Сбор и обработка данных дистанционного зондирования Земли с помощью дронов для использования в мониторинге восстановления лесов

Summary

Последние достижения в области дистанционно пилотируемых авиационных систем (ДПАС) позволяют использовать субметровое разрешение, что идеально подходит для мониторинга восстановления лесов. Интеграция искусственного интеллекта (ИИ) позволяет получить более глубокое понимание больших наборов данных дистанционного зондирования. Этот протокол улучшает мониторинг, способствуя более эффективной оценке и управлению лесными угодьями, восстанавливающимися после нарушений.

Abstract

Технологии дистанционного зондирования (ДЗЗ), в частности технологии обнаружения света и определения дальности (LiDAR) и мультиспектральные (MS) изображения, обеспечивают широкомасштабные возможности мониторинга растительности с различным пространственным разрешением. Дистанционно пилотируемые авиационные системы (ДПАС), оснащенные датчиками LiDAR и MS, могут улучшить оценку растительности, предлагая гибкий график полетов и собирая данные с высоким разрешением. Дальнейшая интеграция моделей глубокого обучения (DL) обещает автоматизировать рабочий процесс постобработки, что особенно важно для приложений мониторинга растительности.

В этом протоколе описывается набор практических методов сбора, обработки, выравнивания и объединения данных LiDAR и MS на основе RPAS для разграничения отдельных 3D-деревьев с помощью интерактивного подключаемого модуля DL. Запатентованная модель DL эффективно обнаруживает и сегментирует границы деревьев на различных датчиках, участках исследования и разрешениях данных в лесных экосистемах.

Наше конкретное применение и мотивация для разработки этого протокола и инструмента заключается в мониторинге восстановления лесов на мелиорированных нефтяных и газовых скважинах. В настоящее время методы оценки на местах являются трудоемкими и пространственно ограниченными. По мере расширения усилий по рекультивации растет потребность в более эффективных и масштабируемых подходах к мониторингу успешности рекультивации и восстановления экосистем. Развивая приложения DL на основе RPAS, это исследование поддерживает мониторинг экологического восстановления на рекультивированных скважинах, а также применимо к другим лесным ландшафтам.

Introduction

Добыча нефти и газа привела к созданию сотен тысяч скважин по всей провинции^{Альберта-1}, многие из которых расположены в пределах бореальных лесов². Мелиоративные работы направлены на восстановление нарушенных земель до их первоначального экологического состояния³. Традиционные наземные обследования остаются основным средством сертификационного мониторинга мелиорации⁴; Однако это трудоемкий и трудоемкий процесс, который становится все менее эффективным по мере того, как количество нарушенных и мелиорированных территорий продолжает увеличиваться.

Последние достижения в технологиях дистанционного зондирования (ДЗЗ), особенно использование дистанционно пилотируемых авиационных систем (ДПАС), предлагают многообещающие решения пространственных и временных проблем мониторинга скважин 5,6,7,8. Эти платформы предоставляют данные с очень высоким разрешением, что позволяет проводить точные измерения на уровне отдельного дерева. Интеграция с искусственным интеллектом (ИИ), как мы видели в последние годы ^9,10,11, облегчает обработку и анализ больших наборов данных дистанционного зондирования за счет автоматизации обнаружения и измерения растительности. Тем не менее, создание соответствующих наборов данных для обучения и проверки для моделей глубокого обучения (DL) остается основной проблемой, особенно для наборов 3D-данных.

В этом протоколе описан пошаговый рабочий процесс сбора, обработки, выравнивания и объединения данных LiDAR и мультиспектральных (MS) данных на основе RPAS из лесной среды для определения границ отдельных деревьев. В этом методе используется недавно разработанный плагин TreeAIBox¹² , интегрированный в CloudCompare, для анализа облака точек, полученного из RPAS, для сегментации кроны отдельных деревьев. Плагин представляет собой новый подход 3D DL, основанный на модели TreeisoNet¹³ , наборе контролируемых глубоких нейронных сетей, адаптированных для сегментации 3D-деревьев, которые были обучены и проверены на наборах данных, полученных из RPAS, из пяти различных рекультивированных скважин. Участки, выбранные для обучения модели, различались по высоте, плотности и видовому составу деревьев, чтобы обеспечить обобщаемость модели. Кроме того, обучающий набор данных включал данные, собранные в течение трех последовательных сезонов: лета (август 2023 г.), осени (октябрь 2023 г.) и весны (май 2024 г.), чтобы убедиться, что модель может точно работать в различных сезонных условиях с изменениями видимости деревьев. Плагин автоматизирует процессы фильтрации облака точек (деревья против земли), обнаружения верхушек деревьев и сегментации отдельных крон деревьев. Выходные данные плагина могут быть использованы для расчета показателей растительности, таких как площадь кроны, фракция полога, плотность стволов и высота деревьев, используемых для мониторинга растительности после рекультивации.

Модель TreeisoNet, интегрированная в плагин TreeAIBox, предлагает значительные улучшения по сравнению с традиционными методами 3D-сегментации, такими как сегментация водоразделов или ShortestPath. TreeisoNet сообщила о более высокой точности для различных типов лесов, демонстрируя преимущества контролируемого подхода к глубокому обучению по сравнению с неконтролируемыми^{альтернативами.} В частности, модуль поиска верхушек деревьев (TreeLoc) получил средний балл F1 0,96, значительно превзойдя метод локального максимума (LM), который в среднем составил 0,57¹³ балла F1. Аналогичным образом, модуль определения границ кроны (TreeOff) зафиксировал среднее значение пересечения по Union (mIoU) 0,85, превысив традиционные методы Watershed3D (mIoU 0,68) и ShortestPath (mIoU 0,79)¹³. Эти показатели подчеркивают превосходную точность TreeisoNet в обнаружении верхушек деревьев и очерчивании крон, особенно в сложных условиях, таких как мелиорированные скважины с различной высотой деревьев, плотностью стволов и видовым составом.

Модель TreeisoNet была обучена на данных LiDAR, полученных из RPAS, с плотностью точек выше 1100 точек на квадратный метр. Метод, описанный в данной статье, направлен на мониторинг восстановления лесов на нефтяных и газовых скважинах; Тем не менее, он может быть адаптирован для использования в других лесных районах. Рабочий процесс хорошо подходит для молодых плантаций и смешанных лесов с редкой или умеренной плотностью стеблей (<3 000 стеблей на гектар), где окклюзия минимальна. В лесах с замкнутым пологом или в многоярусных лесах обнаружение деревьев подлеска может быть снижено из-за ограниченного проникновения LiDAR. Модель поддерживает как хвойные, так и лиственные кроны, хотя точность может варьироваться в зависимости от видоспецифичных особенностей, таких как тонкие лидеры у молодых хвойных деревьев. Плагин TreeAIBox включает в себя библиотеку предопределенных, предварительно обученных моделей, которые разработаны для широкого применения в различных типах лесов и проверены на различных наборах данных с рекультивированных скважин. Пользователи могут использовать эти встроенные модели и настраивать параметры плагина, такие как максимальный зазор или минимальный радиус, чтобы оптимизировать выходные данные для своих конкретных наборов данных без необходимости обучения новых моделей. Такая гибкость позволяет пользователям адаптировать рабочий процесс к различным лесным условиям, таким как различная высота или плотность деревьев, непосредственно в удобном графическом интерфейсе пользователя (GUI) CloudCompare. Текущая версия плагина TreeAIBox не поддерживает обучение новых моделей внутри самого программного обеспечения; Тем не менее, опытные пользователи могут добавлять новые предварительно обученные модели в библиотеку моделей.

Разделы протокола 1 и 2 описывают наши шаги по сбору и обработке данных, а раздел 3 протокола описывает использование плагина TreeAIBox для извлечения метрик дерева. В нашем конкретном исследовании используется слияние данных LiDAR с беспилотных летательных аппаратов и изображений MS; Тем не менее, для создания файла облака точек высокой плотности для использования в разделе 3 протокола могут быть применены различные процедуры, оборудование и программное обеспечение. Этот рабочий процесс представляет собой значительный шаг вперед в мониторинге растительности за счет интеграции современного подхода к сегментации деревьев на основе искусственного интеллекта с RS на основе RPAS, что позволяет проводить более быструю, точную и масштабируемую оценку восстановления лесов.

Protocol

1. Использование ДПАС для сбора данных

ПРИМЕЧАНИЕ: Все полеты ДПАС должны соответствовать местным правилам использования воздушного пространства и требованиям безопасности. Используйте Таблицу материалов для обзора оборудования и материалов, необходимых для сбора данных.

1. Предполетная подготовка: перед выходом в поле проверьте оборудование и при необходимости обновите прошивку. Создавайте файлы полетов для каждого полетного задания и загружайте их на пульт дистанционного управления. Создайте план безопасности и документ по действиям в чрезвычайных ситуациях для каждого полетного задания. Подробную процедуру подготовки к предпечатной проверке см. в Дополнительном файле 1 .
2. Сбор данных в полевых условиях: В полевых условиях настраивайте оборудование и выполняйте полетные задания для сбора данных LiDAR и MS в интересующей вас области. В Дополнительном файле 2 подробно описан процесс настройки оборудования и параметров полета.
3. Настройка базовой станции GNSS: Настройка и запуск базовой станции GNSS над местоположением базовой станции RPAS для получения точных координат ее местоположения, которые будут использоваться для коррекции точного позиционирования точки (PPP)¹⁴ во время предварительной обработки данных (для высокой точности минимальное рекомендуемое время работы базовой станции составляет 2 часа) (см. Дополнительный файл 3 для примера настройки базовой станции GNSS и процедуры получения координат).
4. Передача данных: Используйте считыватель карт для передачи собранных данных LiDAR и MS с датчиков на рабочую станцию для дальнейшей обработки.

2. Обработка исходных данных

1. Мультиспектральная предварительная обработка данных: Используйте программное обеспечение для фотограмметрии для предварительной обработки собранных данных MS, выполнения геометрических и радиометрических поправок и создания ортофотоплана MS.
   ПРИМЕЧАНИЕ: В дополнительном файле 4 приведен общий рабочий процесс обработки данных MS, полученных из RPAS, с использованием программного обеспечения для фотограмметрии.
2. Реконструкция облака точек LiDAR: Используйте соответствующее программное обеспечение для восстановления необработанных данных LiDAR в файл облака точек (например, файл *.las/laz). Смотрите Дополнительный файл 5 для получения подробной информации о том, как выполнить реконструкцию.
3. Выравнивание и объединение LiDAR и мультиспектральных данных. Используйте геопространственные инструменты для выравнивания облака точек LiDAR и ортофотоплана MS. Подробную процедуру выполнения юстировки см. в Дополнительном файле 6 . Используйте скрипт Python (см. Дополнительный файл 7) для объединения облака точек LiDAR с ортофотопланом MS для создания облака точек MS.
   ПРИМЕЧАНИЕ: Для запуска скрипта Python можно использовать любую интегрированную среду разработки (IDE). В дополнительном файле 8 показан общий рабочий процесс объединения данных.

3. Использование плагина TreeAIBox для сегментации отдельных деревьев

ПРИМЕЧАНИЕ: Этот раздел протокола может быть использован с использованием любых данных облака точек с высоким разрешением из лесной среды в формате файла *.las/.laz.

TreeAIBox был протестирован только с использованием ОС Windows.

1. Установка и настройка: Загрузите и установите программное обеспечение для обработки облака точек 3D, CloudCompare¹⁵. Далее скачайте установщик плагина с GitHub (TreeAIBox_Plugin_Installer_v1.0.exe)¹² (рисунок 1). Запустите установщик и следуйте инструкциям на экране.
   ПРИМЕЧАНИЕ: Установщик автоматически определяет местоположение программного обеспечения CloudCompare и развертывает плагин с необходимыми библиотеками DL в зависимости от доступности графического процессора или процессора. Для получения информации об альтернативных методах установки или устранения неполадок следуйте инструкциям в файле README¹². После настройки структура папок должна соответствовать показанной на рисунке 2.
2. Загрузка данных облака точек:
   1. Откройте CloudCompare со значка на рабочем столе или перейдя в меню «Пуск» | Все программы | CloudCompare. Загрузите файл облака точек (например, файл *.las/laz) в CloudCompare, перетащив его на холст или используя кнопку «Открыть один или несколько файлов » на главной консоли, и нажмите «Применить » (рисунок 3).
   2. Если координаты точки большие, появится запрос на то, следует ли применять глобальный сдвиг/масштаб. Выберите Input, который считывает метаданные из файла .las/laz, и нажмите Yes (рисунок 4). Теперь облако точек появится на холсте.
3. Открытие плагина TreeAIBox: Откройте панель инструментов плагина Python, разверните раскрывающийся список Script Register и нажмите TreeAIBox , чтобы открыть графический интерфейс плагина (рисунок 5).
4. Фильтрация дерева и наземных точек
   1. Убедитесь, что установлен флажок Использовать графический процессор (CUDA), если доступен графический процессор с поддержкой CUDA. На верхней панели выберите TreeFiltering, выберите ALS , если стебли дерева не видны в данных RPAS, снимите флажок Размер плитки, выберите «treefiltering_als_esegformer3D_128_15cm(GPU3GB)» из выпадающего списка Предопределенные модели (Рисунок 6). Если вы используете эту модель впервые, цвет шрифта будет отображаться серым цветом. Нажмите «Загрузить» и подтвердите всплывающее окно, показывающее локальный путь.
   2. Выберите облако точек на холсте (выделено ограничивающим прямоугольником) и нажмите «Применить » на панели TreeFilter . Будет создано новое скалярное поле с именем treefilter : value = 2 (три точки, красный) и value = 1 (другие точки, синий) (Рисунок 7). Подтвердите это, прежде чем переходить к следующему шагу.
5. Обнаружение верхушек деревьев
   1. На верхней панели TreeAIBox выберите TreeisoNet, включите Reclamation, ALS (stem implicit) и TreeLoc и выберите предварительно обученную модель: 'treeisonet_als_reclamation_treeloc_esegformer3D_
      128_10cm(GPU4GB)' из выпадающего списка. Убедитесь, что облако точек на холсте выбрано (выделено ограничивающим прямоугольником), затем нажмите и нажмите кнопку «Применить » (рисунок 8).
   2. Когда обработка завершится, новый элемент с именем treetops появится под исходным облаком точек в окне DB Tree . Выберите этот элемент и увеличьте размер пункта (например, до 16) для улучшения видимости. Убедитесь, что позиции верхушек деревьев отображаются на холсте в виде белых точек (рисунок 9).
6. Сегментация крон деревьев
   1. Повторно выберите элемент облака точек дерева (выделен красным цветом) (рисунок 10). На верхней панели TreeAIBox выберите TreeisoNet и включите TreeOff. Скачать предварительно обученную модель 'treeisonet_als_reclamation_treeoff
      _esegformer3D_128_10cm(GPU4GB)' (рис. 11), если он еще не доступен, нажмите кнопку Apply (Применить ), чтобы запустить модель.
   2. Будет создано новое дерево скалярных полей, которому будет присвоен уникальный идентификатор. Точки из одного дерева имеют один и тот же идентификатор. При необходимости можно сбросить размер точки верхушки дерева до значения по умолчанию, чтобы уменьшить визуальный беспорядок. Убедитесь, что вид холста программного обеспечения аналогичен представлению, показанному на рисунке 12.
   3. Необязательная визуализация: Случайные цвета дерева: Чтобы улучшить визуальный контраст сегментированных деревьев, рандомизируйте цвета деревьев по идентификатору. Во-первых, клонируйте исходное облако точек, чтобы сохранить данные (Правка | Клон). Затем перейдите в раздел Правка | Скалярные поля | Преобразуйте в случайный RGB (рис. 13). Введите большое значение (например, 256000), чтобы обеспечить достаточное количество дискретных цветов, и нажмите OK . В облаке точек деревья будут отображаться случайными цветами (рис. 14).
      ПРИМЕЧАНИЕ: Этот шаг предназначен только для визуализации и не влияет на идентификаторы сегментации, но он перезапишет значения RGB в клонированном облаке точек.
7. Экспорт метрик и результатов сегментации: На верхней панели TreeAIBox выберите TreeisoNet и нажмите Экспортировать статистику, чтобы экспортировать результаты сегментации дерева. Затем нажмите кнопку Open Output Path , чтобы просмотреть выходной файл в папке результатов (рисунок 15). Экспортированный файл CSV содержит идентификаторы сегментированных деревьев, координаты, высоту дерева и площадь кроны.
   ПРИМЕЧАНИЕ: На этом обработка данных с помощью TreeAIBox завершена.

Рисунок 1: Доступ к установщику плагина TreeAIBox через репозиторий GitHub. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 2: Структура папок с плагином TreeAIBox. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 3: Загрузка файла облака точек в CloudCompare. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 4: Установка глобального сдвига для облака точек при его загрузке в CloudCompare. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 5: Использование панели инструментов плагина Python от CloudCompare для запуска плагина TreeAIBox. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 6: Настройка панели TreeFiltering для отделения точек дерева от наземных точек. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 7: Результаты отделения точек дерева от наземных точек. Точки дерева показаны красным цветом, а точки основания — синим. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 8: Настройка панели TreeisoNet для обнаружения верхушек деревьев с помощью TreeLoc. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 9: Результаты обнаружения верхушек деревьев. Белые точки обозначают положение верхушек деревьев. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 10: Повторное выделение элемента облака точек дерева перед применением панели TreeOff. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 11: Настройка панели TreeisoNet для сегментации крон деревьев с помощью TreeOff. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 12: Результаты сегментации крон деревьев. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 13: Настройка сегментированного облака точек для рандомизации цветов деревьев в соответствии с их идентификаторами для лучшего контраста границ. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 14: Результаты рандомизации цветов дерева. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 15: Извлечение результатов сегментации дерева из панели TreeisoNet в файл csv. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Results

В соответствии с установленным протоколом были собраны данные о LiDAR и MS, полученные из RPAS, на трех исследуемых участках, засаженных молодыми деревьями. Эти участки были выбраны для проверки способности модели обнаруживать отдельные деревья разной высоты. Участок 1 был засажен Abies balsamea (бальзамическая пихта), средней высотой 1,46 м. На участке 2 были представлены деревья сосны Pinus contorta (сосна-ложник) в среднем 2,17 м в высоту. На участке 3 росли небольшие деревья Abies balsamea и Pinus contorta , средняя высота которых составляла всего 0,51 м. В дополнение к данным РС с помощью блока GNSS было также зарегистрировано местоположение 224 опорных деревьев.

После сбора и обработки данных был применен плагин TreeAIBox для фильтрации точек дерева и разграничения отдельных деревьев. Результаты, полученные с помощью плагина, показаны на рисунке 16.

Рисунок 16: Распределение очерченных отдельных деревьев по трем исследуемым участкам (A - Site 1; Б - Площадка 2; C - Site 3) сгенерирован плагином TreeAIBox. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

В общей сложности на трех участках было обнаружено 2 755 отдельных деревьев. Модель идентифицировала 1 706 деревьев на участке 1 (рисунок 16A), 882 дерева на участке 2 (рисунок 16B) и 167 деревьев на участке 3 (рисунок 16C). Уровень обнаружения ссылочных деревьев варьировался в зависимости от участка: 100% ссылочных деревьев были обнаружены для участка 2, 95% – для участка 1 и только 21% – для участка 3, как показано в таблице 1. Эти результаты подчеркивают высокую производительность модели при обнаружении деревьев на расстоянии > 1 м, со 100% коэффициентом обнаружения для всех эталонных деревьев в этом диапазоне. Тем не менее, производительность снизилась для более низких деревьев: было обнаружено только 45% эталонных деревьев длиной от 0,5 до 1 м, и ни одно из деревьев < 0,5 м не было идентифицировано (Таблица 2).

Место #	высота дерева aver, м (stdev)	# ссылочных деревьев	# обнаруженных ссылочных деревьев	% обнаруженных ссылочных деревьев
1	1.46 (0.45)	75	71	95
2	2.17 (0.4)	74	74	100
3	0.51 (0.17)	75	16	21

Таблица 1: Показатели обнаружения ссылочного дерева по различным сайтам.

Диапазон высоты дерева	# ссылочных деревьев	# обнаруженных ссылочных деревьев	% обнаруженных ссылочных деревьев
0 - 0,5 м	41	0	0
0,5 - 1 м	40	18	45
1 - 1,5 м	49	49	100
1,5 - 2 м	42	42	100
> 2 м	52	52	100

Таблица 2: Скорость обнаружения опорного дерева в различных диапазонах высот дерева.

Дополнительный файл 1: Рабочий процесс сбора данных RPAS - задачи перед полем. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 2: Рабочий процесс сбора данных RPAS - в поле. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 3: Использование устройств GNSS для точного отслеживания местоположения. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительный файл 4: Процедура обработки данных MS с использованием фотограмметрическогопрограммного обеспечения. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительный файл 5: Реконструкция облака точек на основе необработанных данных LiDAR. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительный файл 6: Выравнивание облака точек LiDAR и ортофотоплана MS с использованием геопространственных инструментов. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительный файл 7: Скрипт на Python для объединения облака точек LiDAR и изображения MS для создания облака точек MS. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительный файл 8: Общий рабочий процесс слияния облака точек LiDAR и MS-образа. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Discussion

Одна из ключевых проблем при применении ДО к данным ДЗЗ, в частности к 3D-облакам точек, заключается в разработке сбалансированных и репрезентативных наборов данных для обучения и валидации. Эффективность любой модели ДО во многом зависит от разнообразия и качества аннотированных данных, используемых во время обучения 9,10,11,16. Новая модель 3D DL, использованная в этом исследовании, была обучена и проверена с использованием наборов данных, собранных из нескольких мелиорированных скважин в зоне бореальных лесов, характеризующихся молодой, посаженной и естественно восстанавливающейся растительностью. Эти участки были тщательно отобраны таким образом, чтобы охватить широкий спектр лесных условий, включая различия в высоте деревьев, плотности стволов и видовом составе, чтобы обеспечить широкие возможности обобщения моделей. Кроме того, обучающий набор данных был разнообразным во времени, включая данные RS, собранные в течение трех последовательных сезонов. Эти сезонные колебания имели решающее значение для обучения модели надежной работе в различных условиях видимости полога леса с учетом изменений в лиственном покрове и структурной сложности. Интеграция многосезонных и многоструктурных данных способствовала повышению надежности модели, особенно в ее способности обнаруживать отдельные деревья в изменяющихся условиях освещенности и фенологических стадиях.

Примечательным выводом этого исследования стало то, что включение данных MS или RGB вместе с LiDAR не привело к значительному повышению точности обнаружения деревьев или сегментации крон в рабочем процессе TreeAIBox. Это говорит о том, что геометрические свойства облаков точек LiDAR, такие как форма кроны и пространственное расположение, являются основными факторами эффективного обнаружения и сегментации деревьев, особенно в средах с молодой или редкой растительностью. Тем не менее, спектральные данные продемонстрировали ценность в дополнительных приложениях, таких как классификация видов, где изображения MS улучшили дифференциацию хвойных и лиственных деревьев.

Критическим фактором, влияющим на успех обнаружения и сегментации отдельных деревьев в рабочем процессе TreeAIBox, является качество облака входных точек. Для оптимальной производительности требуется очень высокая плотность данных LiDAR, обычно более 1000 точек на квадратный метр. Современные системы LiDAR на основе ДПАС могут достичь такой плотности за счет использования оптимизированных параметров полета, таких как малые высоты и большие перекрытия полета. В то время как TreeAIBox способен обрабатывать облака точек с более низкой плотностью, пониженная плотность точек может ограничить захват структурных деталей. Это часто приводит к снижению точности обнаружения и сегментации, особенно для небольших деревьев, где особенности кроны и ствола могут быть недостаточно представлены.

Рабочий процесс TreeAIBox повышает эффективность и автоматизацию по сравнению с традиционными или ручными методами сегментации, благодаря измеримым показателям нашей валидации на рекультивированных скважинах. Время обработки для обнаружения верхушек деревьев и сегментации кроны в среднем составляет 5–10 минут на участок на стандартном графическом процессоре (например, NVIDIA RTX 3060), по сравнению с часами для ручного разграничения в программном обеспечении, таком как CloudCompare. Автоматизация достигается за счет графического интерфейса подключаемого модуля, который устраняет скрипты и зависимости из командной строки, позволяя неспециалистам выполнять сквозной анализ с минимальными затратами. С практической точки зрения, это сократило анализ скважины площадью 1 гектар с 5-8 часов (ручные методы) до менее чем 30 минут. Откат к режиму CPU обеспечивает доступность без высокопроизводительного оборудования, хотя ускорение графического процессора сокращает время в 3-5 раз. Такая эффективность обеспечивает частый мониторинг, поддерживая масштабируемые приложения в управлении лесным хозяйством при сохранении высокой точности.

Конкретным ограничением, наблюдаемым в этом исследовании, была сниженная способность модели обнаруживать деревья < расстояния до 1,0 м. В то время как показатели обнаружения деревьев > 1,0 м были высокими, при этом 100% эталонных деревьев были правильно идентифицированы в этом диапазоне высот, производительность значительно снизилась для небольших деревьев (Таблица 2). Вероятно, это ограничение связано с несколькими факторами. Во-первых, более низкая плотность точек LiDAR у земли, особенно под закрытыми кронами, в сочетании с плотным травянистым покровом затрудняет обнаружение мелкомасштабных структурных деталей, связанных с небольшими деревьями. Кроме того, окклюзия, вызванная более высокой растительностью, часто препятствует достижению достаточного количества точек в подлеске, что является известным источником ошибок в таких приложениях^10,16. Алгоритм также может не улавливать тонкие морфологические особенности, такие как тонкие выноски деревьев, или неправильно классифицировать плотно сгруппированные деревья как единый объект. Решение этих проблем может включать оптимизацию параметров сбора данных LiDAR, таких как регулировка высоты полета или угла сканирования для улучшения видимости на уровне земли, а также совершенствование методов сегментации для лучшей обработки окклюзированных и разреженных данных.

Несмотря на эти ограничения, предложенный метод демонстрирует значительные перспективы для применения в мониторинге после мелиорации и лесовосстановления. RS на основе RPAS в сочетании с алгоритмами 3D DL предлагает масштабируемое, экономичное решение с высоким разрешением для отслеживания восстановления растительности с течением времени, особенно в районах, нарушенных промышленной деятельностью, такой как добыча нефти и газа. Возможность обнаруживать отдельные деревья, оценивать их высоту и пространственное распределение дает значимую информацию о регенерации участка и соблюдении стандартов рекультивации. Кроме того, этот метод может поддерживать стратегии адаптивного управления, обеспечивая частый, неинвазивный мониторинг, который фиксирует сезонную и структурную динамику восстанавливающихся экосистем. Поскольку проекты по восстановлению все чаще требуют долгосрочных, мелкомасштабных данных для оценки экологического восстановления, этот подход предлагает мощный и практичный инструмент для лесоустроителей и исследователей, стремящихся оценить продуктивность растительности в сложных, неоднородных ландшафтах.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Приложение Avenza Maps	Авенца	NA	Для офлайн-навигации по полям с использованием геопривязанных PDF-карт, созданных в QGIS
Клетчатые мишени	Любой поставщик	NA	Наземные контрольные пункты
CloudCompare	CloudCompare	NA	Программное обеспечение для обработки и редактирования 3D-облаков точек
Батарейная станция DJI BS60 (с батареями M300 (x8), батареями D-RTK2 (x4), шнуром питания и USB-C кабелем для подключения к пульту дистанционного управления)	DJI	NA
Самолёт DJI M300 RTK с DLS (с контроллером и заменой винта)	DJI	NA	DLS (Датчик света, отдающегося внизу)
DJI Terra Pro	DJI	NA	Реконструкция исходных LiDAR-данных в 3D-облако точек.
DJI Zenmuse L1 LiDAR сенсор (с microSD-картой)	DJI	NA
Мобильная станция D-RTK2 (со штатив и удлинителем)	DJI	NA
Базовая станция Emlid Reach RS2+ (со штативином)	Эмлид	NA
Ровер Emlid Reach RS2+ (с геодезическим столбом GNSS)	Эмлид	NA
Внешние жёсткие диски	Любой поставщик	NA	Для резервного копирования данных
Журнал полёта	Любой поставщик	NA
Google Earth Pro	Google	NA	Создание лётных файлов KML
Посадочная площадка	Любой поставщик	NA	Для запуска/посадки самолёта
Ноутбук	Любой поставщик	NA	Используется в полевых условиях для загрузки данных, форматирования карт и т.д.
Датчик MicaSense RedEdge-P (с SD-картой MicaSense, USB-C кабелем, откалиброванной панелью отражения MicaSense (CRP))	MicaSense	NA
PIX4Dmapper	Pix4D S.A.	NA	Геометрическая и радиометрическая коррекция мультиспектральных изображений и генерация ортомозаики.
Пневмометр	Любой поставщик	NA
PyCharm	JetBrains s.r.o.	NA	Интегрированная среда разработки Python (IDE)
QGIS	QGIS	NA	Обработка, редактирование и визуализация геопространственных данных
Считыватель SD- и microSD карт	Любой поставщик	NA
Смартфон	Любой поставщик	NA	Для подключения к датчику MicaSense RedEdge-P и устройствам Emlid Reach RS2+
Звёздные штикеты/гвозди, молоток и клейковая лента	Любой поставщик	NA	Для обозначения расположения базовой станции D-RTK2
Таблетка	Любой поставщик	NA	Для навигации в полевых условиях
TreeAIBox (CloudCompare  плагин)		NA
Двустороннее радио	Любой поставщик	NA
Рабочая станция (CPU i5 или новее, NVIDIA GPU с поддержкой CUDA, VRAM и GE; 4 ГБ, ОЗУ и GE; 32 ГБ, SSD и GE; 512 ГБ и NBSP;	Любой поставщик	NA