Name: Coleta e processamento de dados de sensoriamento remoto baseados em drones para uso no monitoramento de recuperação florestal (Vídeo) | JoVE Journal
Uploaded: 2025-10-24T14:25:00.000+00:00
Duration: 8 min 16 s
Description: Aprenda a utilizar LiDAR de drones para avaliar a recuperação florestal com um protocolo prático e acessível. Este método integra sensores avançados e inteligência artificial para detectar e segmentar árvores individuais em ambientes complexos.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol><li>Well status. , Alberta Energy Regulator. 
 <a target="_blank" href="https://www.aer.ca/data-and-performance-reports/data-hub/well-status">https://www.aer.ca/data-and-performance-reports/data-hub/well-status</a> (2025).</li>
<li>Western boreal forest - Canada. , Ducks Unlimited. 
 <a target="_blank" href="https://www.ducks.org/conservation/where-ducks-unlimited-works/western-boreal-forest--canada">https://www.ducks.org/conservation/where-ducks-unlimited-works/western-boreal-forest--canada</a> (2023).</li>
<li>Baah-Acheamfour, M., Dewey, M., Fraser, E. C., Schreiber, S. G., Schoonmaker, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Assessing+ecological+recovery+of+reclaimed+well+sites%3A+a+case+study+from+Alberta%2C+Canada%5BTitle%5D)+AND+%22Front.+For.+Glob.+Change%22%5BJournal%5D)">Assessing ecological recovery of reclaimed well sites: a case study from Alberta, Canada.</a> Front. For. Glob. Change. 5, 849246(2022).</li>
<li>2010 reclamation criteria for wellsites and associated facilities for forested lands (Updated July 2013). , Environment and Sustainable Resource Development. 
 <a target="_blank" href="https://open.alberta.ca/publications/1657667/resource/77e66fa1-f7ee-44ad-8c68-234854d38d44">https://open.alberta.ca/publications/1657667/resource/77e66fa1-f7ee-44ad-8c68-234854d38d44</a> (2013).</li>
<li>Alvarez-Vanhard, E., Corpetti, T., Houet, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((UAV+and+satellite+synergies+for+optical+remote+sensing+applications%3A+a+literature+review%5BTitle%5D)+AND+%22Sci.+Remote+Sens%22%5BJournal%5D)">UAV and satellite synergies for optical remote sensing applications: a literature review.</a> Sci. Remote Sens. 3, 100019(2021).</li>
<li>Hird, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Use+of+unmanned+aerial+vehicles+for+monitoring+recovery+of+forest+vegetation+on+petroleum+well+sites%5BTitle%5D)+AND+%22Remote+Sens%22%5BJournal%5D)">Use of unmanned aerial vehicles for monitoring recovery of forest vegetation on petroleum well sites.</a> Remote Sens. 9 (5), 413(2017).</li>
<li>Mathews, A. J., Singh, K. K., Cummings, A. R., Rogers, S. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fundamental+practices+for+drone+remote+sensing+research+across+disciplines%5BTitle%5D)+AND+%22Drone+Syst.+Appl%22%5BJournal%5D)">Fundamental practices for drone remote sensing research across disciplines.</a> Drone Syst. Appl. 11, 1-22 (2023).</li>
<li>Zhang, Z., Zhu, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+on+unmanned+aerial+vehicle+remote+sensing%3A+platforms%2C+sensors%2C+data+processing+methods%2C+and+applications%5BTitle%5D)+AND+%22Drones%22%5BJournal%5D)">A review on unmanned aerial vehicle remote sensing: platforms, sensors, data processing methods, and applications.</a> Drones. 7 (6), 398(2023).</li>
<li>Puliti, S., McLean, J. P., Cattaneo, N., Fischer, C., Astrup, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tree+height-growth+trajectory+estimation+using+uni-temporal+UAV+laser+scanning+data+and+deep+learning%5BTitle%5D)+AND+%22Forestry%22%5BJournal%5D)">Tree height-growth trajectory estimation using uni-temporal UAV laser scanning data and deep learning.</a> Forestry. 96 (1), 37-48 (2023).</li>
<li>Straker, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Instance+segmentation+of+individual+tree+crowns+with+YOLOv5%3A+a+comparison+of+approaches+using+the+ForInstance+benchmark+LiDAR+dataset%5BTitle%5D)+AND+%22ISPRS+Open+J.+Photogr.+Remote+Sens%22%5BJournal%5D)">Instance segmentation of individual tree crowns with YOLOv5: a comparison of approaches using the ForInstance benchmark LiDAR dataset.</a> ISPRS Open J. Photogr. Remote Sens. 9, 100045(2023).</li>
<li>Xiang, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+forest+inventory%3A+analysis+of+high-density+airborne+LiDAR+point+clouds+with+3D+deep+learning%5BTitle%5D)+AND+%22Remote+Sens.+Environ%22%5BJournal%5D)">Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning.</a> Remote Sens. Environ. 305, 114078(2024).</li>
<li>TreeAIBox CloudCompare Plugin. , 
 <a target="_blank" href="https://github.com/NRCan/TreeAIBox">https://github.com/NRCan/TreeAIBox</a> (2025).</li>
<li>Xi, Z., Degenhardt, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+unified+framework+for+supervised+3D+crown+segmentation+%28TreeisoNet%29+using+deep+neural+networks+across+airborne%2C+UAV-borne%2C+and+terrestrial+laser+scans%5BTitle%5D)+AND+%22ISPRS+Open+J.+Photogr.+Remote+Sens%22%5BJournal%5D)">A new unified framework for supervised 3D crown segmentation (TreeisoNet) using deep neural networks across airborne, UAV-borne, and terrestrial laser scans.</a> ISPRS Open J. Photogr. Remote Sens. 15, 100083(2025).</li>
<li>Elsheikh, M., Iqbal, U., Noureldin, A., Korenberg, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+implementation+of+precise+point+positioning+%28PPP%29%3A+a+comprehensive+review%5BTitle%5D)+AND+%22Sensors%22%5BJournal%5D)">The implementation of precise point positioning (PPP): a comprehensive review.</a> Sensors. 23 (21), 8874(2023).</li>
<li>CloudCompare. , 
 <a target="_blank" href="https://www.cloudcompare.org/">https://www.cloudcompare.org/</a> (2024).</li>
<li>Wielgosz, M., Puliti, S., Xiang, B., Schindler, K., Astrup, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SegmentAnyTree%3A+a+sensor+and+platform+agnostic+deep+learning+model+for+tree+segmentation+using+laser+scanning+data%5BTitle%5D)+AND+%22Remote+Sens.+Environ%22%5BJournal%5D)">SegmentAnyTree: a sensor and platform agnostic deep learning model for tree segmentation using laser scanning data.</a> Remote Sens. Environ. 313, 114367(2024).</li>
</ol>

<table><tbody><tr><td>Aplicativo Avenza Maps</td><td>Avenza</td><td>NA</td><td>Para navegação offline em campos usando PDFs georreferenciados criados no QGIS</td></tr><tr><td>Alvos quadriculados</td><td>Qualquer Fornecedor</td><td>NA</td><td>Pontos de Controle em Solo</td></tr><tr><td>CloudCompare&nbsp;</td><td>CloudCompare&nbsp;</td><td>NA</td><td>Software de processamento e edição de nuvem de pontos 3D</td></tr><tr><td>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)</td><td>DJI</td><td>NA</td><td></td></tr><tr><td>Aeronave DJI M300 RTK com DLS (com controle e hélices de reposição)</td><td>DJI</td><td>NA</td><td>DLS (Sensor de Luz de Emergência)</td></tr><tr><td>DJI Terra Pro</td><td>DJI</td><td>NA</td><td>Reconstrução de dados brutos de LiDAR em nuvem de pontos 3D.&nbsp;</td></tr><tr><td>Sensor LiDAR DJI Zenmuse L1 (com cartão microSD)</td><td>DJI</td><td>NA</td><td></td></tr><tr><td>Estação Móvel D-RTK2 (com tripé e vara de extensão)</td><td>DJI</td><td>NA</td><td></td></tr><tr><td>Estação Base Emlid Reach RS2+ (com tripé)</td><td>Emlid</td><td>NA</td><td></td></tr><tr><td>Rover Emlid Reach RS2+ (com mastro de topografia GNSS)</td><td>Emlid</td><td>NA</td><td></td></tr><tr><td>Discos rígidos externos</td><td>Qualquer Fornecedor</td><td>NA</td><td>&nbsp; Para fazer backup dos dados</td></tr><tr><td>Diário de voo</td><td>Qualquer Fornecedor</td><td>NA</td><td></td></tr><tr><td>Google Earth Pro&nbsp;</td><td>Google</td><td>NA</td><td>Criação de arquivos de voo KML &nbsp;</td></tr><tr><td>Plataforma de pouso</td><td>Qualquer Fornecedor</td><td>NA</td><td>Para lançar/pousar uma aeronave</td></tr><tr><td>Computador portátil</td><td>Qualquer Fornecedor</td><td>NA</td><td>Para serem usados no campo para baixar dados, formatar cartões, etc.</td></tr><tr><td>Sensor MicaSense RedEdge-P (com cartão SD MicaSense, cabo USB-C, painel calibrado de refletância MicaSense (CRP))</td><td>MicaSense</td><td>NA</td><td></td></tr><tr><td>PIX4Dmapper</td><td>Pix4D S.A.</td><td>NA</td><td>Correção geométrica e radiométrica de imagens multiespectrais e geração de ortomosaicos.</td></tr><tr><td>Pneumômetro</td><td>Qualquer Fornecedor</td><td>NA</td><td></td></tr><tr><td>PyCharm</td><td>JetBrains&nbsp;s.r.o.</td><td>NA</td><td>Ambiente integrado de desenvolvimento (IDE) em Python</td></tr><tr><td>QGIS&nbsp;</td><td>QGIS&nbsp;</td><td>NA</td><td>Processamento, edição e visualização de dados geoespaciais</td></tr><tr><td>Leitor de cartão SD e microSD</td><td>Qualquer Fornecedor</td><td>NA</td><td></td></tr><tr><td>Smartphone</td><td>Qualquer Fornecedor</td><td>NA</td><td>Para conectar com o sensor MicaSense RedEdge-P e as unidades RS2+ Emlid Reach</td></tr><tr><td>Estacas/pregos, martelo e fita adesiva de sinalização</td><td>Qualquer Fornecedor</td><td>NA</td><td>Para marcar a localização da estação base D-RTK2</td></tr><tr><td>Tabuleta</td><td>Qualquer Fornecedor</td><td>NA</td><td>Para navegação em campo</td></tr><tr><td>TreeAIBox (CloudCompare&nbsp; plugin)</td><td></td><td>NA</td><td></td></tr><tr><td>Rádio bidirecional</td><td>Qualquer Fornecedor</td><td>NA</td><td></td></tr><tr><td>Estação de trabalho (CPU i5 ou posterior, GPU NVIDIA habilitada para CUDA com VRAM &ge; 4GB, RAM &ge; 32GB, SSD &ge; 512GB&nbsp;</td><td>Qualquer Fornecedor</td><td>NA</td><td></td></tr></tbody></table>

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

Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring

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

Remote sensing (RS) technologies, particularly light detection and ranging (LiDAR) and multispectral (MS) imagery, provide broad-scale vegetation ...

collecting-processing-drone-based-remotely-sensed-data-for-use-forest

Research

JoVE Journal

Environment

Ambiente

Uma estratégia rápida-multidisciplinar para detecção precoce de flores cianobacterianas e cianotoxinas associadas é descrita aqui. Permite a detecção de cianobactérias e cianotoxinas relacionadas em amostras de água e em matrizes orgânicas, como amostras de bivalve, em 24 h.

Detecção precoce de Flores Cianobacterianas e Cianotoxinas Associadas usando estratégia de detecção rápida

Relatamos procedimentos detalhados para um método de estimativa de biomassa de plantas invasoras que utiliza dados obtidos de sensoriamento remoto de veículos aéreos não tripulados (UAV) para avaliar a biomassa e capturar a distribuição espacial de espécies invasoras. Essa abordagem é altamente benéfica para a realização de avaliação de perigos e alerta precoce de plantas invasoras.

Estimativa de biomassa baseada em visão computacional para plantas invasoras

A renovação da superfície é um método micrometeorológico que está sendo usado cada vez mais para determinar fluxos de energia, mas sua complexidade técnica o torna inacessível a um público amplo. Descrevemos as etapas necessárias para configurar e calibrar uma estação de campo de renovação de superfície, adquirir e processar dados e interpretar corretamente os resultados.

Renovação de superfície: um método micrometeorológico avançado para medir e processar dados de densidade de fluxo de energia em escala de campo

Uma abordagem robusta e flexível para confirmar a resistência a herbicidas em populações de ervas daninhas é apresentada. Este protocolo permite que os níveis de resistência aos herbicidas sejam inferidos e aplicados a uma ampla gama de espécies de plantas daninhas e herbicidas com pequenas adaptações.

Protocolos para Robust Teste de resistência a herbicidas em diferentes espécies de plantas daninhas

Um método detalhado para extração e montagem de lisímetros de núcleo de solo intacto e seu uso para estudo de lixiviado e perda associada de nutrientes de cama de frango aplicada na superfície é demonstrado.

Um Protocolo de Coleta e Construindo lisímetros amostra de solo

amostragem de solo repetida foi recentemente mostrado ser uma forma eficaz para monitorar a mudança solo da floresta ao longo de anos e décadas. Para apoiar a sua utilização, um protocolo é apresentada que sintetiza as últimas informações sobre métodos de reamostragem do solo para ajudar na concepção e implementação de programas de monitorização do solo de sucesso.

Métodos de Reamostragem do solo para monitorar as mudanças nas concentrações químicas de Solos Florestais

Sísmica de reflexão (3D) tridimensionais é um método poderoso para imagens de vulcões de subsuperfície. Usando dados de Sismológico 3D industriais da bacia de Tarim, ilustramos como extrair os peitoris e os conduítes de vulcões subsuperficiais de cubos de dados sísmicos.

Métodos de processamento de dados para a imagem latente de sísmica 3D da subsuperfície vulcões: aplicações para o basalto de inundação de Tarim

Desenvolvemos um moinho de voo de baixo custo e pequeno, construído com itens comumente disponíveis e facilmente usado em experimentação. Usando este aparelho, medimos a capacidade de voo de um escaravelho de ambrósia, ornitorrinco quercivorus.

Medir a capacidade de voo do besouro Ambrosia, ornitorrinco Quercivorus (Murayama), usando um baixo custo, pequeno e voo facilmente construído moinho

Aqui, apresentamos um protocolo para testar a virulência da planta com o patógeno vegetal Magnaporthe grisea. Este relatório contribuirá para o rastreio em larga escala das raças de isolados de fungos e servir como um excelente ponto de partida para a compreensão dos mecanismos resistentes de plantas durante reprodução molecular.

O teste de infecção da planta: Spray e inoculação mediada por ferimento com o de patógeno vegetal Magnaporthe Grisea

Observar a distribuição de água dentro do xilema fornece informações significativas sobre a dinâmica do fluxo de água em plantas lenhosas. Neste estudo, demonstramos a abordagem prática para observar a distribuição de água de xilema in situ usando um criostat e Cryo-SEM, que elimina mudanças artifactuais no estado da água durante a preparação da amostra.

Distribuição da água de xylem em plantas lenhosas visualizadas com um microscópio de elétron da Cryo-exploração

Aprenda a utilizar LiDAR de drones para avaliar a recuperação florestal com um protocolo prático e acessível. Este método integra sensores avançados e inteligência artificial para detectar e segmentar árvores individuais em ambientes complexos.

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

Explorar mais vídeos