Método Semi-Automatizado para Mapear e Classificar Comunidades Vegetais de Áreas Úmidas Costeiras Boreais Usando Dados de Drone e Terreno

Resumo

O protocolo compreende quatro fases integradas: levantamento com Veículo Aéreo Não Tripulado (UAV), coleta de dados de precisão do solo, cálculo de índice de vegetação e classificação e mapeamento assistidos por IA das comunidades vegetais de áreas úmidas costeiras. O resultado é um conjunto de dados geoespacial multilayer que apoia aplicações em ecologia, monitoramento ambiental e tomada de decisão para a conservação e manejo de habitats úmidos costeiros.

Resumo

O mapeamento semi-automatizado de comunidades vegetais faz a ponte entre levantamentos ecológicos tradicionais e o monitoramento moderno de ecossistemas assistidos por IA, permitindo levantamentos e monitoramentos de locais em escalas e velocidades antes inalcançáveis. Áreas úmidas costeiras, dominadas por plantas herbáceas de crescimento baixo, exigem um levantamento fotogramétrico baseado em drone (Veículo Aéreo Não Tripulado, UAV) para alcançar maior resolução espacial e maior flexibilidade de tempo. Esse protocolo consiste em quatro fases: levantamento aéreo baseado em UAV, coleta e georreferenciamento de dados de precisão do solo, cálculo do índice de vegetação e classificação supervisionada usando o algoritmo de floresta aleatória (RF) em R (ou seja, mapeamento semi-automatizado e assistido por IA das distribuições das comunidades vegetais usando classificação por aprendizado de máquina). Pacotes chave R usados incluem terra, sp, sf, rgdal, raster, rsample, MLmetrics, randomForest. A ênfase da segunda fase está em um método tradicional de levantamento ecológico — amostragem estratificada de solo quadrado. A amostragem do solo serve como verificação do terreno, fornecendo evidências empíricas para garantir a precisão e confiabilidade do produto final do mapa. Dois tipos de sensores montados em VANTs amplamente utilizados foram testados: um sensor multiespectral e uma câmera RGB, que resultaram em 19 índices multiespectrais e 27 baseados em RGB, além de um modelo digital de superfície (DSM) derivado do RGB. As comunidades vegetais foram mapeadas em um local de estudo de caso de áreas úmidas costeiras do Báltico, e os seguintes resultados de desempenho do algoritmo foram obtidos: usando o conjunto de dados multiespectral, o modelo alcançou uma precisão geral de 92,3% com erro out-of-bag (OOB) de 7,75%; em comparação, o conjunto de dados RGB alcançou uma precisão superior a 98% com um erro OOB de 1,14%. Esses resultados reforçam a adequação de ambos os tipos de sensores. Cada fase do protocolo produz conjuntos de dados georreferenciados. Esses projetos podem ser compilados em um projeto de sistema de informação geográfica (SIG) em camadas com observações biofísicas de campo incorporadas, servindo como base para pesquisas complexas de ecossistemas, como modelagem ecológica para prever impactos e mudanças. Na prática, este Projeto GIS pode servir como um registro histórico da cobertura do solo e da gestão de suportes, planejamento de restauração ambiental e monitoramento.

Introdução

O objetivo deste protocolo é fornecer um fluxo de trabalho prático e passo a passo que combine levantamento fotogramétrico baseado em drones (ou seja, veículo aéreo não tripulado [UAV]) com observações biofísicas no local como dados de precisão no solo para produzir um mapa de distribuição das comunidades vegetais de áreas úmidas costeiras. O resultado final, um mapa de cobertura do solo, é criado por meio de um processo semi-automatizado de aprendizado de máquina (algoritmo de floresta aleatória [RF]⁾¹.

Um mapa de comunidades vegetais é um conjunto de dados essencial na modelagem ecológica de áreas úmidas porque transforma padrões complexos de vegetação em uma representação espacialmente explícita, baseada em pixels, da estrutura do habitat. Este conjunto de dados de base permite a modelagem de processos ecológicos (por exemplo, distribuição de biomassa, interações entre espécies, respostas eco-hidrológicas, ciclos de nutrientes) em uma paisagem ^2,3,4.

Além do mapa da comunidade vegetal, seguir os passos desse protocolo produz uma coleção de dados geoespaciais. Salvo como um projeto de sistema de informação geográfica (SIG), o conjunto de dados pode ser integrado a um SIG, compartilhado e utilizado para análise e tomada de decisões adicionais dos ecossistemas para apoiar o planejamento gerencial e o monitoramento ambiental.

Nesse método, uma pesquisa de UAV gera um RGB (ou seja, vermelho, verde, azul, as três cores primárias) e/ou um mapa ortomosaico multiespectral e geometricamente preciso, junto com um modelo digital de superfície (DSM), todos servindo como dados de referência ^5,6. Esses dados são usados para calcular índices de vegetação (VIs) usando mapas ortomosaicos como entradas para a calculadora do software GIS. Para criar o mapa final de saída, os VIs servem como variáveis preditoras por pixel para RF, transformando as informações espectrais brutas do ortomosaico em entradas estruturadas para classificação ^7,8. Como os VIs são combinações matemáticas de bandas espectrais que destacam propriedades da vegetação refletidas por plantas e^{luz 7}, os VIs podem ser usados como dados independentes em ecologia para monitorar a qualidade do habitat e a biodiversidade, além de apoiar a modelagem^{ecológica 8,9}. Portanto, os VIs são salvos como mapas raster e incluídos em um projeto GIS.

Para classificar e mapear comunidades vegetais em um ambiente assistido por IA, conjuntos de dados com sensoriamento remoto (por exemplo, mapas de levantamento de UAV, DSM e VIs) devem ser combinados com observações biofísicas georreferenciadas no local para garantir confiabilidade ecológica, reprodutibilidade e interpretação significativa¹⁰. Esses dados de campo servem como base para o algoritmo RF classificar dados pixelizados de habitat-vegetação-cobertura em VIs e prever a distribuição das comunidades vegetais em um local de estudo (por exemplo, criar um mapa de comunidades vegetais⁾¹¹. Além de servirem como um conjunto de dados de verdade para aprendizado de máquina, as observações georreferenciadas fornecem um meio de ancorar observações biofísicas dentro do SIG. Dessa forma, o conjunto de dados ecológico funciona como uma tabela de atributos, que pode ser usada como variáveis ambientais para modelagem de^{ecossistemas 12,13}. Os dados no local são valiosos para evidenciar as condições ecológicas de um habitat porque são coletados diretamente dentro do ambiente real em estudo, fornecendo uma avaliação realista e imediata das condições^{específicas 14}.

Áreas úmidas costeiras são habitats de baixa energia localizados em áreas abrigadas da margem. Os ecossistemas de áreas úmidas estão distribuídos ao longo das costas de seis continentes, excluindo a Antártida, desempenhando papéis ecológicos cruciais globalmente, exceto pelas paisagens cobertas de gelo nas regiões polares^{extremas 15}. O crescimento populacional global e a industrialização, as defesas costeiras e a intensificação das práticas agrícolas impactam significativamente as áreas úmidas costeiras, causando fragmentação e^{degradação 16,17}. Essas pressões tornam os ecossistemas costeiros uma prioridade para a restauração e conservação ecológica^{em todo o mundo 18}.

O monitoramento ambiental e a modelagem dos ecossistemas de habitats costeiros facilitam a avaliação da saúde do ecossistema, a identificação de mudanças temporais e a avaliação dos resultados da^{restauração 19}. No entanto, o monitoramento eficaz pode ser dificultado pela natureza dinâmica desses ecossistemas, sua acessibilidade restrita e os custos substanciais da coleta de dados em zonas intertidais complexas e frequentemente remotas. Em habitats dinâmicos e de difícil acesso, a vegetação frequentemente fornece o sinal mais claro e estável de mudança^{ecológica 18}.

Como a vegetação é uma base fundamental para a formação de habitats, classificar comunidades vegetais e mapear suas distribuições fornece uma base crítica para avaliação ecológica e modelagem dos processos^{de habitat 20, 21, 22.} As áreas úmidas costeiras são sistemas altamente heterogêneos, apresentando variação significativa em curtas distâncias em altitude, salinidade, estrutura da vegetação, hidrologia e características sedimentares. Devido a essa complexidade, o protocolo incorpora amostragem quadrática^{estratificada 23} (mínimo dez amostras quadradas de 1 m × 1 m por comunidade vegetal), o que não é apenas benéfico, mas metodologicamente imperativo para gerar modelos representativos de ecossistemas e mapas de cobertura^{do solo 24,25}.

Para ilustrar essa metodologia, um estudo de caso foi realizado em um pântano microtidal na Ilha Hiiumaa, no arquipélago ocidental da Estônia, no Mar Báltico (Figura 1). A paisagem costeira do Mar Báltico, incluindo pântanos em zonas de acúmulo de sedimentos em mais de 100.000 ilhas dentro dos arquipélagos, é gerenciada em diferentes níveis de^{intensidade 26}. Para conservação e restauração da biodiversidade, as áreas úmidas costeiras boreais do Báltico são mantidas como pastagens^{semi-naturais 27,28}. Essas pastagens úmidas têm valor patrimonial da paisagem regional, e algumas, incluindo o local do estudo de caso, fazem parte da rede Natura 2000 de áreas protegidas. Nessas áreas, para sustentar vegetação de baixa densidade, que favorece maior biodiversidade e oferece habitats para a vida selvagem como as^{limícolas 29}, os prados costeiros são amplamente pastados e/ou cortados sazonalmente para manter pastagens abertas e evitar que sejam tomadas por espécies expansivas, como Phragmites australis³⁰. Em regiões costeiras borreais, as áreas úmidas gerenciadas sob medidas de conservação normalmente incluem quatro comunidades vegetais principais: Open Pioneer (OP), Lower Shore (LS), Upper Shore (EUA) e Tall Grass (TG)³¹. Todos os quatro ocorrem no local selecionado do estudo de caso. Espécies de plantas vasculares dominam as pastagens úmidas costeiras. As espécies indicadoras do OP são halófitas: Salicornia europaea (faixa de altura mais comum, 3–30 cm) e Suaeda maritima (10–50 cm). A LS é dominada por Glaux maritima (3–25 cm) e Juncus geradii (25–75 cm). As espécies indicadoras dos EUA são Festuca rubra (15–90 cm) e Leontodon autumnalis (10–80 cm), e gramíneas dominantes identificam TG: Deschampsia cespitosa (30–120 cm), Elytrigia repens (30–120 cm) e Molinia caerulea (50–180 cm). Além disso, plantas típicas de áreas úmidas costeiras nessa zona climática incluem: Spergularia marina (5–30 cm), Plantago maritima (10–30 cm), Triglochin maritima (15–70 cm) e Agrostis stolonifera (15–30 cm), que ocorrem em diversas comunidades.

As áreas úmidas costeiras são definidas por suas paisagens de baixo relevo com variações microtopográficas sutis, como depressões e colinas, que influenciam a distribuição das comunidades vegetais. Essas características da paisagem se formam naturalmente por meio de processos como deposição de sedimentos durante enchentes, marés de tempestade e correntes de^{maré 32}. Essas características frequentemente não possuem assinaturas distintas detectáveis por imagens aéreas grosseiras, mas a composição das espécies reflete respostas espectrais específicas que podem ser registradas e^{classificadas 33}. Comumente, o mapeamento aéreo por satélite e aeronaves fornece os dados geoespaciais necessários para grande parte do levantamento e modelagem de ecossistemas para apoiar o monitoramento e a avaliação^34,35. No entanto, o mapeamento aéreo baseado em drones em baixa altitude é essencial para o levantamento eficaz das pastagens costeiras. Essa abordagem fornece dados de alta resolução e fornece um registro fotogramétrico mais detalhado das características da paisagem, incluindo padrões de distribuição da vegetação e modelos de altura da vegetação derivados de um Modelo Digital de Superfície (DSM), melhorando assim a precisão^{da classificação 3}.

Comparados a abordagens alternativas, os fluxos de trabalho de UAV permitem um agendamento flexível para corresponder aos estágios fenológicos, minimizar interferência nas nuvens e capturar detalhes estruturais indisponíveis dos^{satélites 36,37}. Combinados com aprendizado de máquina (por exemplo, Random Forest), os dados de UAVs suportam detecção automatizada de padrões, classificação de objetos e extração de insights valiosos de conjuntos de dados complexos que seriam esmagadores para os^{humanos 38}. No entanto, a amostragem no solo no local continua sendo indispensável para o aprendizado supervisionado porque fornece rótulos verificados para treinamento e avaliação de modelos, garantindo que os modelos aprendam padrões corretos e que seu desempenho seja robusto e confiável 11,39,40.

Este protocolo foi desenvolvido para ecossistemas de baixo relevo com comunidades de plantas de crescimento baixo que são acessíveis para amostragem no local. O fluxo de trabalho é dividido em quatro fases distintas (Figura 2): (1) levantamento aéreo baseado em VANTs, (2) coleta e georreferenciamento de dados de precisão do solo, (3) cálculos de índices de vegetação e (4) classificação supervisionada usando Random Forest no ambiente de computação estatística de código aberto R. O protocolo foi implementado usando RStudio com os seguintes pacotes-chave: terra, sp, sf, rgdal, raster, rsample, MLmetrics e randomForest.

Protocolo

NOTA: Os passos a seguir descrevem um fluxo de trabalho detalhado (veja o diagrama na Figura 3) para mapeamento e classificação das comunidades vegetais de áreas úmidas costeiras. Esse protocolo pode ser replicado usando um sensor multiespectral montado em UAV ou uma câmera RGB. Completar esse protocolo levará vários dias. Portanto, a metodologia é dividida em quatro fases, com intervalos opcionais. A sequência prescrita é recomendada, pois os resultados da fase anterior apoiam a execução da próxima. As três primeiras fases geram conjuntos de dados que servem como entradas para a fase final.

1. Levantamento aéreo baseado em UAVs

1. Adquira e revise as precauções essenciais para operadores de VANTs, regulamentos locais e os manuais de hardware e software de drones.
   1. Garantir que o piloto opere de forma segura, legal e profissional; possuir todas as certificações ou licenças exigidas para a região de operação; e ser totalmente treinado no modelo específico do drone, uso de sensores/câmeras montados e fluxo de trabalho da missão. Consulte o marco regulatório estadual ou regional para adquirir seguro para VANTs.
   2. Identifique a classificação do espaço aéreo para a área da missão e obtenha as autorizações necessárias. Respeite limites de altitude, zonas de exclusão aérea e restrições de proximidade em aeroportos, infraestrutura e áreas populosas. Para considerações ambientais e de vida selvagem, siga restrições sazonais (por exemplo, períodos de nidificação) e cumpra regulamentos ambientais para paisagens protegidas, áreas úmidas, locais Natura 2000 e outras áreas protegidas.
   3. Notifique membros da comunidade local ou partes interessadas, quando necessário, para obter aprovações e evitar mal-entendidos. Esclareça as regras de proteção de dados sobre quando imagens aéreas podem capturar pessoas, propriedades privadas ou veículos, garantindo que todos entendam que o voo de drones tem como objetivo mapear comunidades de plantas para pesquisa, e que quaisquer dados adicionais sujeitos às leis de proteção de dados permanecerão confidenciais.
      NOTA: A notificação é tipicamente necessária quando regulamentos nacionais ou regionais exigem comunicação prévia para operações de drones.
   4. Seguir todas as diretrizes do fabricante para montagem, manutenção e operação do drone e dos sensores montados; Essa conformidade garante operação segura e protege a integridade dos equipamentos. Respeite os limites máximos de vento (9 m/s, incluindo rajadas), faixas de temperatura (Min. 0 °C; Max. 35 °C) e capacidades de carga útil ao selecionar sensores/câmeras. Armazene e transporte baterias de acordo com as instruções do fabricante e regulamentos de segurança na aviação.
2. Projete uma missão de voo de um UAV.
   NOTA: Para implementar este protocolo, foi utilizado o sistema de UAV de asa fixa eBee X, equipado com o sensor multiespectral e RGB e o software de gerenciamento de voo. Sempre consulte o manual do fabricante ao usar um VANT.
   1. Abra o software de gerenciamento de voo pré-instalado em um laptop. Na página de boas-vindas, na aba Nova Missão , selecione a câmera a usar (neste caso: Sequoia), insira um título descritivo da missão (por exemplo, o nome do local de estudo) e selecione Criar missão. O painel de Missão será aberto automaticamente, e o mapa de satélite aparecerá na visualização principal.
   2. No mapa de satélite, use o cursor para dar zoom, panorâmica e navegar até a localização aproximada do local do estudo. Na aba Área de Trabalho , selecione Colocar área de trabalho e posicione o cursor próximo ao centro do local de estudo, e clique. Um círculo aparecerá representando a área de trabalho; ajuste seu tamanho aumentando ou diminuindo o raio.
   3. No painel de Missão, clique na aba Decolagem e Pouso . Depois, clique em Adicionar Novo Começo, navegue pelo cursor no mapa de satélite até o local desejado para decolagem e clique para definir um novo ponto de partida. Depois disso, clique em Adicionar novo Lar, escolha Pouso Linear, navegue o cursor no mapa até o ponto de pouso/retorno desejado do UAV e clique para configurar.
      NOTA: Ao planejar missões, utilize o mapa de satélite do software e as ferramentas de medição para encontrar as áreas ideais de pouso e decolagem, pois é necessário um campo de pouso sem obstáculos. Alguns VANTs de asa fixa não possuem decolagem vertical e exigem uma subida gradual até a altitude durante a decolagem e uma descida gradual. Esses VANTs precisam de uma pista de pouso medindo entre 200 e 300 m de comprimento e 75 m de largura.
   4. No painel de Missão , selecione a aba de blocos de Missão . Clique em Adicionar bloco de missão, depois selecione Mapeamento horizontal. No menu suspenso Câmera , selecione Sequoia e, no Plano acima, selecione Dados de elevação - EAD. O menu de pré-configurações aparecerá com abas com valores ajustáveis: Resolução 10 cm/px, sobreposição lateral 75% e sobreposição longitudinal 80%, resultando em uma altitude de voo de 106,1 m/AED (esses valores automatizados foram selecionados para a pesquisa do UAV).
   5. Coloque o cursor na vista do mapa de satélite e desenhe um polígono ao redor da área de estudo clicando com o botão esquerdo para adicionar pontos de canto ajustáveis ao redor do local de levantamento. Para finalizar, clique com o botão direito para exibir a rota potencial de voo do drone no mapa.
      NOTA: Para implementar este protocolo, estimou-se que a área de levantamento cobriria 40 ha com tempo de voo de 32 min.
   6. Ainda no painel de Missão , na aba de ações de segurança , certifique-se de que as seguintes ações sejam selecionadas. Para Retorno ao Lar: se for detectado vento forte, se a câmera reportar uma falha, em pouca luz (ou tampa da lente ligada), se a autonomia for baixa, se a precisão GNSS diminuir, se o link do modem terrestre for perdido por 300 s (pode ser ajustado), e para a Escalada: se for detectada proximidade do solo, deve ser selecionado.
   7. O momento é fundamental: Agende a missão de mapeamento o mais próximo possível da verificação no terreno (data de amostragem biofísica). Isso é vital, pois garante que imagens de drones e dados de campo reflitam o ecossistema sob as mesmas condições ambientais e fenológicas, aumentando significativamente a precisão científica e a interpretabilidade dos mapas.
   8. Selecione uma janela de maré baixa (ou condições de "baixa mar" em costas não maré) para maximizar o habitat exposto e minimizar o brilho da água; Ao cronometrar levantamentos aéreos, também considere a perturbação da vida selvagem e tente evitar as temporadas de reprodução.
3. Realize as verificações pré-voo e a missão de voo.
   1. No local, avalie as condições ambientais. Verifique se os níveis atuais de água do mar estão baixos; evitar perturbar a vida selvagem; Certifique-se de que a área de decolagem e pouso esteja estável, seca e suficientemente elevada acima da água. Examine a região do espaço aéreo onde a missão de voo ocorrerá para quaisquer obstáculos aéreos, incluindo as áreas de decolagem e pouso.
   2. Monitore a previsão do tempo para as condições ideais de voo: vento (máximo 9 m/s), visibilidade (sem neblina), umidade (abaixo de 75%) e precipitação (previsão máxima de 40%).
   3. Montar o sistema de UAV: hardware de drone, sensor/câmera, antena e software de gerenciamento de voo. Conecte uma bateria de drone. Verifique o hardware do VANT, incluindo a saúde do sensor/câmera; garantir que a lente esteja limpa; e verifique se o sensor/câmera está corretamente conectado ao VANT.
   4. Ligue o computador de trabalho de campo, abra o software de gerenciamento de voo (eMotion) e clique em Carregar Missão a partir do arquivo Navegar .
      1. Conecte a antena USB ao laptop, clique em Conectar, e uma barra de controle de voo aparecerá à direita.
      2. Na aba Câmera , confirme se há memória suficiente disponível para armazenar todas as imagens da pesquisa (cartão SD vazio, mínimo 32 GB) e que a câmera correta (Sequoia) está listada. Ative o som do computador para ouvir notificações de software.
   5. Verifique se o firmware e o software foram atualizados (por meio de notificações automatizadas de software) e calibre a bússola, se necessário.
   6. Certifique-se de que a missão pré-projetada esteja corretamente carregada (ou seja, trajetórias de voo, decolagem e pouso estejam visíveis na visão principal). Garanta que as ações de segurança sejam corretamente selecionadas (conforme listado no passo 1.2.6).
   7. Calibre o sensor multiespectral. Coloque o painel no chão e segure o drone sobre ele com o sensor/lente da câmera voltado para o painel.
      1. No software, acesse a barra de controle de voo, abra a aba Câmera e pressione Calibrar.
      2. Aguarde sinais sonoros indicando a tiragem de fotos até que o texto Calibração radiométrica completa apareça. Isso não é necessário se estiver usando apenas o sensor RGB.
   8. Antes de iniciar a missão, verifique a direção do vento. Pegue um punhado de grama leve e seca, areia ou folhas secas. Libere o material da altura dos olhos; a direção para onde a grama deriva indica o caminho do vento.
   9. Depois, na visão principal do software (mapa de satélite), ajuste a orientação da trajetória de voo do UAV arrastando a alavanca de orientação para que as linhas de voo corram perpendiculares à direção do vento. Garanta que a trajetória do voo cubra todo o local de levantamento: ajuste os cantos dos polígonos arrastando os pontos dos cantos.
   10. Ajuste a orientação da trajetória de pouso para garantir que a orientação do caminho de pouso seja contra o vento.
   11. Certifique-se de que a trajetória de voo, as áreas de decolagem e pouso estejam dentro da área de trabalho após todos os ajustes. Expanda o círculo da área de trabalho, se necessário, aumentando os valores numéricos do raio na aba da área de trabalho .
   12. Comece o voo do UAV como uma missão automatizada seguindo a trajetória pré-planejada (área de levantamento para o estudo de caso: 40,5 ha). Registro do horário de início do voo.
       1. Durante o voo, mantenha o software de gerenciamento de voo ligado e a antena do drone sempre conectada.
       2. Ouça e observe o software para atualizações de duração da bateria, desempenho dos sensores e os sinais de alarme do drone durante a missão (por exemplo, aumento da velocidade do vento, detecção de obstáculos).
       3. Mantenha uma linha de visão visual (VLOS) com o drone em missão o tempo todo, salvo aprovação em contrário. Evite todas as distrações e mantenha-se pronto para responder a notificações ou realizar um pouso de emergência. Horário de encerramento do voo do registro.
          NOTA: A melhor prática (dependendo da região, pode ser um requisito legal) é realizar inspeções com dois operadores: um mantendo o VLOS e o outro monitorando o software de gerenciamento de voo. Em caso de acidente com um VANT, suspenda as operações de voo, proteja a área, documente o incidente, notifique as autoridades competentes e inicie os procedimentos de seguro.
4. Realize procedimentos pós-voo.
   1. Extraia todas as imagens aéreas do sensor ou câmera montada no UAV e faça backup de todos os dados da pesquisa, incluindo o(s) registro(s) de voo, em um computador e/ou nuvem.
      NOTA: O risco de perda de dados aumenta com o tempo, pois equipamentos podem ser danificados e cartões SD podem ser corrompidos.
   2. Verifique a nitidez, exposição e cobertura da imagem, verificando lacunas na sequência de imagens que possam ter ocorrido devido a erro do sensor ou causadas por reflexo, sombras ou inundação de maré. Reagende e refaça a avaliação conforme necessário, garantindo que o voo do drone ocorra em proximidade temporal próxima à verificação em terra.
   3. Baixe e salve o arquivo do formato de troca independente do receptor (RINEX) de arquivos públicos como os serviços nacionais de levantamento de terras, correspondente à data e hora do voo.
   4. Em um disco rígido externo (250 GB-1 TB), crie uma pasta para o caso de estudo (título sugerido: date_ localização [Evite usar espaços e caracteres especiais]). Essa será a pasta mestra para armazenamento e acesso de dados para etapas subsequentes, e o local onde as camadas do geo-pacote serão criadas/salvas.
   5. Para realizar georreferenciação de imagens de levantamento aéreo, no software de gerenciamento de voo, abra a aba Pós-voo . Se o mesmo computador foi usado para voar no Calendário, selecione a data do voo. Se não, selecione Não.
   6. Navegue e envie o registro de voo a partir do arquivo de backup. Crie uma pasta de projeto no drive de memória externa para o caso de estudo (título projeto conforme sugerido na tela). Clique em Próximo.
   7. Navegue e envie os registros de voo do cartão SD usado durante o voo, que podem ser identificados pelo número do voo, ou faça upload a partir de um arquivo de backup. Espere até que a rota de voo apareça na visão principal do software. Verifique se é a área/registro de voo correto. Clique em Próximo.
   8. No menu suspenso em Opções de pós-processamento , selecione PPK: Processar dados GNSS brutos do drone. No registro da estação base , selecione Rinex, procure e encontre o arquivo RINEX salvo. Clique em Próximo, depois espere os cálculos terminarem. Garanta que o PPK fixo > as Geotags pós-processadas apareçam 100%, então clique em Próximo.
   9. No menu suspenso Carregar imagens , escolha uma das seguintes opções: do cartão SD ou Navegar para encontrar a pasta com as imagens de levantamento aéreo correspondentes ao registro de voo. Clique em Próximo. Espere até que o Correspondência de Imagem seja bem-sucedido apareça e clique em Próximo para iniciar a importação da imagem georreferenciada na pasta do projeto. Essas imagens servirão como entradas em um processo fotogrametrico.
      NOTA: Para cada registro de voo, a georreferenciação da imagem deve ser realizada separadamente (repetir os passos 1.4.4 –1.4.8). Por exemplo, após a troca da bateria do UAV, a subsequente pesquisa aérea terá um novo registro de voo.
5. Processar dados fotogramétricos (ou seja, criar produtos cartográficos usando imagens de levantamento aéreo).
   1. Na estação de trabalho, conecte o HD externo contendo as imagens georreferenciadas do levantamento do UAV e abra o software de fotogrametria pré-instalado.
      1. Crie um novo projeto e salve no drive externo (formato recomendado: prefixo MS ou RGB + localização + data).
      2. Adicionar as imagens, observando que os conjuntos de dados multiespectral e RGB devem ser processados em projetos separados; portanto, use o prefixo MS para imagens multiespectrais e RGB para este último.
         NOTA: O PIX4Dmapper foi usado; no entanto, softwares alternativos de fotogrametria podem ser usados para reproduzir esse protocolo.
   2. Certifique-se de que, na tela pop-up de Propriedades da Imagem , os seguintes estejam listados/selecionados: WGS 84 como sistema de coordenadas, o número correto de imagens Geolocalizadas e o modelo da Câmera Selecionada listando as faixas (Sequoia e Verde, Vermelho, borda vermelha, bandas NIR ou RGB).
      1. Pressione Next, depois escolha o modelo de processamento: Ag multispectral para multispectral, mas RGB Ag para imagens RGB. Finalizar, um mapa de satélite com localizações das imagens aparecerá na vista principal.
         NOTA: Para o projeto multiespectral, certifique-se de adicionar imagens de calibração com um painel de calibração visível (criado na etapa 1.3.7 e salvo automaticamente com todos os dados da pesquisa). Neste estudo de caso, um total de 2.320 imagens multiespectrais e 577 imagens RGB foram geolocalizadas.
   3. Abra a janela de Opções de Processamento , clique em 1. Processamento inicial aqui em Key Points Image Scale, selecione Full e Generate Orthomosaic Preview no Quality Report, depois clique em 2. Nuvem de Pontos e Malha > Nuvem de Pontos nesta aba, selecione 1/2 (Metade do tamanho da imagem, Padrão) e selecione Classificar nuvem de pontos.
   4. Clique 3. A aba DSM, Orthomosaic e Calculadora de Índice > Índice selecione GeoTIFF e Blocos de Merge e todos os índices disponíveis a serem gerados (Figura 4).
      1. Para o projeto multiespectral, certifique-se, em Processamento e Calibração Radiométrica, que o tipo de calibração de cada faixa esteja definido como Câmera, Irradiância do Sol e Ângulo do Sol.
      2. Clique em DSM e Orthomosaic em Raster DSM , selecione GeoTIFF e Merge tiles, além de em Orthomosaic selecione GeoTIFF e Merge tiles. Clique em OK e comece a processar.
         NOTA: Ao processar imagens multiespectrais, o tipo de calibração é automaticamente definido usando imagens de calibração tiradas no local antes do voo (passo 1.3.7), mas pode ser recalibrado manualmente clicando em Calibrar. Depois, procure uma imagem do painel de calibração (com o título correspondente da banda) e insira o valor do fator de reflectância lido do painel de calibração.
   5. O processamento fotogramétrico conclui com mapas de reflectância gerados/salvos (mapas de levantamento de UAV) na pasta multiespectral do projeto: verde, vermelho, borda vermelha, NIR, e no RGB: vermelho, verde, azul, escala de cinza, ortomosaico e DSM (modelo digital de superfície). Garantir que todos os índices, ortomosaicos e GeoTIFFs do DSM estejam integrados e verificar os relatórios do projeto para erros; Se forem detectados problemas, repita o processamento.

2. Coleta de dados de verdade e realização de georreferenciamento

1. Prepare-se para o trabalho de campo.
   1. Visite o local do estudo com antecedência e explore a área para identificar potenciais comunidades vegetais de interesse, adquirindo assim conhecimento experiencial do local. Decida quais observações biofísicas são viáveis de coletar no local e são necessárias para descrever a composição da comunidade vegetal do local de estudo selecionado.
      NOTA: Para ilustrar este protocolo, o foco foi nas espécies, estrutura e composição da vegetação para classificar 4 comunidades vegetais indicativas de um habitat de prado costeiro do Báltico: Open Pioneer (OP), Lower Shore (LS), Upper Shore (EUA) e Tall Grass (TG).
   2. Prepare e imprima um guia visual de identificação de espécies de plantas listando as espécies indicativas das comunidades vegetais no(s) habitat(ões) específico(s) a ser mapeado. O guia pode acelerar e auxiliar na identificação de espécies no local caso dispositivos eletrônicos falhem.
   3. Prepare uma folha de exercícios para registrar observações de campo, incluindo uma lista de espécies indicadoras juntamente com outras espécies comumente encontradas no(s) habitat(is) em estudo e na área ao redor, bem como observações biofísicas adicionais de campo que precisam ser registradas (por exemplo, data do levantamento, altura da vegetação, pesos de biomassa).
2. Use um procedimento de amostragem estratificada para coletar dados de verdade do terreno usando quadrados.
   1. Identifique uma comunidade vegetal visualmente com base no conhecimento prático de campo.
   2. Coloque uma estrutura quadrada no chão em um local representativo da comunidade vegetal que está sendo amostrada, evitando áreas com distúrbios significativos. Para áreas úmidas costeiras borreais, um quadrado de 1 m x 1 m é suficiente. Este quadrado servirá como parcela amostral para observações biofísicas e amostragem de biomassa.
   3. Registre a data do levantamento, nomes dos topógrafos, tipo/classe da comunidade vegetal e o código numérico de cada quadrado amostral.
      NOTA: Recomenda-se estabelecer códigos numéricos na seguinte ordem: código de campo de estudo + código da comunidade vegetal + número de sequência quadrática amostra do quadrado a ser registrado. Esses códigos numéricos vão vincular as observações de campo biofísico ao conjunto de dados geoespaciais e às coordenadas.
   4. Registre coordenadas em cada canto do quadrado de amostra usando sistemas GNSS/RTK e softwares de topografia, inserindo um código numérico correspondente ao código do quadrado e salvando as coordenadas.
      NOTA: Use um receptor GNSS que forneça dados de localização de alta precisão (nível de centímetro); consulte o manual do usuário para instruções sobre como operar o dispositivo e seu software complementar.
   5. Quanto às observações biofísicas, dentro do quadrado amostral, registre as porcentagens estimadas de cobertura para cada espécie de planta observada, bem como a cobertura de outras variáveis potencialmente indicativas, incluindo solo nu, serapilheira, musgo e algas (garantindo que o total esteja entre 95% e 105%, uma faixa aceita para levantamentos fitossociológicos). Faça cinco medições aleatórias da altura da vegetação usando uma fita métrica para determinar a altura média da amostra.
   6. Com o mesmo quadrado amostral, colete observações biofísicas opcionais: por exemplo, percentual de umidade do solo, amostre biomassa vegetal cortando a vegetação no nível do solo, colete biomassa em um saco de papel e pese usando uma balança nivelada movida a bateria (precisão ± 1 g). Para encontrar o peso real da biomassa, subtraia o peso do saco de papel do peso total. Registre todos os pesos para referência futura.
3. Replicar os procedimentos de amostragem quadrática estratificada descritos em etapas anteriores (2.2.1–2.2.6) no mínimo 10 vezes dentro de cada uma das classes de comunidades vegetais (ou seja, OP, US, LS, TG).
   NOTA: Evite colocar quadrados de amostra muito próximos uns dos outros. É essencial fornecer amostragem consistente e abrangente em todos os locais do estudo para garantir que as amostras quadradas registradas reflitam com precisão os habitats. Como as comunidades vegetais frequentemente ocorrem em padrões de mosaico em áreas úmidas costeiras, amostre a mesma comunidade vegetal em diferentes locais dentro do local do estudo.
4. Digitalize registros de amostragem em quadratura após concluir todas as observações de campo.
   1. Transcrever todas as anotações de trabalho de campo em um software de planilha, criando um conjunto de dados para análise ao organizar os dados em formato de tabela com uma linha de cabeçalho rotulando cada variável; então insira todos os valores de acordo.
   2. Salve o arquivo e exporte como um arquivo de valores separados por vírgulas (CSV).
5. Crie um conjunto de dados de verdade no terreno georreferenciando observações biofísicas.
   1. Baixe todas as coordenadas registradas das localizações amostrais dos cantos quadrados como um arquivo CSV do sistema GNSS/RTK usado no campo.
   2. Crie um novo projeto no software de Sistema de Informação Geográfica (GIS) (o QGIS foi usado para implementar esse protocolo) e salve-o como um arquivo .qgz no projeto criado na etapa 1.4.3. Esta pasta e o arquivo .qgz incluirão todos os conjuntos de dados geoespaciais das próximas etapas.
   3. No espaço de trabalho GIS, importe um arquivo CSV contendo as coordenadas dos cantos quadrados como uma Camada de Texto Delimitada. Após importar essas coordenadas, elas aparecerão como forma: pontos.
   4. Junte as coordenadas de cada ponto de canto do quadrado como um shapefile: polygon, e salve o shapefile.
   5. Junte o arquivo shapefile de polígonos ao arquivo CSV do conjunto de dados de campo digitalizado (criado na etapa 2.4) vinculando os códigos numéricos de ambos os arquivos.
   6. Salve o conjunto de dados de verdade recém-criado como um arquivo GeoPackage (.gpkg) na pasta criada no disco rígido externo (passo 1.4.4). Salvar para atualizar o Projeto GIS.

3. Cálculo do índice de vegetação (VIs)

1. Prepare mapas de levantamento baseados em VANTs para o Vis.
   1. No espaço de trabalho do software GIS (use o mesmo arquivo .qgz criado no passo 2.5.2 e atualizado no 2.5.6), importe todos os mosaicos de reflectância (produtos de mapas) criados usando o levantamento de UAV na primeira fase do protocolo, no passo 1.5.
   2. Reduza o tamanho dos mapas 'recortando' dados desnecessários. Observando a distribuição amostral de quadrados e com base no conhecimento experiencial da extensão do local do estudo, crie um limite polígono ao redor do local do estudo e recorte mapas para a extensão do polígono (Figura 5). Isso reduzirá o tamanho do arquivo e aumentará a velocidade de processamento.
      NOTA: Mapas de levantamento recortados (multiespectrais GREEN, RED, Red edge, NIR, e GeoTIFFs e ground_truth.gpkg RGB na faixa vermelho, verde, azul, e .gpkg (criados no passo 2.5.6)) estão disponíveis para download do repositório Zenodo via link: https://doi.org/10.5281/zenodo.20075625 apenas para fins educacionais, para praticar a reprodução dos passos a seguir.
2. Use a ferramenta Calculadora Raster para calcular; as fórmulas VI estão listadas no Arquivo Suplementar 1 34.41.42.43.44.45.46.47.48.49.50.51.52.53.54.55.56 ^,57.58.59.60.61,62,63,64,65,66,67,68,69,70,71.
   1. Ao calcular VIs multiespectrais, use GeoTIFFs RED, GREEN, NIR e Red-edge como valores de entrada. (veja a Figura 6, Calculadora Raster GIS, uma fórmula VI entrada como exemplo).
   2. Para cálculos VI baseados em RGB, primeiro normalize os índices vermelho, verde e azul (produtos de mapeamento a partir da etapa 1.5). Calcule novos RGB VIs somente após concluir o processo de normalização (fórmulas para normalizar índices RGB estão disponíveis no Arquivo Suplementar 1 como parte da lista RGB VI).
   3. Salve novos VIs como GeoTIFFs (por exemplo, arquivos raster) em pastas separadas, nomeando-os de acordo (por exemplo, prefixo (MS ou RGB) + nome do índice) na pasta GIS Project criada no disco rígido externo (passo 1.4.4).
   4. Adicione o DSM e outros VIs automatizados (por exemplo, escala de cinza) criados/recortados no passo 3.1.2 na pasta dos VIs RGB. Essas pastas contendo VIs, juntamente com um arquivo de verdade terrestre (criado no passo 2.5.6), servem como conjuntos de dados de referência para um algoritmo de Floresta Aleatória para classificar comunidades vegetais. Salve para atualizar o Projeto GIS com links para arquivos raster VI.

4. Classificação supervisionada em R usando Floresta Aleatória

NOTA: Para executar esta fase, abra um ambiente de computação estatística para R no RStudio, depois vá para Arquivo > Abrir Arquivo e selecione o script fornecido no Arquivo Suplementar 2. Este script está pronto para uso e organizado para garantir reprodutibilidade e facilitar a adaptação a outros locais de estudo. Pode ser executado de duas maneiras: (1) Executar todo o script de uma vez: Clique em Fonte ou pressione Ctrl + Shift + Enter, garantindo que os caminhos da pasta e do arquivo GeoPackage estejam atualizados; ou (2) Execute linha por linha ou bloco por bloco: coloque o cursor em uma linha ou selecione um bloco e pressione Ctrl + Enter. Essa opção é recomendada porque oferece melhores alternativas de solução de problemas.

1. Prepare o ambiente.
   1. Instalar e carregar os pacotes necessários (ou seja, terra, sp, sf, raster, rsample, MLmetrics, randomForest, rgdal⁾⁷².
      NOTA: Se rgdal for incompatível com as versões mais recentes de R, as funções stack() e readOGR() podem ser substituídas por rast() e st_read(), respectivamente.
   2. Defina o diretório de trabalho.
2. Realize o pré-processamento raster.
   1. Carregue todos os arquivos raster da área levantada localizada em um diretório de trabalho específico.
   2. Garanta projeção, resolução e extensão consistentes entre os rasters de entrada. Se forem detectadas inconsistências, use a função resample() em R (por exemplo, terra::resample() ou raster::resample()) para alinhar os rasters a um arquivo de referência comum (tipicamente aquele com a resolução espacial mais grosseira para evitar upscaling artificial) (veja o artigo de Hijmans et ^al.73).
3. Realize extração de dados:
   1. Importar dados de verdade no terreno de um GeoPackage (criado na etapa 2.5.6).
   2. Use a função terra:: extract() para vincular valores raster a polígonos de amostragem.
   3. Junte o data frame contendo os valores extraídos aos códigos de comunidades vegetais, garantindo que sejam fatores.
4. Divida o conjunto de dados em conjuntos de treinamento e validação usando amostragem estratificada para manter o equilíbrio das classes. Modificar a proporção entre amostras de treinamento e validação conforme preferencial, ou dependendo da disponibilidade de amostras.
   NOTA: Conjuntos de dados menores normalmente exigem uma divisão 80/20 para fornecer dados de treinamento suficientes. Conjuntos de dados maiores: 70/30 é suficiente e oferece um conjunto de validação ou teste mais forte (veja a publicação de Mohammed e Alsunosi⁷⁴).
5. Realize a afinação do modelo.
   1. Defina uma grade de parâmetros para explorar diferentes combinações de mtry e ntree.
      NOTA: mtry é o número de variáveis (preditores) que são amostradas aleatoriamente como candidatas para cada divisão ao crescer uma árvore de decisão em RF. O valor padrão é tipicamente a raiz quadrada do número total de preditores para classificação e um terço para regressão. Enquanto ntree é o número total de árvores de decisão que cresceram na floresta. Um número maior de árvores geralmente melhora o desempenho, mas aumenta o tempo computacional; a taxa de erro normalmente se estabiliza após um certo número de árvores.
   2. Faça o loop pela grade (ou seja, a busca na grade, que testa sistematicamente diferentes combinações de valores de hiperparâmetros para encontrar o conjunto de melhor desempenho para o modelo) e avalie a precisão de cada combinação.
   3. Escolha a combinação com maior precisão.
      NOTA: Veja Belgiu e Drăguţ⁷⁵, também Bergstra et ^al.76, para uma melhor compreensão da relevância e das abordagens alternativas para esta etapa.
6. Ajuste o modelo RF usando a melhor combinação de parâmetros. O script registra o erro Out-of-Bag (OOB) e a importância das variáveis.
7. Realize previsões e avaliações de precisão.
   1. Prediga a classe da comunidade vegetal para todos os pixels na pilha raster e no conjunto de dados de validação. Exporte o mapa de classificação como GeoTIFFs (veja a Figura 7, que mostra uma captura de tela do console R incluindo visualizações de gráficos dos resultados finais; A Figura 7A mostra o produto do mapa da comunidade vegetal ao usar um conjunto de dados de entrada de VIs multiespectrais, e a Figura 7B mostra o produto do mapa da comunidade vegetal ao usar um conjunto de dados RGB+DSM).
   2. Calcule a matriz de confusão, precisão, pontuação F-1, precisão e recordação no conjunto de validação (veja a Figura 8, que mostra as capturas de tela do R demonstrando as classificações de desempenho VI; A Figura 8A mostra uma captura de tela do console R e grafica ao usar VIs multiespectrais como conjunto de dados de entrada, e a Figura 8B mostra uma captura de tela ao usar um conjunto de dados RGB+DSM; As vistas da Figura 8A e B incluem gráficos de importância variável chamados "final_rf"). Para mais detalhes sobre essas métricas, consulte o artigo de Naidu et ^al.77.
8. Reabrir o projeto QGIS (criado na etapa 2.5.2 e atualizado 2.5.6 e 3.2.3), adicionar mapas de classificação de comunidades vegetais (GeoTIFFs). Salve o projeto QGIS para atualizar o projeto GIS.
   1. Para compartilhar e fazer backup de todos os conjuntos de dados geoespaciais (mapas de levantamento de UAVs, verdade no terreno, VIs, mapas de classificação de comunidades vegetais como um projeto GIS), vá até a pasta do site do estudo, clique com o botão direito e selecione Enviar para > pasta Compressed (zip).
      NOTA: A pasta completa do Projeto GIS pode constituir um conjunto de dados substancial (este conjunto de dados de estudo de caso de 40 ha ultrapassou 140 GB). Se necessário, comunique apenas os resultados finais e os conjuntos de dados de verdade para reduzir o tamanho do arquivo.

Resultados

O método semi-automatizado para mapear e classificar comunidades vegetais foi projetado para gerar informações precisas sobre a cobertura do solo para áreas úmidas costeiras, que são dominadas por plantas herbáceas heterogêneas de baixo crescimento e caracterizadas por microtopografia; veja um exemplo desse tipo de habitat na fotografia da Figura 1. Foi realizado um estudo de caso da área úmida boreal costeira do Báltico na Ilha Hiiumaa, Estônia. No local, quatro comunidades vegetais foram amostradas para treinamento do modelo de classificação: Open Pioneer (OP), Lower Shore (LS), Upper Shore (EUA) e Tall Grass (TG). A Figura 2 oferece uma visão concisa da metodologia implementada em quatro fases distintas. Em contraste, a Figura 3 ilustra um guia diagramático detalhado que delimita etapas numeradas e acionáveis acopladas por setas para representar o fluxo de dados, sintetizando assim a metodologia ao longo das etapas e fases do protocolo. Os resultados finais desse método, utilizando um sensor multiespectral e um sensor RGB, são mapas de comunidades vegetais multiespectrais e baseados em RGB, que são armazenados como camadas em um projeto SIG junto com todos os conjuntos de dados intermediários. A qualidade dos conjuntos de dados geoespaciais foi avaliada ao final de cada fase do protocolo, já que a qualidade dos resultados nas fases seguintes depende da qualidade dos resultados da fase anterior, culminando na fase final, onde as entradas compõem o agregado de todas as etapas anteriores.

A seguir se resumem os resultados de cada uma das quatro fases do protocolo:

Na primeira fase, o levantamento aéreo de UAVs foi realizado a uma altitude de 120 m, resultando em uma Distância Amostra-Terrestre (GSD) de aproximadamente 10 cm/pixel. O levantamento aéreo produziu imagens multiespectrais e RGB. Após o pós-processamento cinemático (PPK), as geotags foram corrigidas para cada imagem de drone, e as imagens foram mosaicadas em softwares profissionais de fotogrametria para produzir mapas de levantamento aéreo. O processamento fotogramétrico de imagens aéreas multiespectrais gerou arquivos raster com refletância RED, GREEN, NIR e Red-edge.

Imagens aéreas multiespectrais e RGB eram processadas como projetos separados devido às resoluções inerentemente distintas das fotografias. Veja a Figura 4 das configurações de mosaico de imagens RGB. Figura 4A. Opções de processamento selecionando blocos fundidos e gerando mapas de saída unificados e sem interrupções. Figura 4B. a seleção de cálculos automatizados de índice a partir de imagens de câmeras RGB produziu quatro mapas raster: um por banda (vermelho, verde e azul) e o DSM (Modelo Digital de Superfície). Figura 4C. demonstra a geração de pontos de ligação automáticos para corresponder a pixels comuns entre imagens sobrepostas durante a etapa inicial de processamento. Junto com 3 índices RGB (vermelho, verde, azul) e DSM, o software de fotogrametria gerou um raster em tons de cinza gerado por software: uma representação monocromática, de canal único, que escala e combina as diferentes bandas (por exemplo, vermelho, verde, azul), com valores baixos de pixels aparecendo preto e valores altos aparecendo brancos. A formulação desse índice em tons de cinza é específica de software e não padronizada entre as plataformas de fotogrametria.

O software de fotogrametria gerou relatórios de qualidade descrevendo os resultados de processamento para ambos os conjuntos de projetos de mosaico de imagens aéreas: multiespectral e RGB. Esses relatórios fornecem métricas-chave para validar a precisão. Indicadores de resultados de alta qualidade são baixo erro de reprojeção: quanto mais próximo de 0, melhor (qualquer coisa abaixo de 1,0 é geralmente aceita). Por exemplo, linhas densas de "correspondência" significam correspondências fortes entre a maioria das imagens. Os mapas de saída foram avaliados visualmente e constatados livres de lacunas e outras discrepâncias visuais. Discrepâncias visuais são um sinal de possíveis erros de reflectância e mosaicagem, além de problemas subjacentes na grade de georreferenciação. O relatório de fotogrametria, junto com manuais de software específicos e recursos de treinamento, é usado para identificar o problema, encontrar uma solução e reprocessar imagens aéreas.

Os mapas de levantamento aéreo de UAVs serviram como um conjunto de dados de base para recalcular informações espectrais complexas em índices padronizados baseados em pixels (ou seja, índices de vegetação VIs gerados na terceira fase), permitindo seu uso como entradas estruturadas para classificação por aprendizado de máquina (na fase final do protocolo).

Observações biofísicas no local foram coletadas como um conjunto de dados de verificação de terreno. No local do estudo de caso (área úmida costeira do Báltico Boreal), quatro comunidades vasculares principais de plantas foram identificadas e amostradas: Open Pioneer (OP), Lower Shore (LS), Upper Shore (EUA) e Tall Grass (TG). Utilizando o método de amostragem quadrática estratificada delineado na segunda fase do protocolo, a comunidade vegetal do OP foi identificada pela presença de espécies indicadoras: Salicornia europaea e Suaeda maritima; LS por altas porcentagens de Glaux maritima e Juncus geradii; EUA por espécies indicadoras: Festuca rubra e Leontodon autumnalis; enquanto TG se distingue por uma presença significativa de gramíneas altas: Deschampsia cespitosa, Elytrigia repens e Molinia caerulea. Pelo menos 10 amostras quadradas foram coletadas para cada comunidade vegetal. Cada amostra quadrática incluiu as seguintes observações biofísicas: composição das espécies de plantas (%), umidade do solo (%), alturas da vegetação em centímetros e localizações precisas das coordenadas quadradas. Essas variáveis foram digitalizadas como um conjunto de dados tabulado, importadas para o GIS Project, adicionadas ao arquivo shapefile de dados GNSS quadrático amostral e salvas como um GeoPackage (.gpkg). Um arquivo independente de plataforma desse tipo, contendo observações biofísicas das comunidades vegetais de áreas úmidas e dados precisos de coordenadas amostrais, serve a um duplo propósito: para avaliação e modelagem adicional de ecossistemas ambientais e ecológicos. Mais importante ainda, para a execução bem-sucedida desse protocolo, este arquivo GeoPackage serve como dados de treinamento e validação do modelo no processo de aprendizado de máquina delineado na fase 4. Codificação de comunidades de plantas: OP, LS, US, TG; foram usados como etiquetas de treinamento no processo de aprendizado de máquina. Precisão (rótulos de alta fidelidade, auditoria humana, formato consistente) e estrutura (formato limpo e retangular (linhas/colunas)) são cruciais para produzir um conjunto de dados de verdade de alta qualidade. Rótulos de verdade fundamentada devem ter taxas de erro próximas de zero (por exemplo, erros de digitação) para garantir convenções de rotulagem consistentes. Por exemplo, se "OP" for a verdade fundamentada, garantir que não seja rotulado de outra forma (como "op", "O.P.") é essencial para evitar duplicação.

Para executar a terceira fase do protocolo, os conjuntos de dados do levantamento aéreo realizado na primeira fase foram usados para recalcular os dados brutos do levantamento aéreo em índices de vegetação (VIs). Primeiro, para reduzir o tamanho do conjunto de dados e agilizar o processo de computação, as saídas de fotogrametria "cortadas" para omitir dados de pixels irrelevantes ou de baixa qualidade fora dos limites do local do estudo (veja a Figura 5 como ilustração das ações realizadas em um software GIS).

Depois, 19 VIs multiespectrais foram calculados usando mapas de reflectância RED, GREEN, NIR e Red-edge. Os seguintes arquivos raster multiespectrais VI foram gerados e incluídos no Projeto GIS: índice Datt 4 (Datt4)⁴¹, Índice de Vegetação Aprimorado (EVI)⁴², Índice de Clorofila Verde (GCI⁾⁴³, Índice de Diferença de Verde (GDI)⁴⁴, Índices de Vegetação de Diferença Generalizada (GDVI⁾⁴⁵, Índice de Vegetação de Percentual de Infravermelho Verde (GIPVI⁾⁴⁶, Índice de Vegetação de Diferença Normalizada Verde (GNDVI⁾⁴⁷, Índice de Diferença Verde-Vermelho (GRDI⁾⁴⁴, Índice de Vegetação Verde-Vermelho (GRVI⁾⁴⁵, Índice de Vegetação Diferencial Normalizada Modificada (mNDVI⁾⁴⁸, Índice de Vegetação Ajustado Modificado^{pelo Solo 49} (MSAVI: veja Figura 6. uma captura de tela de uma calculadora raster em software GIS com entrada de fórmula MSAVI), Razão Simples Modificada de borda vermelha (MSRred_edge)⁵⁰, Índice de Diferença Normalizada de Água (NDWI)⁵¹, Índice de Vegetação Diferenciada Normalizada (NDVI52), NDVI de Borda Vermelha (NDVIre)⁴⁷, Índice de Vegetação Triangulada de Borda Vermelha (RTVIcore^{) 50}, Índice de Vegetação Ajustada ao Solo (SAVI^{) 53,54}, Razão Simples (SR) ⁵⁵, Razão Simples Red-Edge (SRre) ⁴⁷.

Além disso, um total de 23 VIs baseados em RGB foram calculados e salvos como arquivos raster no projeto GIS para análise espacial adicional: Índice de Razão Azul–Verde (BGRI⁾⁵⁷, Índice de Brilho (BI)⁵⁸, Índice de Vegetação de Faixa Dinâmica Azul (BRVI⁾⁵⁹, Índice de Cor da Vegetação (CIVE⁾⁶⁰, Índice de Vegetação Verde Aprimorado (EGVI⁾⁶¹, Índice de Vegetação Aprimorado (ERVI⁾⁶², Índices Verdes em excesso ExG e ExGI⁶³, Índice de Combinação (COM)⁶⁴, Coordenada Cromática Verde (GCC^)34,65, Índice Verde Folha (GLI⁾⁶⁶, Índice de Vegetação Verde-Vermelho (GRVI⁾⁶⁷, Índice Verde Vermelho Modificado (MGRVI⁾⁶⁸, Índice de Diferença Verde-Azul Normalizado (NGBDI⁾⁶⁹, Índice Normalizado de Diferença Verde-Vermelho (NGRDI⁾⁶⁹, Índice de Razão Vermelho–Verde–Azul e Índice de Vegetação Vermelho-Verde-Azul (RGBRI⁷⁰ e RGBVI⁶⁸), Índice de Razão Vermelho-Verde (RGRI⁾⁵⁷, Índice de Vegetação Ajustada ao Solo Visível (SAVI⁾⁵³, Índice de Verdor Triangular (TGI⁾⁶⁹, Índice Visível de Resistência Atmosférica (VARI)⁴⁷, Índice Vegetativo (VEG⁾⁷¹, Índice de Woebbecke (WI⁾⁶³.

Os resultados finais incluem dois mapas separados de classificação de comunidades vegetais multiespectrais e RGB, salvos como GeoTIFFs dentro do projeto GIS, juntamente com todos os dados geoespaciais anteriores. 19 VIs multiespectrais, juntamente com o conjunto de dados ground-truth, foram usados como preditores em nível de pixel em um fluxo de trabalho de aprendizado de máquina (por exemplo, algoritmo RF) para classificar comunidades vegetais costeiras boreais (OP, LS, US, TG) e gerar um mapa multiespectral de comunidades vegetais. E preditores baseados em RGB (25 RGB VIs, índice em tons de cinza e⁵⁶ índices normalizados vermelho, azul, verde e DSM), junto com o conjunto de dados de verdade, para classificar e gerar um mapa de comunidades vegetais baseado em RGB (veja a Figura 7. Resultados finais plotados no console R; A Figura 7A representa o multiespectro, e a Figura 7B representa mapas de comunidades vegetais baseados em RGB).

Para gerar resultados finais, o ambiente R (fase 4 do protocolo) foi usado para programar e executar o fluxo de trabalho de aprendizado de máquina (por exemplo, algoritmo RF), permitindo a visualização de saídas intermediárias, como rankings de desempenho do índice de vegetação (VI) (Figura 8). Ao mapear e classificar comunidades de plantas, o console R fornecia mensagens de erro em tempo real e explicações, facilitando a resolução de problemas e garantindo uma progressão suave em cada etapa.

Este estudo avaliou dois modelos de algoritmos RF para mapas de classificação de comunidades vegetais. O primeiro modelo RF, usando VIs multiespectrais como conjunto de dados de entrada, alcançou 92,34% de precisão com uma pontuação F1 de 0,915 no conjunto de dados de validação. Esse é um resultado válido, pois as pontuações F1 variam de 0 (pior) a 1 (perfeito), com pontuações mais altas indicando desempenho superior. A pontuação F1 em um modelo RF representa a média harmônica de precisão e recordação. Essa métrica equilibra efetivamente falsos positivos e negativos, ou seja, não permite que um tipo de erro supere o outro, o que é essencial para conjuntos de dados desequilibrados, e frequentemente é feita em média entre classes ou reportada por classe para avaliar o desempenho geral do^{modelo 78,79}. A taxa de erro OOB do modelo multiespectral foi de 7,75%, indicando um risco moderado de classificação incorreta. As pontuações F1 em nível de classe no conjunto de dados de validação variaram de 0,845 em TG a 0,984 nas comunidades de plantas OP, indicando variabilidade moderada no desempenho entre comunidades.

O segundo modelo de RF avaliado foi baseado em VIs e DSM derivados do levantamento aéreo RGB, alcançando 98,89% de precisão com uma pontuação geral F1 de 0,987. Sua taxa de erro OOB era de apenas 1,14%, refletindo uma confiabilidade muito alta. As pontuações F1 em nível de turma foram consistentemente altas (0,986–0,993), indicando uma classificação robusta para todas as comunidades.

O gráfico de importância variável em R (Figura 8A) demonstrou as capacidades preditivas de cada VI para as comunidades vegetais de áreas úmidas costeiras boreais. Os VIs multiespectrais mais influentes como preditores foram mNDVI e SR, que indicam forte sensibilidade à vegetação e biomassa do dossel. Da mesma forma, GRDI, NDVIvi, NDVIre e SRre também foram altamente classificados, refletindo o papel dos índices de diferença de borda vermelha e normalizados na distinção dos tipos de vegetação. Em contraste, o índice baseado em RGB e o gráfico de importância variável do DSM mostram que o modelo de altura estrutural derivado do DSM como preditor é um fator chave para a precisão da classificação (Figura 8B). Outros preditores importantes incluem TGI, escala de cinza e VARI, que aproveitam a variabilidade da reflectância RGB. Assim, esses resultados indicam que o DSM e os índices derivados do RGB melhoram significativamente a confiabilidade da classificação e reduzem o risco de classificação errada.

Todo o conjunto de dados geoespacial foi salvo como o Projeto GIS, uma pasta, incluindo levantamentos de UAVs e mapas raster VI, o GeoPackage de observação biofísica (verdade no terreno) e mapas das comunidades vegetais; todos vinculados como um projeto QGIS (arquivo .qgz). O projeto é adequado para uso offline e possibilita interoperabilidade entre plataformas GIS.

Figura 1: Local do estudo. Fotografia com um alfinete de localização no mapa global, apontando para a ilha de Hiiumaa, no arquipélago ocidental da Estônia. O local de estudo, Kõrgessaare rannaniit, está localizado na vila de Viscosa e é uma área de conservação natural. Tipo de habitat: prado costeiro báltico boreal (código Natura 2000 1630). Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 2: Diagrama conceitual do fluxo de trabalho. (1) levantamento aéreo baseado em UAV, (2) coleta e georreferenciamento de dados de precisão no solo, (3) cálculo de índice de vegetação e (4) classificação supervisionada usando Random Forest in R. Mapas reais da implementação do protocolo ilustram esse método em quatro fases. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 3: Diagrama detalhado do fluxo de trabalho. O diagrama lista as 4 fases (e etapas principais) do protocolo em painéis de cores diferentes, juntamente com conjuntos de dados gerados em cada fase. Arrors simbolizam o fluxo de dados. A cor azul distingue o conjunto de dados multiespectral do RGB em vermelho. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 4: Exemplo de software de fotogrametria. (A–C) Uma captura de tela de um projeto de mosaico de imagens RGB: (A) Opções de processamento para DSM e ortomosaicos. (B) Opções de processamento para índices vermelho, verde e azul. (C) Visão do progresso do processamento, incluindo imagens aéreas e ângulos de câmera. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 5. Recorte de arquivos raster de mapas em softwares GIS. Captura de tela de um espaço de trabalho QGIS com camadas visíveis e abas abertas em sequência demonstrando como recortar dados desnecessários: raster extraction-clip raster por Extent ("extent" neste caso refere-se a uma forma de polígono desenhada conforme desejado e usada para mascarar pixels que caem fora de seus limites) Por favor, clique aqui para ver uma versão maior desta figura.

Figura 6. Captura de tela da calculadora Raster do software GIS. Introdução da fórmula do Índice de Vegetação Ajustado ao Solo (MSAVI) como exemplo. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 7. Ambiente de computação estatística para capturas de tela da versão R demonstrando resultados finais plotados no console R (RStudio). (A) mapas de comunidades vegetais multiespectrais e (B) baseados em RGB. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 8. Ambiente de computação estatística para capturas de tela em R demonstrando rankings de desempenho VI. (A, B) Visualizações de um console R: (A) Captura de tela ao usar VIs multiespectrais como conjunto de dados de entrada, e (B) Captura de tela ao usar um conjunto de dados RGB+DSM. Ambas as visões (A e B) incluem gráficos de importância variável chamados "final_rf" (nome do objeto gerado por script). Por favor, clique aqui para ver uma versão ampliada desta figura.

Arquivo Suplementar 1: Equações do índice de vegetação. Lista de equações multiespectrais e de índice de vegetação (VI) baseadas em RGB usadas neste protocolo, incluindo fórmulas para normalização da banda RGB antes do cálculo do RGB VI. Por favor, clique aqui para baixar este arquivo.

Arquivo Suplementar 2: script de classificação e validação RF. Por favor, clique aqui para baixar este arquivo.

Discussão

As etapas críticas do protocolo estão na fase 1, a pesquisa de UAV, e na fase 2, o trabalho de campo, onde observações biofísicas são coletadas e o conjunto de dados de verdade é compilado. Ambos dependem do clima e devem ser realizados em proximidade. E ambos devem fornecer conjuntos de dados geoespaciais com alta precisão de coordenadas (foi alcançada uma precisão de 1 a 3 cm para o estudo de caso). O sucesso dos cálculos do índice de vegetação e do processo de aprendizado de máquina depende diretamente da qualidade dos dados do levantamento de UAV e da precisão do terreno. Passos cruciais para alcançar a precisão do mapa de levantamento de UAV são descritos no passo 1.4, Procedimento pós-voo. Se o pós-processamento/georreferenciação de imagens usar dados RINEX que não são acessíveis, uma alternativa é usar uma estação base RTK ao vivo, que fornece sinais de correção GNSS em tempo real ao drone durante o voo (veja um exemplo no artigo em vídeo Movchan et ^al.37 com um exemplo para instruções de configuração).

Antes da coleta de dados, o local do estudo deve ser visitado para adquirir conhecimento experiencial da paisagem, identificar as comunidades vegetais de interesse e determinar quais observações biofísicas podem ser coletadas de forma viável no local para descrever a composição das comunidades vegetais. Como cada local de estudo apresenta características distintas da paisagem e flora moldadas por sua zona climática, identificar espécies de plantas é essencial para um mapeamento preciso da cobertura do solo, pois características bioquímicas, estruturais e fisiológicas específicas de cada espécie produzem assinaturas únicas de refletância espectral. Para cada quadrado de amostragem, as coordenadas devem ser registradas em todos os quatro cantos usando equipamentos GNSS/RTK e software de levantamento topográfico, com o código de identificação do quadrado inserido e salvo. Todas as observações biofísicas adicionais ou amostras coletadas dentro do quadrado devem estar vinculadas a essas coordenadas para que cada medição esteja ancorada no conjunto de dados geoespacial e possa ser compilada em um formato uniforme tabulado para classificação de comunidades vegetais e subsequentes análises estatísticas ou modelagem ecológica. Os quadrados amostrados são rotulados como pontos de treinamento, com nomes/códigos de comunidade anexados (por exemplo, neste conjunto de treinamento, eles eram OP, LS, US e TG). A Random Forest (RF) então aprende os padrões de pixels associados a cada rótulo. O resultado final da classificação RF é um mapa mostrando a distribuição das etiquetas das comunidades vegetais em todo o local do estudo, baseado em amostras de treinamento em quadratura fornecidas durante o trabalho de campo.

As fases 3 (cálculos do índice de vegetação) e 4 (classificação supervisionada em R usando Floresta Aleatória) são interdependentes e altamente modificáveis. Por exemplo, o Arquivo Suplementar 1 lista 19 fórmulas matemáticas para calcular índices a partir de bandas multiespectrais e 23 fórmulas para recalcular dados de levantamento aéreo RGB. No entanto, à medida que as VIs são formuladas por pesquisadores, as equações são de código aberto e publicadas em artigos revisados por pares e bancos de dados de índices^{espectrais 80}. Um número maior (do que o fornecido) de fórmulas está disponível para testes no processo de aprendizado de máquina para classificar mapas de comunidades vegetais. Mudanças nos conjuntos de dados afetarão o desempenho do algoritmo. VIs podem ser adicionados e omitidos em modelos de teste. A disponibilidade de dois mapas finais de comunidades vegetais, derivados de conjuntos de dados multiespectrais e baseados em RGB, oferece uma oportunidade para comparar desempenhos de modelos. O modelo RGB alcançou 98,89%, mas isso não significa necessariamente que o sensor seja superior ao sensor multiespectral, que obteve uma pontuação menor. Dados baseados em RGB dependem de cor e altura, o que pode ser eficiente para classificar mapas de cobertura de habitats estruturalmente^{diversos 9,33}. Em contraste, a imagem multiespectral fornece mais informações sobre a fisiologia das plantas, não apenas sobre a aparência, e pode ser superior na distinção de tipos de vegetação com cores semelhantes e resistência à sombra (por exemplo, a luz NIR, que as plantas refletem fortemente, pode ser capturada mesmo quando estão parcialmente^{sombreadas 81}). O uso apenas de sensores RGB é limitado por seu estreito alcance espectral (vermelho, verde, azul), pois diferenças bioquímicas e fisiológicas sutis (por exemplo, teor de clorofila e estresse hídrico) podem não ser detectáveis sem bandas NIR, red-edge ou hiperespectrais.

As principais limitações do método podem incluir o custoso sistema de UAV e a fotogrametria demonstrada. No entanto, o método foi projetado para que, para replicar esse protocolo, um sensor multiespectral e uma câmera RGB possam ser usados de forma intercambiável. Para implementar esse protocolo, foi utilizado o sistema de UAV de asa fixa eBee X equipado com sensor multiespectral e RGB (Sequoia) e o software de gerenciamento de voo eMotion; no entanto, outros sistemas de UAV podem reproduzir o protocolo fornecido se incluírem um sensor multiespectral e/ou uma câmera RGB, uma função de planejamento de missão no software de gerenciamento de voo, uma orientação de câmera nadir de 90 graus e um diário de voo acessível ao usuário para georreferenciação pós-voo ou uma capacidade RTK para registrar coordenadas precisas da imagem durante o voo. Além disso, não pilotos podem subcontratar levantamentos de UAV se o piloto contratado atender a todos os requisitos legais e operacionais, uma prática comum em pesquisa, conservação e monitoramento ambiental; No entanto, a equipe de pesquisa continua responsável pelo desenho fundamental da missão, incluindo a definição do local do estudo e a determinação do momento da pesquisa. Portanto, mesmo para pilotos que não são UAV, recomenda-se familiarizá-los com a primeira fase do protocolo. Além disso, o software de fotogrametria demonstrado pode ser usado para implementar com sucesso o protocolo, ou pode ser licenciado por um curto período para reduzir custos.

Uma vantagem notável desse protocolo é sua compatibilidade tanto com câmeras UAV multiespectrais quanto com câmeras padrão RGB. Pode ser adotado por equipes de pesquisa e profissionais de conservação com orçamentos limitados e é escalável em regiões e instituições, tornando-o adequado para monitoramento de longo prazo. Essa independência do hardware garante que o fluxo de trabalho permaneça à prova de futuro e independente do hardware. Como tanto dados RGB quanto multiespectrais podem ser usados, o fluxo de trabalho suporta comparações entre múltiplos locais, séries temporais de longo prazo — mesmo quando equipamentos mudam — e a integração de conjuntos de dados RGB legados (históricos).

Melhorias futuras nesse protocolo poderão incorporar métricas de textura derivadas de imagens de alta resolução para capturar melhor diferenças estruturais na vegetação. Nesse contexto, explorar conjuntos de modelos RF que combinem imagens RGB e multiespectrais pode melhorar a precisão da classificação. Além disso, recomendações futuras para ampliar mapas de comunidades vegetais derivadas de UAVs para imagens de satélite e acoplar essa abordagem a plataformas baseadas em nuvem permitiriam modelagem em grande escala de^{ecossistemas 82}. Embora os dados de UAVs continuem sendo essenciais para capturar os detalhes estruturais e espectrais em escala de centímetro necessários para mapeamentos precisos em nível comunitário, imagens de satélite podem servir como uma camada preditora adicional ou como entrada contextual mais ampla. Incorporar variáveis derivadas de satélites no modelo RF pode aumentar sua capacidade de generalizar em extensões espaciais maiores e apoiar avaliações de habitat em múltiplas escalas. Essa abordagem híbrida permitiria que mapas comunitários baseados em VANTs fossem integrados em uma perspectiva mais ampla de paisagem, possibilitando que o método detectasse padrões regionais, priorizasse localizações de levantamentos de VANTs e fortalecesse estruturas de monitoramento de longo prazo. Explorar como os dados de satélite podem ser harmonizados com as entradas de UAVs dentro do pipeline de RF representa uma oportunidade de pesquisa para expandir a escalabilidade e a utilidade operacional do protocolo.

Integrar imagens de UAV, levantamentos de campo, índices de vegetação e classificação assistida por IA em um único fluxo de trabalho reproduzível é essencial, pois fornece os detalhes espaciais, espectrais e ecológicos necessários para o mapeamento preciso da vegetação de baixa altitude. A sensoriamento remoto baseada em VANTs ganhou cada vez mais atenção na comunidade científica e evoluiu rapidamente para uma ferramenta amplamente utilizada para diversas aplicações, especialmente no monitoramento do ambiente^{costeiro 83}. Esse método fornece um guia prático para um fluxo de trabalho baseado em VANTs e assistência por aprendizado de máquina para educação e pesquisa, destinado a apoiar a restauração ecológica e o monitoramento de pastagens naturais ou semi-naturais em ecossistemas costeiros.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
eBee X	senseFly/AgEagle	eBee X, https://www.sensefly.com/drones/ebee-x/	O sistema de UAV eBee X é um drone de mapeamento de asa fixa profissional. Um sistema de drone de mapeamento alternativo pode ser usado
eMotion	senseFly/AgEagle	https://www.sensefly.com/drone-software/emotion/	Usado para planejar missões de voo de drones e gerenciar dados aéreos. O software eMotion é uma parte complementar do sistema do drone eBeeX
Hard drive externo	Qualquer fornecedor	NA	O tamanho depende do tamanho da área de estudo e do tamanho do projeto (250 GB - 1TB)
Laptop para trabalho de campo	Qualquer fornecedor	NA	uma máquina portátil e capaz, adequada para operações de campo e execução de gerenciamento de voo de drones (com base nas especificações do eMotion:  Windows 10/11 de 64 bits; Intel Core i5/i7 (12ª geração +) ou AMD Ryzen 5/7 (>3,5 GHz) - Altas velocidades de clock são mais importantes que a contagem de núcleos; 16GB Mínimo (32GB+ Altamente Recomendado); Mid-range NVIDIA GTX/RTX (por exemplo, RTX 3060/4060); NVMe SSD (Requerido).
Sistema GNSS/RTK Trimble	Trimble Inc.	Modelo  R10	Possui um receptor com software de agrimensura e baterias sobressalentes. Sistemas GNSS/RTK alternativos também podem ser usados.
Tesouras para grama	Qualquer fornecedor	NA	amostragem de biomassa (opcional)
Pix4Dmapper	Pix4D	https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/	Software de fotogrametria: O Pix4Dmapper está disponível para licenciamento mensal ou anual. Um software de fotogrametria alternativo pode ser usado para implementar este protocolo.
Guia de identificação de plantas	Qualquer fornecedor	NA	Usado para realizar observações biofísicas (online, livro ou impressões de guias de identificação de plantas locais)
QGIS	QGIS	3.44.9 Solothurn	Um software GIS gratuito e de código aberto, disponível em https://qgis.org/, um software GIS alternativo pode ser usado para implementar este protocolo
Quadro de quadrat de 1 m x 1 m	Qualquer fornecedor	NA	Para ser usado na fase 2 para trabalho de campo/amostragem, ou seja, para realizar observações biofísicas, pode ser feito por conta própria
R	R-Software Services	versão 4.2.0, https://cran.r-project.org	Um ambiente de modelagem de download preditivo de código aberto amplamente utilizado para computação estatística e gráficos, análise de dados e modelagem preditiva.
RStudio	R-Software Services	versão 2024.4.0.735, https//posit.co/download/rstudio/
Rtools	R-Software Services	https://cran.r-project.org/bin/windows/Rtools/	Como alguns pacotes podem exigir compilação a partir do código-fonte. Principais pacotes usados: 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 e randomForest 4.7 1.1.
Balança (operada por bateria, nivelada, precisão ±1 g)	Qualquer fornecedor	NA	durável para trabalho de campo
Sequoia	Parrot SA	Parrot SEQUOIA+	É um sensor multiespectral/RGB, para ser usado na fase 1. Sensor RGB e/ou multiespectral (muitos drones profissionais incluem um ou ambos os sensores). Para implementar este protocolo, usou-se o Parrot SEQUOIA+ (empresa Parrot SA)
Leitor de umidade do solo	Qualquer fornecedor	NA
App de previsão meteorológica de UAV	Qualquer fornecedor	NA	Para planejar voos, use https://www.uavforecast.com/
Kit de sensor WET	Delta T Devices	WET-UM-1.6	Sensor de umidade do solo (opcional)
Estação de trabalho	Qualquer fornecedor	NA	Especificação ideal necessária para o processamento suave dos projetos de fotogrametria e aprendizado de máquina em R (especificações com base nos requisitos do software Pix4Dmapper: Windows 10/11, 64 bits; CPU quad-core ou hexa-core Intel i9/Threadripper/Ryzen 9/; GPU GeForce GTX compatível com OpenGL 3.2 e 2 GB de RAM; Disco rígido: SSD; Grandes projetos (mais de 500 a 1000 imagens a 14 MP): 32 GB de RAM, 60 GB de espaço livre em SSD.