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

Nossa pesquisa visa facilitar o uso de LiDAR baseado em drones na avaliação de recuperação florestal por meio do desenvolvimento de um protocolo amigável. Desenvolvimentos recentes que tornam esse trabalho possível incluem avanços na tecnologia de sensores LiDAR e integração com modelos de empréstimos profundos. Para começar, verifique o equipamento RPAS e atualize o firmware se necessário.

Monte a estação base RTK em uma área livre, longe de obstáculos e da linha das árvores. Espere até que a estação base esteja completamente ligada antes de iniciar o voo do drone. Crie um arquivo de voo para cada missão e envie para o controle remoto.

Agora, realizar as missões de voo para coletar dados LiDAR e multiespectrais sobre a área de interesse. Instale uma estação base GNSS sobre a localização da estação base do RPAS e execute a estação base para obter coordenadas precisas para correção precisa do posicionamento pontual. Use um leitor de cartão para transferir os dados LiDAR e multiespectrais coletados dos sensores para uma estação de trabalho.

Use softwares de fotogrametria para pré-processar os dados multiespectrais e realizar correções geométricas e radiométricas. Gerar um ortomosaico multiespectral. Use o software apropriado para reconstruir os dados brutos do LiDAR em um arquivo de nuvem de pontos.

Use uma ferramenta geoespacial para alinhar a nuvem de pontos LiDAR com o ortomosaico multiespectral. Execute um script em Python para fundir a nuvem de pontos LiDAR alinhada com o ortomosaico multiespectral para gerar uma nuvem de pontos multiespectral. Baixe o CloudCompare, o software de processamento em nuvem tridimensional de pontos, e instale-o.

Depois, baixe o instalador do plugin TreeAIBox versão 1 do GitHub, execute o instalador e siga as instruções na tela. Abra o CloudCompare pelo ícone da área de trabalho, ou selecionando Iniciar, seguido de Todos os Programas e CloudCompare. Carregue o arquivo da nuvem de pontos usando Abrir um ou vários arquivos e clique em Aplicar.

Se as coordenadas dos pontos forem grandes, aceite o prompt para aplicar um deslocamento ou escala global. Selecione Input, que lê os metadados do arquivo, e clique em Sim para que a nuvem de pontos apareça na tela. Abra a barra de ferramentas do plugin Python.

Expanda o menu suspenso Script Register e clique em TreeAIBox para abrir a interface gráfica do plugin. Certifique-se de que a caixa de seleção Usar GPU esteja marcada se uma unidade de processamento gráfico suportada pela Compute Unified Device Architecture estiver disponível. No painel superior, selecione TreeFiltering e escolha ALS se os caules da árvore não estiverem visíveis nos dados do RPAS.

Agora, limpe a caixa de seleção do tamanho do azulejo. No menu suspenso dos modelos predefinidos, selecione treefiltering_als_esegformer. Se estiver usando esse modelo pela primeira vez, clique em Download e confirme o popup mostrando o caminho local.

Selecione a nuvem de pontos na tela para que ela fique destacada com uma caixa delimitadora. No painel TreeFilter, clique em Aplicar. Confirme que uma nova escala ou campo chamado TreeFilter foi criado, com valor 2 para pontos de árvore em vermelho e valor 1 para outros pontos em azul antes de prosseguir.

No painel superior do TreeAIBox, selecione TreeisoNet. Ative Reclamação, ALS stem implicit e Treeloc. No menu suspenso, escolha o modelo pré-treinado necessário.

Certifique-se de que a nuvem de pontos na tela esteja selecionada, depois clique em Aplicar. Após o processamento, confirme que um novo item chamado Treetops aparece sob a nuvem de pontos original na janela da árvore do banco de dados. Selecione esse item e aumente o tamanho dos pontos, por exemplo, para 16, para melhor visibilidade, e verifique se as posições das copas das árvores aparecem como pontos brancos na tela.

Para segmentar copas de árvore, reselecione o item nuvem de pontos de árvore. No painel superior do TreeAIBox, selecione TreeisoNet e ative o TreeOff. Baixe o modelo pré-treinado necessário e depois clique em Aplicar para rodar o modelo.

Em seguida, confirme que uma nova escala ou campo chamado TreeOff foi criada. Verifique se cada árvore tem um identificador único, com pontos da mesma árvore compartilhando o mesmo identificador. Opcionalmente, redefina o tamanho do ponto do topo da árvore para Padrão para reduzir a bagunça visual.

Para melhorar o contraste visual e randomizar as cores da árvore por identificador, clone a nuvem de pontos original para preservar os dados selecionando Editar e Clonar. Depois, vá para Editar, seguido de Campos Escalares e Converter para RGB aleatório. Insira um valor grande para garantir cores discretas e clique em OK. Veja a nuvem de pontos exibindo árvores em cores aleatórias.

Por fim, no painel superior do TreeAIBox, selecione TreeisoNet e clique em Exportar estatísticas para exportar resultados de segmentação. Depois, clique em Abrir caminho de saída para visualizar o arquivo exportado na pasta Resultados. Confirme que a saída é um arquivo de valores separados por vírgulas contendo identificadores de árvore, coordenadas, altura da árvore e área da coroa.

O plugin TreeAIBox filtrou com sucesso pontos de árvore e delineou árvores individuais em todos os três locais, e um total de 2.755 árvores individuais foram detectadas. O modelo identificou 1.706 árvores no Sítio 1, 882 árvores no Sítio 2 e 167 árvores no Sítio 3. A taxa de detecção para árvores de referência variou entre os locais, com 100% detectado para o sítio 2, 95% para o Sítio 1 e 21% para o Sítio 3.

O modelo alcançou uma taxa de detecção de 100% para todas as árvores de referência com mais de um metro de altura. O desempenho da detecção diminuiu para árvores mais baixas, com apenas 45% das árvores entre 0,5 e 1 metro detectadas e nenhuma das árvores abaixo de 0,5 metro identificada. Esse protocolo visa abordar a lacuna de pesquisa relacionada à detecção e segmentação individual de árvores jovens em ambientes florestais complexos.

Esse protocolo oferece um método prático, eficaz, amigável e versátil para extrair métricas individuais de árvores a partir de dados LiDAR. Nosso protocolo avança a recuperação e o monitoramento florestal e é particularmente útil para avaliar o tamanho do poço de escalada recreativa, reduzindo o tempo e o custo de realizar levantamentos de parcelas.