monitoramento de vegetação.

Este protocolo descreve um conjunto de métodos práticos para coletar, processar, alinhar e mesclar dados LiDAR e MS baseados em RPAS para delineamento de árvore 3D individual usando um plug-in DL interativo. O modelo DL proprietário detecta e segmenta efetivamente os limites das árvores em vários sensores, locais de estudo e resoluções de dados dentro dos ecossistemas florestais.

Nossa aplicação específica e motivação para o desenvolvimento deste protocolo e ferramenta é para monitorar a recuperação florestal em poços de petróleo e gás recuperados. Atualmente, os métodos de avaliação baseados em campo são demorados, trabalhosos e espacialmente limitados. À medida que os esforços de recuperação se expandem, há uma necessidade crescente de abordagens mais eficientes e escaláveis para monitorar o sucesso da recuperação e a recuperação do ecossistema. Ao avançar nas aplicações de DL baseadas em RPAS, esta pesquisa apóia o monitoramento da recuperação ecológica em poços recuperados e também é aplicável a outras paisagens florestais.

Introduction

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

A extração de recursos de petróleo e gás levou ao estabelecimento de centenas de milhares de poços em Alberta1, muitos dos quais estão localizados dentro da floresta boreal2. Os esforços de recuperação visam restaurar as terras perturbadas ao seu estado ecológico original3. As pesquisas terrestres convencionais continuam sendo o principal meio de monitoramento da certificação de recuperação4; no entanto, este é um processo demorado e trabalhoso que está se tornando menos eficiente à medida que o número de áreas perturbadas e recuperadas continua a aumentar.

Avanços recentes nas tecnologias de sensoriamento remoto (RS), especialmente o uso de sistemas de aeronaves remotamente pilotadas (RPAS), oferecem soluções promissoras para os desafios espaciais e temporais do monitoramento de poços 5,6,7,8. Essas plataformas fornecem dados de alta resolução, permitindo medições precisas no nível da árvore individual. A integração com inteligência artificial (IA), como vimos nos últimos anos 9,10,11, facilita o processamento e a análise de grandes conjuntos de dados de sensoriamento remoto por meio da automação da detecção e medição da vegetação. No entanto, a geração de conjuntos de dados de treinamento e validação apropriados para modelos de aprendizado profundo (DL) continua sendo o principal desafio, principalmente para conjuntos de dados 3D.

Este protocolo descreve um fluxo de trabalho passo a passo para coletar, processar, alinhar e mesclar dados LiDAR e multiespectrais (MS) baseados em RPAS de ambientes florestais para delinear árvores individuais. Esse método usa o plug-in TreeAIBox12 recém-desenvolvido, integrado ao CloudCompare, para analisar a nuvem de pontos derivada de RPAS para segmentação de copas de árvores individuais. O plug-in apresenta uma nova abordagem 3D DL baseada no modelo TreeisoNet13 , um conjunto de redes neurais profundas supervisionadas adaptadas para segmentação de árvores 3D, que foi treinada e verificada em conjuntos de dados derivados de RPAS de cinco diferentes poços recuperados. Os locais selecionados para o treinamento do modelo variaram em altura, densidade e composição de espécies de árvores para garantir a generalização do modelo. Além disso, o conjunto de dados de treinamento incluiu dados coletados durante três temporadas consecutivas: verão (agosto de 2023), outono (outubro de 2023) e primavera (maio de 2024) para garantir que o modelo pudesse funcionar com precisão em diferentes condições sazonais com variações na visibilidade das árvores. O plug-in automatiza os processos de filtragem de nuvens de pontos (árvores versus solo), detecção de copas de árvores e segmentação de copas de árvores individuais. A saída do plug-in pode ser usada para calcular métricas de vegetação, como área de copa, fração de copa, densidade de caule e altura de árvores, usadas para monitoramento de vegetação pós-recuperação.

O modelo TreeisoNet, integrado ao plugin TreeAIBox, oferece melhorias significativas em relação aos métodos tradicionais de segmentação 3D, como segmentação de bacias hidrográficas ou ShortestPath. A TreeisoNet relatou maior precisão em diversos tipos de floresta, demonstrando as vantagens de uma abordagem de aprendizado profundo supervisionado em relação às alternativas não supervisionadas13. Especificamente, o módulo localizador de copas das árvores (TreeLoc) alcançou uma pontuação média F1 de 0,96, superando significativamente o método máximo local (LM), que teve uma pontuação média F1 de 0,5713. Da mesma forma, o módulo de delineamento de copas (TreeOff) registrou uma média média de Interseção sobre União (mIoU) de 0,85, superando os métodos tradicionais Watershed3D (mIoU 0,68) e ShortestPath (mIoU 0,79)13. Essas métricas destacam a precisão superior do TreeisoNet na detecção de copas de árvores e delineamento de copas, particularmente em ambientes complexos, como poços recuperados com diferentes alturas de árvores, densidades de caule e composições de espécies.

O modelo TreeisoNet foi treinado em dados LiDAR derivados de RPAS com densidade de pontos acima de 1100 pontos por metro quadrado. O método descrito neste artigo é focado no monitoramento da recuperação florestal em poços de petróleo e gás; no entanto, pode ser adaptado para uso em outras áreas florestais. O fluxo de trabalho é adequado para plantações jovens e florestas de madeira mista com densidade de caule esparsa a moderada (<3.000 caules por ha), onde a oclusão é mínima. Em florestas de dossel fechado ou com várias camadas, a detecção de árvores de sub-bosque pode ser reduzida devido à penetração limitada de LiDAR. O modelo suporta copas de coníferas e decíduas, embora a precisão possa variar de acordo com as características específicas da espécie, como líderes finos em coníferas jovens. O plug-in TreeAIBox inclui uma biblioteca de modelos predefinidos e pré-treinados que são projetados para serem amplamente aplicáveis em vários tipos de floresta e validados em diversos conjuntos de dados de poços recuperados. Os usuários podem aproveitar esses modelos integrados e ajustar os parâmetros do plug-in, como lacuna máxima ou raio mínimo, para otimizar as saídas para seus conjuntos de dados específicos sem a necessidade de treinar novos modelos. Essa flexibilidade permite que os usuários adaptem o fluxo de trabalho a diferentes condições da floresta, como alturas ou densidades de árvores variadas, diretamente na interface gráfica de usuário (GUI) amigável do CloudCompare. A versão atual do plugin TreeAIBox não suporta o treinamento de novos modelos dentro do próprio software; No entanto, é possível que usuários avançados adicionem novos modelos pré-treinados à biblioteca de modelos.

As seções 1 e 2 do protocolo descrevem nossas etapas de coleta e processamento de dados, enquanto a seção 3 do protocolo descreve o uso do plug-in TreeAIBox para extrair métricas de árvore. Nossa pesquisa específica usa uma fusão de dados LiDAR baseados em drones e imagens de MS; no entanto, diferentes procedimentos, equipamentos e softwares podem ser aplicados para gerar um arquivo de nuvem de pontos de alta densidade para uso na seção 3 do protocolo. Esse fluxo de trabalho representa um avanço significativo no monitoramento da vegetação, integrando uma abordagem de segmentação de árvores orientada por IA de última geração com RS baseada em RPAS, permitindo avaliações mais rápidas, precisas e escaláveis da recuperação florestal.

Protocol

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

1. Utilização de um RPAS para a recolha de dados

NOTA: Todas as operações de RPAS devem estar em conformidade com os regulamentos locais do espaço aéreo e os requisitos de segurança. Use a Tabela de Materiais para revisar os equipamentos e materiais necessários para a coleta de dados.

  1. Preparação pré-voo: Antes de ir para o campo, verifique o equipamento e atualize o firmware se necessário. Crie arquivos de voo para cada missão de voo e carregue-os no controle remoto. Crie um plano de segurança e um documento de procedimentos de emergência para cada missão de voo. Consulte o Arquivo Suplementar 1 para obter um procedimento detalhado de configuração de comprovação.
  2. Coleta de dados de campo: Em campo, configure equipamentos e conduza missões de voo para coletar dados LiDAR e MS em uma área de interesse. Consulte o Arquivo Suplementar 2 para obter um fluxo de trabalho detalhado da configuração do equipamento e dos parâmetros de voo.
  3. Configuração da estação base GNSS: Configure e execute uma estação base GNSS sobre o local da estação base do RPAS para obter coordenadas precisas de sua localização que serão usadas para correção de Posicionamento de Ponto Preciso (PPP)14 durante o pré-processamento de dados (para alta precisão, o tempo de execução mínimo recomendado da estação base é de 2 h) (consulte o Arquivo Suplementar 3 para obter um exemplo de configuração e procedimento da estação base GNSS para obter as coordenadas).
  4. Transferência de dados: Use um leitor de cartão para transferir os dados LiDAR e MS coletados dos sensores para uma estação de trabalho para processamento posterior.

2. Processamento de dados brutos

  1. Pré-processamento de dados multiespectrais: Use o software de fotogrametria para pré-processar os dados de MS coletados, realizar correções geométricas e radiométricas e gerar um ortomosaico de MS.
    NOTA: Consulte o Arquivo Suplementar 4 para obter um fluxo de trabalho geral para processar dados MS derivados de RPAS usando software de fotogrametria.
  2. Reconstrução da nuvem de pontos LiDAR: Use o software apropriado para reconstruir os dados brutos do LiDAR em um arquivo de nuvem de pontos (por exemplo, arquivo *.las/laz). Consulte o Arquivo Suplementar 5 para obter um procedimento detalhado sobre como realizar a reconstrução.
  3. Alinhe e mescle dados LiDAR e multiespectrais. Use ferramentas geoespaciais para alinhar a nuvem de pontos LiDAR e o ortomosaico MS. Consulte o Arquivo Suplementar 6 para obter um procedimento detalhado para executar o alinhamento. Use um script Python (consulte o Arquivo Suplementar 7) para mesclar a nuvem de pontos LiDAR com o ortomosaico MS para criar uma nuvem de pontos MS.
    NOTA: Qualquer ambiente de desenvolvimento integrado (IDE) pode ser usado para executar o script Python. O Arquivo Suplementar 8 demonstra um fluxo de trabalho geral de mesclagem de dados.

3. Usando o plug-in TreeAIBox para segmentação de árvore individual

NOTA: Esta seção do protocolo pode ser seguida usando qualquer dado de nuvem de pontos de alta resolução de um ambiente florestal no formato de arquivo *.las/.laz.

O TreeAIBox só foi testado usando o sistema operacional Windows.

  1. Instalação e configuração: Baixe e instale o software de processamento de nuvem de pontos 3D, CloudCompare15. Em seguida, baixe o instalador do plug-in do GitHub (TreeAIBox_Plugin_Installer_v1.0.exe)12 (Figura 1). Execute o instalador e siga as instruções na tela.
    NOTA: O instalador detecta automaticamente o local do software CloudCompare e implanta o plug-in com as bibliotecas DL necessárias com base na disponibilidade de GPU ou CPU. Para métodos alternativos de instalação ou solução de problemas, siga as instruções README12. Após a instalação, a estrutura de pastas deve corresponder ao que é mostrado na Figura 2.
  2. Carregando dados de nuvem de pontos:
    1. Abra o CloudCompare no ícone da área de trabalho ou acessando Iniciar | Todos os Programas | CloudCompare. Carregue o arquivo de nuvem de pontos (por exemplo, arquivo *.las/laz) no CloudCompare arrastando para a tela ou usando o botão Abrir um ou vários arquivos no console principal e clique em Aplicar (Figura 3).
    2. Se as coordenadas do ponto forem grandes, um prompt perguntará se deseja aplicar um deslocamento/escala global. Selecione Input, que lê os metadados do arquivo .las/laz, e clique em Yes (Figura 4). A nuvem de pontos agora aparecerá na tela.
  3. Abrindo o plug-in TreeAIBox: Abra a barra de ferramentas do plug-in Python, expanda o menu suspenso Registro de script e clique em TreeAIBox para abrir a GUI do plug-in (Figura 5).
  4. Filtrando pontos de árvore e de solo
    1. Certifique-se de que a caixa de seleção Usar GPU (CUDA) esteja marcada se a GPU compatível com CUDA estiver disponível. No painel superior, selecione TreeFiltering, escolha ALS se as hastes da árvore não estiverem visíveis nos dados do RPAS, desmarque o Tamanho do bloco, selecione 'treefiltering_als_esegformer3D_128_15cm(GPU3GB)' na lista suspensa Modelos predefinidos (Figura 6). Se estiver usando este modelo pela primeira vez, a cor da fonte aparecerá esmaecida. Clique em Download e confirme o pop-up mostrando o caminho local.
    2. Selecione a nuvem de pontos na tela (realçada com uma caixa delimitadora) e clique em Aplicar no painel TreeFilter . Um novo campo escalar denominado treefilter será criado: value = 2 (pontos da árvore, vermelho) e value = 1 (outros pontos, azul) (Figura 7). Confirme isso antes de prosseguir para a próxima etapa.
  5. Detectando copas de árvores
    1. No painel superior do TreeAIBox , selecione TreeisoNet, habilite Recuperação, ALS (haste implícita) e TreeLoc e escolha o modelo pré-treinado: 'treeisonet_als_reclamation_treeloc_esegformer3D_
      128_10cm(GPU4GB)' no menu suspenso. Certifique-se de que a nuvem de pontos na tela esteja selecionada (realçada com uma caixa delimitadora) e, em seguida, clique em e Aplicar (Figura 8).
    2. Quando o processamento for concluído, um novo item chamado treetops aparecerá na nuvem de pontos original na janela Árvore de banco de dados . Selecione este item e aumente o tamanho do ponto (por exemplo, para 16) para melhorar a visibilidade. Confirme se as posições das copas das árvores aparecem como pontos brancos na tela (Figura 9).
  6. Segmentando coroas de árvores
    1. Selecione novamente o item da nuvem de pontos da árvore (destacado em vermelho) (Figura 10). No painel superior do TreeAIBox , selecione TreeisoNet e habilite o TreeOff. Baixe o modelo pré-treinado 'treeisonet_als_reclamation_treeoff
      _esegformer3D_128_10cm(GPU4GB)' (Figura 11) se ainda não estiver disponível, clique em Aplicar para executar o modelo.
    2. Uma nova árvore de campo escalar será criada, atribuindo a cada árvore um ID exclusivo. Os pontos da mesma árvore compartilham o mesmo ID. Opcionalmente, redefina o tamanho do ponto do topo da árvore para o padrão para reduzir a confusão visual. Confirme se a visualização da tela do software é semelhante à visualização mostrada na Figura 12.
    3. Visualização opcional: Cores de árvore aleatórias: Para melhorar o contraste visual de árvores segmentadas, randomize as cores da árvore por ID. Primeiro, clone a nuvem de pontos original para preservar os dados (Editar | Clone). Em seguida, vá para Editar | Campos escalares | Converta para RGB aleatório (Figura 13). Insira um valor grande (por exemplo, 256000) para garantir cores discretas suficientes e clique em OK. A nuvem de pontos exibirá árvores em cores aleatórias (Figura 14).
      NOTA: Esta etapa é apenas para visualização e não afeta as IDs de segmentação, mas substituirá os valores RGB na nuvem de pontos clonada.
  7. Exportando métricas e saídas de segmentação: No painel superior do TreeAIBox , selecione TreeisoNet e clique em Exportar estatísticas para exportar os resultados da segmentação de árvore. Em seguida, clique em Abrir caminho de saída para visualizar o arquivo de saída na pasta de resultados (Figura 15). O CSV exportado contém IDs de árvore segmentados, coordenadas, altura da árvore e área da copa.
    NOTA: Isso conclui o processamento de dados usando o TreeAIBox.

figure-protocol-1
Figura 1: Acesso ao instalador do plug-in TreeAIBox por meio do repositório GitHub. Clique aqui para ver uma versão maior desta figura.

figure-protocol-2
Figura 2: A estrutura de pastas com o plug-in TreeAIBox. Clique aqui para ver uma versão maior desta figura.

figure-protocol-3
Figura 3: Carregando o arquivo de nuvem de pontos no CloudCompare. Clique aqui para ver uma versão maior desta figura.

figure-protocol-4
Figura 4: Definindo um deslocamento global para a nuvem de pontos à medida que ela é carregada no CloudCompare. Clique aqui para ver uma versão maior desta figura.

figure-protocol-5
Figura 5: Usando a barra de ferramentas do plug-in Python do CloudCompare para iniciar o plug-in TreeAIBox. Clique aqui para ver uma versão maior desta figura.

figure-protocol-6
Figura 6: Configurando o painel TreeFiltering para separar os pontos da árvore dos pontos do solo. Clique aqui para ver uma versão maior desta figura.

figure-protocol-7
Figura 7: Os resultados da separação dos pontos da árvore dos pontos do solo. Os pontos da árvore são mostrados em vermelho, enquanto os pontos do solo são mostrados em azul. Clique aqui para ver uma versão maior desta figura.

figure-protocol-8
Figura 8: Configurando o painel TreeisoNet para detectar copas de árvores usando TreeLoc. Clique aqui para ver uma versão maior desta figura.

figure-protocol-9
Figura 9: Os resultados da detecção da copa das árvores. Os pontos brancos representam as posições das copas das árvores. Clique aqui para ver uma versão maior desta figura.

figure-protocol-10
Figura 10: Selecionando novamente o item da nuvem de pontos da árvore antes de aplicar o painel TreeOff. Clique aqui para ver uma versão maior desta figura.

figure-protocol-11
Figura 11: Configurando o painel TreeisoNet para segmentação de copas de árvores usando TreeOff. Clique aqui para ver uma versão maior desta figura.

figure-protocol-12
Figura 12: Os resultados da segmentação das copas das árvores. Clique aqui para ver uma versão maior desta figura.

figure-protocol-13
Figura 13: Configurando a nuvem de pontos segmentada para randomizar as cores das árvores de acordo com seus IDs para melhor contraste de limite. Clique aqui para ver uma versão maior desta figura.

figure-protocol-14
Figura 14: Os resultados da randomização das cores da árvore. Clique aqui para ver uma versão maior desta figura.

figure-protocol-15
Figura 15: Extração de resultados de segmentação de árvore do painel TreeisoNet em um arquivo csv. Clique aqui para ver uma versão maior desta figura.

Results

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

Seguindo o protocolo estabelecido, os dados LiDAR e MS derivados de RPAS foram coletados em três locais de estudo plantados com árvores jovens. Esses locais foram selecionados para testar a capacidade do modelo de detectar árvores individuais de alturas variadas. O local 1 foi plantado com Abies balsamea (abeto balsâmico), com altura média de 1,46 m. O local 2 apresentava árvores Pinus contorta (pinheiro lodgepole) com média de 2,17 m de altura. O Sítio 3 continha uma mistura de pequenas árvores Abies balsamea e Pinus contorta , com uma altura média de apenas 0,51 m. Além dos dados do RS, a localização de 224 árvores de referência também foi registrada com uma unidade GNSS.

Após a coleta e processamento de dados, o plug-in TreeAIBox foi aplicado para filtrar pontos de árvore e delinear árvores individuais. Os resultados produzidos pelo plug-in são mostrados na Figura 16.

figure-results-1
Figura 16: A distribuição de árvores individuais delineadas para três locais de estudo (A - Site 1; B - Sítio 2; C - Site 3) gerado pelo plugin TreeAIBox. Clique aqui para ver uma versão maior desta figura.

No total, 2.755 árvores individuais foram detectadas nos três locais. O modelo identificou 1.706 árvores no Sítio 1 (Figura 16A), 882 árvores no Sítio 2 (Figura 16B) e 167 árvores no Sítio 3 (Figura 16C). A taxa de detecção de árvores de referência variou entre os locais, com 100% das árvores de referência detectadas para o Sítio 2, 95% para o Sítio 1 e apenas 21% para o Sítio 3, conforme mostrado na Tabela 1. Esses resultados destacam o alto desempenho do modelo na detecção de árvores > 1 m, com uma taxa de detecção de 100% para todas as árvores de referência nessa faixa. No entanto, o desempenho diminuiu para árvores mais baixas: apenas 45% das árvores de referência entre 0,5 a 1 m foram detectadas, e nenhuma das árvores < 0,5 m foi identificada (Tabela 2).

Local #Altura da árvore do castor, m (DESVPAD)# de árvores de referência# de árvores de referência detectadas% de árvores de referência detectadas
11.46 (0.45)757195
22.17 (0.4)7474100
30.51 (0.17)751621

Tabela 1: Taxas de detecção de árvore de referência por diferentes locais.

Faixa de altura da árvore# de árvores de referência# de árvores de referência detectadas% de árvores de referência detectadas
0 - 0,5 m4100
0,5 - 1 m401845
1 - 1,5 m4949100
1,5 - 2 m4242100
> 2 m5252100

Tabela 2: Taxas de detecção de árvores de referência por diferentes faixas de altura de árvores.

Arquivo Suplementar 1: Fluxo de trabalho de coleta de dados de RPAS - tarefas pré-campo. Clique aqui para baixar este arquivo.

Arquivo Suplementar 2: Fluxo de trabalho de coleta de dados de RPAS - no campo. Clique aqui para baixar este arquivo.

Arquivo Suplementar 3: Usando unidades GNSS para rastreamento de localização preciso. Clique aqui para baixar este arquivo.

Arquivo Suplementar 4: Procedimento de processamento de dados MS usando software de fotogrametria. Clique aqui para baixar este arquivo.

Arquivo Suplementar 5: Uma reconstrução de nuvem de pontos a partir de dados LiDAR brutos. Clique aqui para baixar este arquivo.

Arquivo Suplementar 6: Uma nuvem de pontos LiDAR e alinhamento de ortomosaico MS usando ferramentas geoespaciais. Clique aqui para baixar este arquivo.

Arquivo Suplementar 7: Um script Python para mesclar uma nuvem de pontos LiDAR e uma imagem MS para gerar uma nuvem de pontos MS. Clique aqui para baixar este arquivo.

Arquivo Suplementar 8: Um fluxo de trabalho geral de uma nuvem de pontos LiDAR e mesclagem de imagens MS. Clique aqui para baixar este arquivo.

Discussion

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

Um dos principais desafios na aplicação de DL a dados de RS, particularmente nuvens de pontos 3D, está no desenvolvimento de conjuntos de dados de treinamento e validação equilibrados e representativos. A eficácia de qualquer modelo de DL depende em grande parte da diversidade e qualidade dos dados anotados usados durante o treinamento 9,10,11,16. O novo modelo 3D DL empregado neste estudo foi treinado e validado usando conjuntos de dados coletados de vários locais de poços recuperados dentro da zona de floresta boreal, caracterizada por vegetação jovem, plantada e em regeneração natural. Esses locais foram cuidadosamente selecionados para abranger uma ampla gama de condições florestais, incluindo variação na altura das árvores, densidade do caule e composição de espécies, para garantir ampla generalização do modelo. Além disso, o conjunto de dados de treinamento era temporalmente diverso, incorporando dados de RS coletados em três temporadas consecutivas. Essa variação sazonal foi crítica para treinar o modelo para funcionar de forma confiável sob diferentes condições de visibilidade do dossel, levando em conta as mudanças na cobertura foliar e na complexidade estrutural. A integração de dados multi-sazonais e multi-estruturais contribuiu para a robustez do modelo, particularmente em sua capacidade de detectar árvores individuais sob condições de luz e estágios fenológicos variáveis.

Uma descoberta notável deste estudo foi que a incorporação de dados MS ou RGB junto com LiDAR não aumentou significativamente a precisão da detecção de árvores ou segmentação de copas no fluxo de trabalho do TreeAIBox. Isso sugere que as propriedades geométricas das nuvens de pontos LiDAR, como formato da copa e arranjo espacial, são os principais impulsionadores da detecção e segmentação eficazes de árvores, particularmente em ambientes com vegetação jovem ou esparsa. No entanto, os dados espectrais demonstraram valor em aplicações complementares, como classificação de espécies, onde as imagens de MS melhoraram a diferenciação de árvores coníferas e decíduas.

Um fator crítico que influencia o sucesso da detecção e segmentação de árvores individuais no fluxo de trabalho do TreeAIBox é a qualidade da nuvem de pontos de entrada. O desempenho ideal requer dados LiDAR de densidade muito alta, normalmente superiores a 1.000 pontos por metro quadrado. Os sistemas LiDAR modernos baseados em RPAS podem atingir essa densidade usando parâmetros de voo otimizados, como baixas altitudes e altas sobreposições de voo. Embora o TreeAIBox seja capaz de processar nuvens de pontos de baixa densidade, a densidade de pontos reduzida pode limitar a captura de detalhes estruturais. Isso geralmente leva à diminuição da precisão de detecção e segmentação, principalmente para árvores menores, onde as características da copa e do caule podem estar sub-representadas.

O fluxo de trabalho do TreeAIBox aumenta a eficiência e a automação em comparação com os métodos de segmentação tradicionais ou manuais, com indicadores mensuráveis de nossa validação em poços recuperados. Os tempos de processamento para detecção de copas de árvores e segmentação de copas são em média de 5 a 10 minutos por local em uma GPU padrão (por exemplo, NVIDIA RTX 3060), em comparação com horas de delineamento manual em softwares como o CloudCompare. A automação é obtida por meio da GUI do plug-in, que elimina scripts e dependências de linha de comando, permitindo que não especialistas executem análises de ponta a ponta com o mínimo de entrada. Em termos práticos, isso reduziu uma análise de poço de 1 hectare de 5-8 h (métodos manuais) para menos de 30 min. O fallback para o modo CPU garante acessibilidade sem hardware de ponta, embora a aceleração da GPU reduza os tempos em 3-5x. Essas eficiências permitem monitoramento frequente, suportando aplicações escaláveis no manejo florestal, mantendo alta precisão.

Uma limitação específica observada neste estudo foi a capacidade reduzida do modelo de detectar árvores < 1,0 m. Embora as taxas de detecção de árvores > 1,0 m tenham sido altas, com 100% de árvores de referência corretamente identificadas nessa faixa de altura, o desempenho diminuiu significativamente para árvores menores (Tabela 2). Essa limitação provavelmente se deve a vários fatores. Primeiro, a menor densidade de pontos LiDAR perto do solo, especialmente sob copas fechadas, combinada com uma densa cobertura herbácea, impede a detecção de detalhes estruturais em escala fina associados a pequenas árvores. Além disso, a oclusão causada por vegetação mais alta muitas vezes impede que retornos pontuais suficientes atinjam as árvores do sub-bosque, o que é uma fonte conhecida de erro em tais aplicações10,16. O algoritmo também pode falhar em capturar características morfológicas sutis, como líderes de árvore finas, ou classificar erroneamente árvores agrupadas como um único objeto. Enfrentar esses desafios pode envolver a otimização dos parâmetros de aquisição do LiDAR, como ajustar a altitude de voo ou o ângulo de varredura para melhorar a visibilidade no nível do solo, bem como refinar os métodos de segmentação para lidar melhor com dados ocluídos e esparsos.

Apesar dessas limitações, o método proposto demonstra uma promessa substancial para aplicação no monitoramento pós-recuperação e reflorestamento. O RS baseado em RPAS, quando combinado com algoritmos 3D DL, oferece uma solução escalável, econômica e de alta resolução para rastrear a recuperação da vegetação ao longo do tempo, particularmente em áreas perturbadas pela atividade industrial, como extração de petróleo e gás. A capacidade de detectar árvores individuais, estimar sua altura e avaliar a distribuição espacial fornece informações significativas sobre a regeneração do local e a conformidade com os padrões de recuperação. Além disso, esse método pode apoiar estratégias de manejo adaptativo, permitindo o monitoramento frequente e não invasivo que captura a dinâmica sazonal e estrutural dos ecossistemas em recuperação. Como os projetos de restauração exigem cada vez mais dados de longo prazo e em escala fina para avaliar a recuperação ecológica, essa abordagem oferece uma ferramenta poderosa e prática para gestores florestais e pesquisadores que buscam avaliar o desempenho da vegetação em paisagens complexas e heterogêneas.

Disclosures

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

Os autores não têm conflitos de interesse a divulgar.

Acknowledgements

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

O financiamento para esta pesquisa foi fornecido pelo Escritório de Pesquisa e Desenvolvimento de Energia CFS-23-101. Os autores gostariam de agradecer a Philip Hoffman, Daniels Kononovs e Elizabeth Friel pela assistência no campo.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Aplicativo Avenza MapsAvenzaNAPara navegação offline em campos usando PDFs georreferenciados criados no QGIS
Alvos quadriculadosQualquer FornecedorNAPontos de Controle em Solo
CloudCompare CloudCompare NASoftware de processamento e edição de nuvem de pontos 3D
Estação de Bateria DJI BS60 (com as baterias M300 (x8), baterias D-RTK2 (x4), cabo de energia e cabo USB-C para conectar ao controle remoto)DJINA
Aeronave DJI M300 RTK com DLS (com controle e hélices de reposição)DJINADLS (Sensor de Luz de Emergência)
DJI Terra ProDJINAReconstrução de dados brutos de LiDAR em nuvem de pontos 3D. 
Sensor LiDAR DJI Zenmuse L1 (com cartão microSD)DJINA
Estação Móvel D-RTK2 (com tripé e vara de extensão)DJINA
Estação Base Emlid Reach RS2+ (com tripé)EmlidNA
Rover Emlid Reach RS2+ (com mastro de topografia GNSS)EmlidNA
Discos rígidos externosQualquer FornecedorNA  Para fazer backup dos dados
Diário de vooQualquer FornecedorNA
Google Earth Pro GoogleNACriação de arquivos de voo KML  
Plataforma de pousoQualquer FornecedorNAPara lançar/pousar uma aeronave
Computador portátilQualquer FornecedorNAPara serem usados no campo para baixar dados, formatar cartões, etc.
Sensor MicaSense RedEdge-P (com cartão SD MicaSense, cabo USB-C, painel calibrado de refletância MicaSense (CRP))MicaSenseNA
PIX4DmapperPix4D S.A.NACorreção geométrica e radiométrica de imagens multiespectrais e geração de ortomosaicos.
PneumômetroQualquer FornecedorNA
PyCharmJetBrains s.r.o.NAAmbiente integrado de desenvolvimento (IDE) em Python
QGIS QGIS NAProcessamento, edição e visualização de dados geoespaciais
Leitor de cartão SD e microSDQualquer FornecedorNA
SmartphoneQualquer FornecedorNAPara conectar com o sensor MicaSense RedEdge-P e as unidades RS2+ Emlid Reach
Estacas/pregos, martelo e fita adesiva de sinalizaçãoQualquer FornecedorNAPara marcar a localização da estação base D-RTK2
TabuletaQualquer FornecedorNAPara navegação em campo
TreeAIBox (CloudCompare  plugin)NA
Rádio bidirecionalQualquer FornecedorNA
Estação de trabalho (CPU i5 ou posterior, GPU NVIDIA habilitada para CUDA com VRAM ≥ 4GB, RAM ≥ 32GB, SSD ≥ 512GB Qualquer FornecedorNA

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