Полуавтоматизированный метод картирования и классификации прибрежных водно-болотных растительных сообществ с использованием данных дронов и наземных данных

Краткое содержание

Протокол состоит из четырёх интегрированных этапов: обследование беспилотных летальных аппаратов (БПЛА), сбор данных по достоверности на земле, расчёт индекса растительности и классификация и картирование прибрежных водно-болотных растительных сообществ с помощью ИИ. Результатом стал многоуровневый геопространственный набор данных, поддерживающий применения в экологии, экологическом мониторинге и принятии решений для сохранения и управления прибрежными водно-болотными местообитаниями.

Аннотация

Полуавтоматизированное картирование растительных сообществ соединяет традиционные экологические исследования и современный мониторинг экосистем с помощью искусственного интеллекта, позволяя проводить обследование и мониторинг мест в масштабах и скоростях, ранее недостижимых. Прибрежные водно-болотные угодья, где преобладают низкорослые травянистые растения, требуют фотограмметрического обследования с помощью беспилотников (беспилотные летательные аппараты, БПЛА) для достижения более высокого пространственного разрешения и большей гибкости в хронометрии. Этот протокол состоит из четырёх этапов: аэрофотосъёмка на базе БПЛА, сбор и геосвязанность с достоверностью на земле, расчёт индекса растительности и контролируемая классификация с использованием алгоритма случайного леса (RF) в R (то есть полуавтоматическое картирование распределения растительных сообществ с помощью машинного обучения). Ключевые R-пакеты включают terra, sp, sf, rgdal, raster, rsample, MLmetrics, randomForest. Во втором этапе акцент делается на традиционном методе экологических обследований — стратифицированном квадратном отборе проб на почве. Грунтовая выборка служит проверкой грунта, предоставляя эмпирические доказательства для обеспечения точности и надёжности конечного картографического продукта. Были протестированы два широко используемых типа сенсоров, установленных на БПЛА: мультиспектральный сенсор и RGB-камера, дающие 19 мультиспектральных и 27 RGB-индексов, а также цифровую модель поверхности на основе RGB (DSM). Растительные сообщества были картированы на месте прибрежного водно-болотного исследования, и были получены следующие результаты эффективности алгоритма: с использованием мультиспектрального набора данных модель достигла общей точности 92,3% с ошибкой вне пакета (OOB) 7,75%; для сравнения, набор данных RGB достиг точности более 98% с ошибкой OOB 1,14%. Эти результаты подтверждают пригодность обоих типов датчиков. Каждая фаза протокола создаёт геопривязанные наборы данных. Эти данные могут быть объединены в проект многоуровневой географической информационной системы (ГИС) с встроенными биофизическими половыми наблюдениями, служащим основой для сложных экосистемных исследований, таких как экологическое моделирование для прогнозирования воздействия и изменений. На практике этот проект ГИС может служить историческим отчётом управления землепокрытием и поддержкой управления, планирования и мониторинга восстановления окружающей среды.

Введение

Цель этого протокола — обеспечить практический, пошаговый рабочий процесс, который сочетает фотограмметрические исследования с помощью дронов (то есть беспилотных летательных аппаратов [БПЛА]) с биофизическими наблюдениями на месте в качестве данных на земле для создания карты распределения прибрежных водно-болотных растений. Итоговый результат — карта покрытия земли — создаётся с помощью полуавтоматического процесса машинного обучения (алгоритм случайного леса [RF])¹.

Карта растительных сообществ является важным набором данных в экологическом моделировании водно-болотных угодий, поскольку она преобразует сложные растительные паттерны в пространственное, пиксельное представление структуры среды обитания. Этот базовый набор данных позволяет моделировать экологические процессы (например, распределение биомассы, взаимодействие видов, эко-гидрологические реакции, циклы питательных веществ) по всему^{ландшафту 2,3,4}.

В дополнение к карте растительных сообществ, следование шагам этого протокола создаёт коллекцию геопространственных данных. Сохранённый в виде проекта географической информационной системы (ГИС), набор данных может быть интегрирован в ГИС, использован совместно и использован для дальнейшего анализа экосистем и принятия решений с целью поддержки планирования управления и экологического мониторинга.

В этом методе обзор БПЛА даёт RGB (то есть красный, зелёный, синий, три основных цвета) и/или мультиспектральное, геометрически точное ортомозаическое изображение, а также цифровую модель поверхности (DSM), все они служат базовыми^{данными 5,6}. Эти данные используются для расчёта индексов растительности (VI) с использованием ортомозаических карт в качестве входных данных для калькулятора программного обеспечения ГИС. Для создания окончательной выходной карты VI служат предикторными переменными на пиксель для RF, преобразуя сырую спектральную информацию ортомозаика в структурированные входные данные для^{классификации 7,8}. Поскольку ВИ — это математические комбинации спектральных полос, которые выделяют свойства растительности, отражённые растениями^{и светом 7}, ВИ могут использоваться как независимые данные в экологии для мониторинга качества среды обитания и биоразнообразия, а также для поддержки экологического^{моделирования 8,9}. Поэтому VI сохраняются в виде растровых карт и включаются в ГИС-проект.

Для классификации и картирования растительных сообществ в среде с помощью ИИ дистанционно зондированные наборы данных (например, карты БПЛА, DSM и VI) должны быть объединены с геопривязанными биофизическими наблюдениями на месте для обеспечения экологической надёжности, воспроизводимости и значимой^{интерпретации 10}. Такие полевые данные служат основной точностью для алгоритма RF, который классифицирует пиксельные данные о покрытии среды обитания, растительности и покрытии в VI и прогнозирует распределение растительных сообществ по исследуемому участку (например, для создания карты растительного сообщества)¹¹. Помимо того, что наблюдения с геопривязанностью служат основным набором данных для машинного обучения, они позволяют закреплять биофизические наблюдения в рамках ГИС. Таким образом, экологический набор данных функционирует как таблица атрибутов, которую можно использовать как экологические переменные для моделирования^{экосистем 12,13}. Данные на объекте ценны для подтверждения экологических условий среды обитания, поскольку они собираются непосредственно в исследуемой среде, обеспечивая реалистичную и немедленную оценку конкретных^{условий 14}.

Прибрежные водно-болотные угодья — это низкоэнергетические среды, расположенные в защищённых прибрежных районах. Водно-болотные экосистемы распределены вдоль побережья шести континентов, за исключением Антарктиды, играя важную экологическую роль во всем мире, за исключением покрытых льдом ландшафтов в крайних^{полярных регионах 15}. Глобальный рост населения и индустриализация, прибрежная оборона и усиление сельскохозяйственных практик существенно влияют на прибрежные водно-болотные угоди, вызывая фрагментацию и^{деградацию 16,17}. Эти давления делают прибрежные экосистемы приоритетом для экологического восстановления и сохранения во всём^{мире 18}.

Экологический мониторинг и моделирование экосистем прибрежных местообитаний способствуют оценке состояния экосистем, выявлению временных изменений и оценке результатов^{восстановления 19}. Тем не менее, эффективный мониторинг может быть затруднен динамичным характером этих экосистем, их ограниченной доступностью и значительными затратами на сбор данных в сложных, часто удалённых межприбрежных зонах. В динамической, труднодоступной среде обитания растительность часто обеспечивает самый чёткий и стабильный сигнал экологических^{изменений 18}.

Поскольку растительность является фундаментальной основой формирования среды обитания, классификация растительных сообществ и картирование их ареалов создают критически важную основу для экологической оценки и моделирования процессов среды^{обитания} 20,21,22. Прибрежные водно-болотные угодья — это крайне разнородные системы, демонстрирующие значительное разнообразие на коротких расстояниях по высоте, солёности, структуре растительности, гидрологии и характеристикам осадков. Из-за этой сложности протокол включает стратифицированный квадратный отбор^{образцов 23} (минимум десять образцов по 1 м × 1 м на растительное сообщество), что не только полезно, но и методологически необходимо для создания репрезентативных моделей экосистем и карт рельефного^{покрова 24,25}.

Для иллюстрации этой методологии был проведён кейс-стади на микроприливном болоте на острове Хиумаа в Западноэстонском архипелаге Балтийского моря (рисунок 1). Прибрежный ландшафт Балтийского моря, включая болота в зонах накопления осадков на более чем 100 000 островов архипелага, управляется с разной^{интенсивностью 26}. Для сохранения и восстановления биоразнообразия балтийские бореальные прибрежные водно-болотные угодья поддерживаются как полуестественные^{луга 27,28}. Такие влажные луга имеют региональную ландшафтную ценность, и некоторые из них, включая объект для изучения случая, входят в сеть охраняемых территорий Natura 2000. В таких районах для поддержания низкорослой растительности, которая поддерживает большее биоразнообразие и обеспечивает среду обитания для дикой природы, такой как куликов^, прибрежные луга широко выпасаются и/или косятся сезонно, чтобы поддерживать открытые луга и предотвратлять их поглощение обширными видами, например, Phragmites australis³⁰. В бореальных прибрежных регионах водно-болотные угодья, управляемые в рамках мер охраны, обычно включают четыре ключевых растительных сообщества: Открытый Пионер (OP), Нижний берег (LS), Верхний берег (США) и Высокая трава (TG)³¹. Все четыре проходят на выбранном месте для изучения кейса. Сосудистые виды растений доминируют на прибрежных влажных лугах. Индикаторные виды OP — галофиты: Salicornia europaea (наиболее распространённый диапазон высот 3–30 см) и Suaeda maritima (10–50 см). В LS преобладают Glaux maritima (3–25 см) и Juncus geradii (25–75 см). Американские индикаторные виды — Festuca rubra (15–90 см) и Leontodon autumnalis (10–80 см), а доминирующие травы идентифицируют TG: Deschampsia cespitosa (30–120 см), Elytrigia repens (30–120 см) и Molinia caerulea (50–180 см). Кроме того, типичные прибрежные водно-болотные растения в этой климатической зоне включают: Spergularia marina (5–30 см), Plantago maritima (10–30 см), Triglochin maritima (15–70 см) и Agrostis stolonifera (15–30 см), которые встречаются в разных сообществах.

Прибрежные водно-болотные угодья характеризуются низкорельефными ландшафтами с тонкими микротопографическими вариациями, такими как впадины и холми, которые влияют на распределение растений. Эти особенности ландшафта формируются естественным образом в результате таких процессов, как отложение осадков во время наводнений, штормовых приливов и приливных^{течений 32}. Эти признаки часто не имеют чётких сигнатур, обнаруживаемых грубыми аэрофотосъёмками, но состав вида отражает специфические спектральные реакции, которые можно зафиксировать и^{классифицировать 33}. Обычно спутниковое и авиационное воздушное картографирование предоставляет геопространственные данные, необходимые для экосистемных обследований и моделирования, поддерживающих мониторинг и^{оценку 34,35}. Однако аэрофотокартографирование с низкой высоты с помощью дронов крайне важно для эффективной съёмки прибрежных лугов. Этот подход предоставляет данные высокого разрешения и обеспечивает более детальную фотограмметрическую запись ландшафтных особенностей, включая паттерны распределения растительности и модели высоты растительности, полученные из цифровой модели поверхности (DSM), тем самым повышая точность^{классификации 3}.

По сравнению с альтернативными подходами, рабочие процессы для БПЛА позволяют гибко планировать работу с фенологическими этапами, минимизировать помехи облаков и фиксировать структурные детали, недоступные на^{спутниках 36,37}. В сочетании с машинным обучением (например, Random Forest), данные БПЛА поддерживают автоматизированное обнаружение шаблонов, классификацию объектов и извлечение ценных инсайтов из сложных наборов данных, которые были бы ошеломляющими для человека^. Тем не менее, отбор на месте остаётся незаменимым для обучения под надзором, поскольку обеспечивает проверенные метки для обучения и оценки моделей, гарантируя, что модели усваивают правильные паттерны, а их производительность надёжна и^{надёжна} 11,39,40.

Этот протокол разработан для экосистем с низким рельефом и низкорастущими растительными сообществами, доступными для отбора проб на месте. Рабочий процесс разделён на четыре отдельных этапа (рисунок 2): (1) аэрофотосъёмка на основе БПЛА, (2) сбор и геосвязанность с точки зрения данных, (3) расчёт индекса растительности и (4) контролируемая классификация с использованием Random Forest в открытой статистической вычислительной среде R. Протокол был реализован с использованием RStudio со следующими ключевыми пакетами: terra, sp, sf, rgdal, raster, rsample, MLmetrics и randomForest.

Протокол

ПРИМЕЧАНИЕ: Следующие шаги описывают подробный рабочий процесс (см. схему на рисунке 3) для картирования и классификации прибрежных водно-болотных растительных сообществ. Этот протокол может быть воспроизведен с помощью мультиспектрального сенсора, установленного на БПЛА, или RGB-камеры. Выполнение этого протокола займет несколько дней. Поэтому методология разделена на четыре фазы с опциональными антрактами. Рекомендованная последовательность рекомендуется, поскольку результаты предыдущей фазы способствуют выполнению следующей. Первые три фазы генерируют наборы данных, которые служат входными данными для финальной фазы.

1. Аэрофотосъёмка на основе БПЛА

1. Получите и изучите необходимые меры предосторожности для операторов БПЛА, местные правила и руководства по оборудованию и программному обеспечению дронов.
   1. Обеспечить безопасность, легальность и профессиональную работу пилота; обладать всеми необходимыми сертификатами или лицензиями для региона деятельности; а также полностью обучения по работе с конкретной моделью дрона, использованию сенсоров/камер и рабочему процессу миссии. Обратитесь к государственной или региональной нормативной базе для получения страхования БПЛА.
   2. Определить классификацию воздушного пространства для района миссии и получить необходимые разрешения. Соблюдайте ограничения по высоте, запрещённые зоны полёта и ограничения на близость к аэропортам, инфраструктуре и населённым пунктам. Для экологических и дикой природы соблюдайте сезонные ограничения (например, периоды гнездования) и соблюдайте экологические нормы для охраняемых ландшафтов, водно-болотных угодий, объектов Natura 2000 и других охраняемых территорий.
   3. При необходимости уведомлять местных членов сообщества или заинтересованных сторон, чтобы получить одобрения и предотвратить недоразумения. Уточните правила защиты данных на случай, когда аэрофотоснимки могут захватывать людей, частную собственность или транспортные средства, убедив, что все понимают, что полёт дрона предназначен для картирования растенийных сообществ для исследований, а дополнительные данные, подпадающие под законы о защите данных, останутся конфиденциальными.
      ПРИМЕЧАНИЕ: Уведомление обычно необходимо, когда национальные или региональные нормативы требуют предварительной коммуникации при эксплуатации дронов.
   4. Соблюдайте все производственные рекомендации по сборке, обслуживанию и эксплуатации дрона и установленных датчиков; Такое соответствие обеспечивает безопасную эксплуатацию и обеспечивает целостность оборудования. Соблюдайте максимальные пределы ветра (9 м/с, включая порывы), температурные диапазоны (минимум 0 °C; максимум 35 °C) и грузоподъёмность при выборе датчиков/камер. Храните и транспортируйте аккумуляторы в соответствии с инструкциями производителя и требованиями авиационной безопасности.
2. Спроектировать миссию полёта БПЛА.
   ПРИМЕЧАНИЕ: Для реализации этого протокола использовалась система беспилотного лета eBee X, оснащённая мультиспектральным и RGB-датчиком, а также программным обеспечением управления полётом. Всегда обращайтесь к руководству производителя при использовании БПЛА.
   1. Открытое программное обеспечение управления полётами, предварительно установленное на ноутбуке. На странице приветствия, во вкладке «Новая миссия », выберите камеру для использования (в данном случае: Секвойя), введите описательное название миссии (например, название учебного места) и выберите «Создать миссию». Панель Миссии откроется автоматически, и спутниковая карта появится в основном виде.
   2. На спутниковой карте используйте курсор для увеличения, панорамирования и навигации к приблизительному месту изучения. На вкладке «Рабочая зона » выберите «Разместить рабочую область » и расположите курсор ближе к центру площадки для изучения, затем кликните. Появится круг, символизирующий рабочую зону; корректируйте его размер, увеличивая или уменьшая радиус.
   3. На панели «Миссия» нажмите вкладку «Взлёт и посадка ». Затем нажмите «Добавить новый старт», наведите курсор на спутниковой карте до желаемого места взлёта и выберите новую точку старта. После этого нажмите «Добавить новый дом», выберите «Линейная посадка», навигирайте курсором на карте к нужной точке посадки/возврата БПЛА и выберите «Установить».
      ПРИМЕЧАНИЕ: При планировании миссий используйте спутниковую карту и инструменты измерения программного обеспечения для поиска оптимальных зон посадки и взлёта, так как необходима взлётно-посадочная полоса без препятствий. Некоторые БПЛА с неподвижным крылом не имеют вертикального взлёта и требуют постепенного набора высоты при взлёте и постепенного снижения. Для таких БПЛА необходима взлётно-посадочная полоса длиной 200–300 м и шириной 75 м.
   4. На панели «Миссия » выберите вкладку «Блоки миссии ». Нажмите « Добавить блок миссии», затем выберите «Горизонтальное отображение». В выпадающем меню «Камера » выберите Sequoia, а в плане выше выберите данные высоты — EAD. В меню преднастроек появится вкладки с регулируемыми значениями: разрешение 10 см/пиксель, боковое перекрытие 75%, продольный перекрытие 80%, что обеспечивает высоту полёта 106,1 м/AED (эти автоматические значения были выбраны для обследования БПЛА).
   5. Поместите курсор на спутниковую карту и нарисуйте полигон вокруг исследуемой зоны левым кликом, чтобы добавить регулируемые угловые точки вокруг участка съёмки. Для завершения — кликните правой кнопкой мыши, чтобы отобразить потенциальный маршрут полёта дрона на карте.
      ПРИМЕЧАНИЕ: Для реализации этого протокола площадь обследования оценивалась в 40 га с временем полёта 32 минуты.
   6. В панели Миссия , во вкладке действий безопасности , убедитесь, что выбраны следующие действия. Для «Возвращения домой»: если обнаружен сильный ветер, если камера сообщает о неисправности, при слабом освещении (или на крышке объектива включён), если выносливость мала, если ухудшается точность GNSS, если связь с землёвым модемом теряется на 300 с (можно регулировать), и для подъёма: если обнаружена близость к земле, следует выбрать.
   7. Время критически важно: запланируйте миссию по картографированию как можно ближе к дате биофизического отбора проб (ground-truthing). Это крайне важно, так как гарантирует, что изображения дронов и полевые данные отражают экосистему в одинаковых экологических и фенологических условиях, значительно повышая научную точность и интерпретируемость карт.
   8. Выберите окно отлива (или «низководные» условия на неприливных побережьях) для максимизации открытой среды обитания и минимизации бликов воды; При планировании времени проведения аэрофотосъёмок также учитывайте беспокойство дикой природы и старайтесь избегать сезонов размножения.
3. Проведите предполетные проверки и выполнение полётной миссии.
   1. На месте оцените условия окружающей среды. Убедитесь, что текущий уровень морской воды низкий; избегать беспокойства дикой природы; Убедитесь, что зона взлёта и посадки стабильна, сухая и достаточно высоко над водой. Изучите воздушное пространство, где будет выполняться полётная миссия, в отношении воздушных препятствий, включая зоны взлёта и посадки.
   2. Следите за прогнозом погоды для оптимальных условий полёта: ветер (максимум 9 м/с), видимость (без тумана), влажность (ниже 75%) и количество осадков (максимальный прогноз 40%).
   3. Сборка системы БПЛА: аппаратное обеспечение дронов, сенсор/камеру, антенну и программное обеспечение для управления полётом. Подключите батарею дрона. Проверьте оборудование БПЛА, включая состояние датчиков и камер; убедитесь, что объектив чистый; и убедиться, что датчик/камера правильно подключены к БПЛА.
   4. Включите полевой компьютер, откройте программное обеспечение управления полётом (eMotion) и нажмите «Загрузить миссию» из файла «Просмотр».
      1. Подключите USB-антенну к ноутбуку, нажмите Connect, и справа появится панель управления полётом.
      2. Во вкладке «Камера » убедитесь, что достаточно памяти для хранения всех изображений опроса (пустая SD-карта, минимум 32 ГБ) и что указана правильная камера (Sequoia). Включите звук компьютера для прослушивания уведомлений о программном обеспечении.
   5. Проверьте, обновлены ли прошивка и программное обеспечение (с помощью автоматических уведомлений по программному обеспечению), и при необходимости откалибруйте компас.
   6. Убедитесь, что заранее разработанная миссия правильно загружена (то есть в основном виде траектории полёта, взлёта и посадки). Убедитесь, что меры безопасности выбраны правильно (как указано в шаге 1.2.6).
   7. Откалибруйте мультиспектральный датчик. Поставьте панель на землю, затем поднесите дрон над ней, чтобы сенсор/объектив камеры был обращён к панели.
      1. В программном обеспечении откройте панель управления полётом, откройте вкладку Camera и нажмите Calibrate.
      2. Ждите звуковых сигналов, указывающих на фотографию, пока не появится текст «Радиометрическая калибровка завершена ». Это не нужно, если используется только RGB-датчик.
   8. Перед началом миссии проверьте направление ветра. Возьмите небольшую горсть лёгкой сухой травы, песка или сухих листьев. Освободите материал с уровня глаз; направление, в котором дрейфует трава, указывает на путь ветра.
   9. Затем, в основном виде программы (спутниковой карте), отрегулируйте ориентацию траектории БПЛА, перетаскивая рычаг ориентации так, чтобы линии полёта шли перпендикулярно направлению ветра. Убедитесь, что траектория покрывает весь участок обследования: корректируйте углы полигонов, перетаскивая угловые точки.
   10. Корректируйте ориентацию траектории посадки, чтобы она была защищена от ветра.
   11. Убедитесь, что маршрут полёта, зоны взлёта и посадки находятся в рабочей зоне после всех корректировок. При необходимости расширяйте рабочую зону, увеличивая числовые значения радиуса во вкладке «Рабочая область ».
   12. Начните полёт БПЛА как автоматизированную миссию, следуя заранее разработанному маршруту (зона обследования для кейс-стади: 40,5 га). Лог старта полёта.
       1. Во время полёта держите программное обеспечение управления полётом включённым, а антенна дрона всегда подключена.
       2. Слушайте и наблюдайте программное обеспечение для обновлений срока службы батареи, работы датчиков и сигналов тревоги дрона во время миссии (например, увеличение скорости ветра, обнаружение препятствий).
       3. Всегда поддерживайте визуальную видимость (VLOS) с дроном во время миссии, если только не одобрено иное. Избегайте всех отвлекающих факторов и будьте готовы реагировать на уведомления или совершить аварийную посадку. Зафиксировать время окончания полёта.
          ПРИМЕЧАНИЕ: Лучшая практика (в зависимости от региона, это может быть юридическим требованием) — проводить обследования с двумя операторами: один обслуживает VLOS, другой — за программным обеспечением управления полётами. В случае аварии БПЛА приостановите полёты, обеспечьте безопасность территории, задокументируйте происшествие, уведомите соответствующие органы и начните процедуры страхования.
4. Выполняйте процедуры после полёта.
   1. Извлечь все аэрофотоснимки с датчика или камеры, установленного на БПЛА, и сделать резервную копию всех данных обследования, включая журнал полёта, на компьютер и/или облако.
      ПРИМЕЧАНИЕ: Риск потери данных со временем возрастает, так как оборудование может быть повреждено, а SD-карты — повреждены.
   2. Проверьте резкость изображения, экспозицию и покрытие, проверяя на наличие пробелов в последовательности, которые могли возникнуть из-за ошибки сенсора или вызваны бликами, тенями или приливным затоплением. По мере необходимости переназначайте и повторно обследуйте, чтобы полёт дрона проходил в непосредственной временной близости от наземного осмотра.
   3. Скачайте и сохраняйте файл независимого обмена получателя (RINEX) из публичных архивов, таких как национальные службы земельной съёмки, соответствующий дате и времени рейса.
   4. На внешнем жёстком диске (250 ГБ-1 ТБ) создайте папку для учебного случая (рекомендуемое название: date_ location [Избегайте использования пробелов и специальных символов]). Это будет главная папка для хранения данных и доступа для последующих этапов, а также место, где будут создаваться/сохраняться слои геопакетов.
   5. Для проведения геотегирования аэрофотосъёмки в программном обеспечении управления полетами откройте вкладку Postflight . Если один и тот же компьютер использовался для полёта в календаре, выберите дату полёта. Если нет, выберите No.
   6. Просмотрите и загрузите журнал полёта из резервного файла. Создайте папку проекта на внешнем накопителе памяти для учебного случая (заголовок проекта, как указано на экране). Нажмите «Далее».
   7. Просматривайте и загружайте журналы полёта с SD-карты, использованной во время полёта, которые можно идентифицировать по номеру рейса, или загрузить их из резервного файла. Подождите, пока траектория полета появится в основном виде программы. Убедитесь, что это правильный регион/журнал полёта. Нажмите «Далее».
   8. В выпадающем меню в разделе «Опции постобработки » выберите PPK: Обработка необработанных GNSS-данных дрона. В журнале базовой станции выберите Rinex, просмотрите и найдите сохранённый файл RINEX. Нажмите «Далее», затем ждите завершения расчёта. Убедитесь, что PPK fixed > Geotags postprocessing отображаются на 100%, затем нажмите Next.
   9. В выпадающем меню «Загрузка изображений » выберите один из следующих вариантов: с SD-карты или «Просмотр », чтобы найти папку с аэрофотосъёмками, соответствующими журналу полёта. Нажмите «Далее». Дождитесь, пока появится удачное сопоставление изображения , и нажмите « Next », чтобы запустить импорт изображения с геотегом в папку проекта. Эти изображения служат входными элементами в процессе фотограмметрии.
      ПРИМЕЧАНИЕ: Для каждого журнала полёта геотегирование изображения должно выполняться отдельно (повторяйте шаги 1.4.4–1.4.8). Например, после замены батареи БПЛА последующий аэрофотосъём будет иметь новый журнал полётов.
5. Обрабатывайте фотограмметрические данные (то есть создайте картографические продукты с использованием аэрофотосъёмок).
   1. На рабочей станции подключите внешний жёсткий диск с геотегированными изображениями обследования БПЛА и откройте предварительное программное обеспечение фотограмметрии.
      1. Создайте новый проект и сохраните его на внешний диск (рекомендуемый формат: префикс MS или RGB + местоположение + дата).
      2. Добавьте изображения, отмечая, что мультиспектральные и RGB-наборы данных должны обрабатываться в отдельных проектах; поэтому для мультиспектральных изображений используется префикс MS и RGB для последних.
         ПРИМЕЧАНИЕ: использовался PIX4Dmapper; однако для воспроизведения этого протокола можно использовать альтернативное программное обеспечение для фотограмметрии.
   2. Убедитесь, что в всплывающем окне «Свойства изображения » указаны/выбраны следующие параметры: WGS 84 в качестве системы координат, правильное количество геолокационных изображений и диапазоны выбранных моделей камеры (Sequoia и Green, Red, Red edge, NIR или RGB).
      1. Нажмите Next, затем выберите шаблон обработки: Ag мультиспектральный для мультиспектральных, а RGB Ag для RGB-изображений. В основном виде появится спутниковая карта с локациями изображений.
         ПРИМЕЧАНИЕ: Для мультиспектрального проекта обязательно добавьте калибровочные изображения с видимой панелью калибровки (созданной в шаге 1.3.7 и автоматически сохраняемой со всеми данными обследования). Для этого кейса было геолокационировано всего 2 320 мультиспектральных и 577 RGB-изображений.
   3. Откройте окно опций обработки , нажмите 1. Начальная обработка здесь в разделе Key Points Image Scale, выберите Full и Generate Orthomosaic Preview в Quality Report, затем нажмите 2. Point Cloud и Mesh > Point Cloud на этой вкладке, выберите 1/2 (половинный размер изображения, по умолчанию) и выберите Классифицировать облако точек.
   4. Нажмите 3. Вкладка калькулятора DSM, Orthomosaic и Index > Index выберите GeoTIFF и Merge Tiles, а также все доступные индексы для генерации (рисунок 4).
      1. Для мультиспектрального проекта убедитесь, что в разделе радиометрической обработки и калибровки тип калибровки каждого диапазона установлен на камеру, солнечное излучение и угол солнца.
      2. Нажмите DSM и Orthomosaic в разделе Raster DSM выберите тайлы GeoTIFF и Merge, а в разделе Orthomosaic выберите GeoTIFF и Merge tiles. Нажмите OK и начинайте обработку.
         ПРИМЕЧАНИЕ: При обработке мультиспектральных изображений тип калибровки автоматически устанавливается с помощью калибровочных изображений, сделанных на месте до полёта (шаг 1.3.7), но может быть перекалиброван вручную, нажав «Калибровать». Затем просмотрите изображение калибровочной панели (с соответствующим названием диапазона) и введите значение коэффициента отражения, зачитанное с калибровочной панели.
   5. Обработка фотограмметрии завершается сгенерированными/сохранёнными картами отражательной способности (карты обзора БПЛА) в папке мультиспектрального проекта: зелёный, красный, красный край, NIR, а в RGB: красный, зелёный, синий, оттенки серого, ортомозаика и DSM (цифровая модель поверхности). Убедиться, что все индексы, ортомозаика и DSM GeoTIFF объединены и проверить отчёты проекта на наличие ошибок; Если обнаружены проблемы, повторяйте обработку.

2. Сбор данных о достоверности земли и проведение геопривязки

1. Готовьтесь к полевой работе.
   1. Посетите место исследования заранее и исследуйте территорию, чтобы выявить потенциальные интересующие растительные сообщества, получая таким образом практические знания о объекте. Определите, какие биофизические наблюдения возможны для сбора на месте и необходимы для описания состава растительных сообществ выбранного участка исследования.
      ПРИМЕЧАНИЕ: Для иллюстрации этого протокола акцент был сделан на видах, структуре и составе растений для классификации четырёх растительных сообществ, характерных для балтийского боеального прибрежного луга: Открытый Пионер (OP), Нижний берег (LS), Верхний берег (США) и Высокая трава (TG).
   2. Подготовьте и распечатайте визуальное руководство по идентификации видов растений, в котором перечислены виды, указывающие на растительные сообщества в конкретной среде обитания, которые картографируется. Гид может ускорить и помочь с идентификацией видов на месте в случае отказа электронных устройств.
   3. Подготовьте рабочий лист для записи полевых наблюдений, включая список индикаторных видов и других видов, часто встречающихся в изучаемой среде обитания и прилегающей территории, а также дополнительные биофизические полевые наблюдения, которые необходимо зафиксировать (например, дата обследования, высота растительности, вес биомассы).
2. Используйте процедуру стратифицированного отбора проб для сбора данных о истинности на земле с использованием квадратов.
   1. Визуально определите растительное сообщество на основе практических полевых знаний.
   2. Разместите квадратную раму на земле в репрезентативном месте для отбора пробы растительного сообщества, избегая зон с существенными нарушениями. Для бореальных прибрежных водно-болотных угодий достаточно квадрата размером 1 м x 1 м. Этот квадрат будет служить образцом для биофизических наблюдений и отбора проб биомассы.
   3. Запишите дату обследования, имена геодезистов, тип/класс растительного сообщества и код числа для каждого выбранного квадрата.
      ПРИМЕЧАНИЕ: Рекомендуется устанавливать числовые коды в следующем порядке: код полей исследования + код сообщества растений + примерный номер последовательности квадрата записываемого квадрата. Эти числовые коды связывают биофизические полевые наблюдения с геопространственным набором данных и координатами.
   4. Записывайте координаты на каждом углу выборочного квадрата с помощью систем GNSS/RTK и программного обеспечения для землеустроения, вводя числовой код, соответствующий коду квадратного номера, и сохраняя координаты.
      ПРИМЕЧАНИЕ: Используйте приёмник GNSS, который предоставляет высокоточные (на уровне сантиметров) данные о местоположении; Обратитесь к руководству пользователя для получения инструкций по эксплуатации устройства и его дополнительного программного обеспечения.
   5. Что касается биофизических наблюдений, внутри выборочного квадрата фиксируйте оценочные проценты покрытия для каждого наблюдаемого вида растений, а также покрытие других потенциально показательных переменных, включая голую землю, растительный опав, мох и водоросли (обеспечивая общее количество от 95% до 105%), что является допустимым диапазоном для фитосоциологических исследований). Проведите пять случайных измерений высоты растительности с помощью измерительной ленты, чтобы определить среднюю высоту образца.
   6. С помощью того же квадрата образца собирайте дополнительные биофизические наблюдения: например, процент влажности почвы, отбор биомассы растительности путём вырезания растительности на уровне почвы, сбора биомассы в бумажный пакет и взвешивания с помощью батарейной нивелированной шкалы (точность ± 1 г). Чтобы определить истинный вес биомассы, вычтите вес бумажного пакета от общего веса. Записывайте все веса на будущее.
3. Повторите процедуры стратифицированного квадратного отбора проб, описанные в предыдущих шагах (2.2.1–2.2.6), минимум 10 раз в каждом из классов растительных сообществ (то есть OP, US, LS, TG).
   ПРИМЕЧАНИЕ: Избегайте размещения квадратов образца слишком близко друг к другу. Крайне важно обеспечить последовательный и всесторонний отбор проб на всех участках исследования, чтобы точно отражать зафиксированные образцы квадратных образцов среды обитания. Поскольку растительные сообщества часто встречаются в мозаичных узорах в прибрежных водно-болотных угодьях, возьмите образцы одного и того же растительного сообщества в разных местах исследуемого участка.
4. Оцифровать записи отбора проб квадратов после завершения всех полевых наблюдений.
   1. Транскрибировать все заметки по полевой работе в программное обеспечение для электронных таблиц, создавая набор данных для анализа, организуя данные в формате таблицы с заголовочной строкой, обозначающей каждую переменную; Затем введите все значения соответственно.
   2. Сохраните файл и экспортируйте его в файл с разделёнными значениями (CSV).
5. Создайте базовый набор данных, геореференсируя биофизические наблюдения.
   1. Скачайте все зафиксированные координаты выборочных угловых позиций квадрата в виде CSV-файла из системы GNSS/RTK, используемой в полевых условиях.
   2. Создайте новый проект в программном обеспечении Geographic Information System (GIS) (для реализации этого протокола использовался QGIS) и сохраните его в формате .qgz в проекте, созданном на шаге 1.4.3. Эта папка и файл .qgz будут включать все геопространственные наборы данных из следующих шагов.
   3. В ГИС-рабочем пространстве импортируйте CSV-файл с координатами квадратных углов в виде Разделённого текстового слоя. После импорта этих координат они появятся в виде формы: точки.
   4. Соедините координаты каждой квадратной угловой точки в shapefile: polygon и сохраните shapefile.
   5. Соедините shapefile полигона с оцифрованным файлом CSV полей (созданным на шаге 2.4), связав числовые коды обоих файлов.
   6. Сохраните недавно созданный набор данных Ground Truth в виде файла GeoPackage (.gpkg) в папке, созданной на внешнем жёстком диске (шаг 1.4.4). Сохраните для обновления проекта ГИС.

3. Расчёт индекса растительности (VI)

1. Подготовьте геодезические карты на основе БПЛА для Vis.
   1. В рабочее пространство программного обеспечения ГИС (используйте тот же файл .qgz, созданный на шаге 2.5.2 и обновлённый в версии 2.5.6), импортируйте все мозаики отражения (картографические продукты), созданные с использованием обзора БПЛА на первом этапе протокола, на шаге 1.5.
   2. Уменьшите размер карт, «обрезайте» ненужные данные. Рассматривая распределение выборки квадратов и основываясь на опытных знаниях о протяжении участка исследования, создайте границу полигонов вокруг участка и откройте карты по его протяжённости (рисунок 5). Это уменьшит размер файла и увеличит скорость обработки.
      ПРИМЕЧАНИЕ: Обрезанные карты обзора (мультиспектральные ЗЕЛЁНЫЙ, КРАСНЫЙ, красный край, NIR и RGB красный, зелёный, синий диапазон GeoTIFF и ground_truth.gpkg (созданные на шаге 2.5.6) доступны для скачивания из репозитория Zenodo по ссылке: https://doi.org/10.5281/zenodo.20075625 только для образовательных целей для практики воспроизведения следующих шагов.
2. Используйте инструмент Raster Calculator для вычислений; формулы VI перечислены в дополнительном файле 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. При расчёте мультиспектральных VIs используйте RED, GREEN, NIR и Red-edge GeoTIFF в качестве входных значений. (см. рисунок 6, ГИС-растровый калькулятор, один из VI формул в качестве примера).
   2. Для вычислений VI на основе RGB сначала нормализуйте красное, зелёное и синее индексы (образовочные произведения с шага 1.5). Новые RGB VI рассчитываются только после завершения процесса нормализации (формулы для нормализации RGB-индексов доступны в дополнительном файле 1 как часть списка RGB VI).
   3. Сохраняйте новые VI в виде GeoTIFF (например, растровые файлы) в отдельные папки, называя их соответствующими именами (например, префикс (MS или RGB) + имя индекса) в папке GIS Project, созданной на внешнем жёстком диске (шаг 1.4.4).
   4. Добавьте DSM и другие автоматизированные VI (например, graytones), созданные или обрезанные на шаге 3.1.2, в папку RGB VIS. Эти папки с VI, в сочетании с файлом правды на земле (созданным на шаге 2.5.6), служат базовыми наборами данных для алгоритма случайного леса для классификации растительных сообществ карт. Сохраните для обновления проекта ГИС с ссылками на растровые файлы VI.

4. Контролируемая классификация в R с использованием случайного леса

ПРИМЕЧАНИЕ: Чтобы выполнить этот этап, откройте статистическую вычислительную среду для R в RStudio, затем перейдите в раздел «Файл > открыть файл » и выберите скрипт, предоставленный в дополнительном файле 2. Этот скрипт готов к использованию и организован для обеспечения воспроизводимости и облегчения адаптации к другим объектам исследования. Его можно выполнить двумя способами: (1) Запустить весь скрипт одновременно: нажмите Source или нажмите Ctrl + Shift + Enter, убедившись, что путь к папке и файлу GeoPackage обновлены; или (2) Запускать строка за строкой или блок за блоком: разместить курсор на строке или выбрать блок и нажать Ctrl + Enter. Этот вариант рекомендуется, так как он предлагает лучшие альтернативы для устранения неполадок.

1. Подготовьте R-окружение.
   1. Установите и загрузите необходимые пакеты (например, terra, sp, sf, raster, rsample, MLmetrics, randomForest, rgdal)⁷².
      ПРИМЕЧАНИЕ: Если rgdal несовместим с новейшими версиями R, стек функций() и readOGR() можно заменить на rast() и st_read() соответственно.
   2. Настройте рабочий каталог.
2. Выполните растровую предобработку.
   1. Загрузите все растровые файлы из опрошенной области, расположенной в конкретной рабочей директории.
   2. Обеспечьте согласованную проекцию, разрешение и объём между входными растрами. Если обнаружены несоответствия, используйте функцию resample() в R (например, terra::resample() или raster::resample()), чтобы выровнять растры с общим эталонным файлом (обычно с самым грубым пространственным разрешением для предотвращения искусственного масштабирования) (см. статью Хайманса и ^др.73).
3. Выполните извлечение данных:
   1. Импорт данных о земледелии из GeoPackage (созданного на шаге 2.5.6).
   2. Используйте функцию terra:: extract(), чтобы связать растровые значения с выборочными полигонами.
   3. Соедините фрейм данных, содержащий извлеченные значения, с кодами растительных сообществ, убедившись, что они являются факторами.
4. Разделите набор данных на обучающие и валидационные наборы с использованием стратифицированной выборки для поддержания баланса классов. Изменять соотношение между обучающими и валидационными образцами по предпочтительности или в зависимости от доступности образцов.
   ПРИМЕЧАНИЕ: Меньшие наборы данных обычно требуют разделения 80/20 для получения достаточного количества обучающих данных. Более крупные наборы данных: 70/30 достаточно и обеспечивает более сильный набор валидации или тестирования (см. публикацию Мохаммеда и Альсуноси⁷⁴).
5. Выполните настройку моделей.
   1. Определите сетку параметров для изучения различных комбинаций mtry и ntree.
      ПРИМЕЧАНИЕ: mtry — это количество переменных (предикторов), которые случайным образом выбираются в качестве кандидатов для каждого разделения при развитии дерева решений в RF. Значение по умолчанию обычно является квадратным корнем из общего числа предикторов для классификации и одной третью для регрессии. В то время как ntree — это общее количество деревьев решения, которые будут расти в лесу. Большее количество деревьев обычно повышает производительность, но увеличивает вычислительное время; Обычно уровень ошибок стабилизируется после определённого количества деревьев.
   2. Пройдите по сетке (то есть поиск по сетке, который систематически проверяет различные комбинации значений гиперпараметров для поиска наилучшего набора для модели) и оценивайте точность для каждой комбинации.
   3. Выбирайте комбинацию с максимальной точностью.
      ПРИМЕЧАНИЕ: см. Belgiu и^{Drăguţ 75}, а также Bergstra ^{et al.76} для лучшего понимания актуальности и альтернативных подходов этого шага.
6. Подгоняйте RF-модель с оптимальной комбинацией параметров. Скрипт фиксирует ошибку Out-of-Bag (OOB) и переменную важность.
7. Проведите прогнозирование и оценку точности.
   1. Предсказать класс растительного сообщества для всех пикселей в растровом стеке и валидационном наборе данных. Экспортировать карту классификации в формате GeoTIFF (см. рисунок 7, где показан скриншот консоли R, включая визуализацию финальных результатов; Рисунок 7A показывает продукт карты растительных сообществ при использовании входного набора данных мультиспектрального VI, а рисунок 7B показывает продукт карты растительных сообществ при использовании набора данных RGB+DSM).
   2. Вычислите матрицу путаницы, точность, результат F-1, точность и отзыв на валидационном наборе (см. рисунок 8, где показаны скриншоты R, демонстрирующие рейтинги производительности VI; На рисунке 8A показан скриншот консоли R и графики при использовании мультиспектральных VI в качестве входного набора данных, а на рисунке 8B показан скриншот при использовании RGB+DSM набора данных; Рисунок 8A, представления B включают графики с переменной важностью с названием «final_rf»). Для получения дополнительной информации об этих метриках см. статью Найду и ^{др. 77}.
8. Возобновить проект QGIS (созданный на шаге 2.5.2 и обновлённый в 2.5.6 и 3.2.3), добавить карты классификации растительных сообществ (GeoTIFFs). Сохраните проект QGIS, чтобы обновить проект ГИС.
   1. Чтобы поделиться и скопировать резервные копии всех геопространственных наборов данных (карты обследования БПЛА, достоверность грунта, VI, карты классификации растительных сообществ в рамках ГИС-проекта), перейдите в папку с местом исследования, кликните правой кнопкой мыши и выберите «Отправить в > папку Compressed (zip).
      ПРИМЕЧАНИЕ: Полная папка проекта ГИС-проекта может представлять собой значительный набор данных (этот набор кейс-стади площадью 40 га превысил 140 ГБ). При необходимости сообщайте только конечные результаты и набора данных о реальности на земле, чтобы уменьшить размер файла.

Результаты

Полуавтоматизированный метод картирования и классификации растительных сообществ предназначен для получения точной информации о земельном покрове прибрежных водно-болотных угодий, которые доминируют разнородные, низкорослые травянистые растения и характеризуются микротопографией; см. пример такой среды обитания на фотографии на рисунке 1. Был проведён кейс-стади балтийских бореальных прибрежных водно-болотных угодий на острове Хиумаа в Эстонии. На месте были отобраны четыре растительных сообщества для обучения классификационной модели: Open Pioneer (OP), Lower Shore (LS), Upper Shore (US) и Tall Grass (TG). Рисунок 2 даёт краткий обзор методологии, реализуемой в четыре отдельных этапа. В отличие от этого, рисунок 3 иллюстрирует подробный диаграмматический гайд, очерчающий пронумерованные и применимые шаги, связанные стрелками для отображения потока данных, синтезируя методологию по этапам и фазам протокола. Конечными результатами этого метода, с использованием мультиспектрального и RGB-датчика, являются мультиспектральные и RGB-карты растительных сообществ, которые хранятся как слои в ГИС-проекте вместе со всеми промежуточными наборами данных. Качество геопространственных наборов данных оценивалось после завершения каждой фазы протокола, поскольку качество результатов на последующих этапах зависит от качества результатов предыдущей фазы, завершаясь финальной фазой, где входные данные составляют совокупность всех предыдущих этапов.

Ниже приведены итоги каждого из четырёх этапов протокола:

На первом этапе аэрофотосъёмка БПЛА проводилась на высоте 120 м, что дало расстояние до земной образцы (GSD) примерно 10 см на пиксель. Аэрофотосъёмка позволила получить мультиспектральные и RGB-изображения. После постобработки кинематики (PPK) для каждого снимка с дрона корректировались геотеги, а изображения мозаично обработаны в профессиональном программном обеспечении фотограмметрии для создания воздушных карт. Фотограмметрическая обработка мультиспектральных аэрофотосъёмок дала растровые файлы с отражательной силой RED, GREEN, NIR и красной ребра.

Мультиспектральные и RGB-аэроснимки обрабатывались как отдельные проекты из-за уникального разрешения фотографий. См. рисунок 4 настроек RGB-мозаики изображения. Рисунок 4A. Опции обработки путём выбора объединённых тайлов и создания бесшовных, унифицированных карт вывода. Рисунок 4B. выбор автоматических индексных расчётов по изображениям RGB-камер давал четыре растровые карты: по одной на полосу (красный, зелёный и синий), а также DSM (модель цифровой поверхности). Рисунок 4C. демонстрирует генерацию автоматических точек связи для согласования общих пикселей на перекрывающихся изображениях на начальном этапе обработки. Вместе с тремя RGB-индексами (красный, зелёный, синий) и DSM программное обеспечение для фотограмметрии генерировало программно генерируемый растр в оттенках серого: монохроматическое одноканальное представление, масштабирующее и комбинирующее различные полосы (например, красный, зелёный, синий), при этом низкие значения пикселей выглядят чёрными, а высокие — белыми. Формулировка этого индекса оттенков серого специфична для программного обеспечения и не стандартизирована на всех платформах фотограмметрии.

Программное обеспечение для фотограмметрии создавало отчёты о качестве, описывающие результаты обработки для обоих наборов проектов аэрофотосъёмки: мультиспектральных и RGB. Эти отчёты предоставляют ключевые метрики для проверки точности. Показатели высокого качества — низкая ошибка репроекции: чем ближе к 0, тем лучше (всё, что ниже 1.0, обычно принимается). Например, плотные «линии совпадения» означают сильные совпадения между большинством изображений. Выходные карты были визуально оценены и не содержали пустот и других визуальных несоответствий. Визуальные расхождения свидетельствуют о возможных ошибках отражания и мозаики, а также о проблемах с геореференсированием сетки. Отчёт по фотограмметрии вместе с конкретными программными руководствами и учебными ресурсами используется для выявления проблемы, поиска решения и повторной обработки аэрофотоснимков.

Аэрофотосъёмки БПЛА служили базовым набором данных для перерасчета сложной спектральной информации в стандартизированные пиксельные индексы (то есть индексы растительности, генерируемые на третьей фазе), что позволяло использовать их в качестве структурированных входных данных для классификации с помощью машинного обучения (на финальной фазе протокола).

Биофизические наблюдения на месте были собраны в виде набора данных с точки зрения реальности. На месте изучения случая (балтийские бореальные прибрежные водно-болотные угодья) были выявлены и отобраны четыре ключевых сосудистых растительных сообщества: Открытый Пионер (OP), Нижний берег (LS), Верхний берег (США) и Высокая трава (TG). Используя метод стратифицированного квадратного отбора проб, описанный на втором этапе протокола, растительное сообщество OP было выявлено по наличию индикаторных видов: Salicornia europaea и Suaeda maritima; LS с высоким процентом Glaux maritima и Juncus geradii; США по индикаторным видам: Festuca rubra и Leontodon autumnalis; в то время как TG отличается значительным присутствием высоких трав: Deschampsia cespitosa, Elytrigia repens и Molinia caerulea. Для каждого растительного сообщества было собрано не менее 10 образцов квадратов. Каждый образец квадрата включал следующие биофизические наблюдения: состав видов растений (%), влажность почвы (%), высота растительности в сантиметрах и точные координаты квадратов. Эти переменные оцифровывались в табличный набор данных, импортировались в GIS Project, добавлялись в образец shapefile-данных quadrat GNSS и сохранялись в виде GeoPackage (.gpkg). Такой независимый от платформы файл, содержащий биофизические наблюдения за болотными растительными сообществами и точные координаты образцов, выполняет двойную функцию: для дальнейшей оценки и моделирования экологических и экологических экосистем. Самое главное — для успешного выполнения этого протокола этот файл GeoPackage служит данными обучения и валидации модели в процессе машинного обучения, описанном на этапе 4. Кодирование растительных сообществ: OP, LS, US, TG; использовались как обучающие метки в процессе машинного обучения. Точность (метки высокой точности, аудит человека, согласованный формат) и структура (чистый, прямоугольный формат (строки/столбцы)) имеют решающее значение для создания высококачественного набора данных по правде на месте. Метки правдивости на земле должны иметь почти нулевую ошибку (например, опечатки), чтобы обеспечить согласованные правила маркировки. Например, если «OP» — это основная истина, важно убедиться, что она не обозначена каким-либо другим способом (например, «op», «O.P.»), чтобы избежать дублирования.

Для выполнения третьего этапа протокола наборы данных из аэросъёмки, проведённых на первом этапе, были использованы для перерасчета исходных данных аэрофотосъёмки в индексы растительности (VI). Во-первых, чтобы уменьшить размер набора данных и упростить вычислительный процесс, фотограмметрия выхода «обрезают» так, чтобы опускать нерелевантные или низкокачественные пиксельные данные за пределами участка исследования (см. рисунок 5 как иллюстрацию действий, выполняемых в программном обеспечении ГИС).

Затем было рассчитано 19 мультиспектральных VI с использованием отражательных карт RED, GREEN, NIR и Red-edge. Были созданы и включены в проект ГИС: индекс Datt 4 (Datt4)⁴¹, Улучшенный индекс растительности (EVI)⁴², Индекс зеленого хлорофилла (GCI)⁴³, Индекс разницы зелености (GDI)⁴⁴, Обобщённые индексы различий растительности (GDVI)⁴⁵, Индекс зеленой инфракрасной процентной растительности (GIPVI)⁴⁶, Индекс зеленой нормализации разницы растительности (GNDVI)⁴⁷, Индекс разницы зелёного и красного (GRDI)⁴⁴, Индекс зелено-красной растительности (GRVI)⁴⁵, Модифицированный нормализованный индекс разницы растительности (mNDVI)⁴⁸, Модифицированный индекс растительности с корректированной почвой⁴⁹ (MSAVI: см. рисунок 6. скриншот растрового калькулятора в ГИС с вводом формулы MSAVI), Модифицированное простое соотношение красного края (MSRred_edge)⁵⁰, Нормированный разный водный индекс (NDWI)⁵¹, Нормированный индекс разницы растительности (NDVI)⁵², Красный Край NDVI (NDVIre)⁴⁷, Индекс треугольной растительности с красным краем (RTVIcore⁾⁵⁰, Индекс почвенной корректировки (SAVI)^53,54, Простое отношение (SR)⁵⁵, Соотношение простого красного края (SRre)⁴⁷.

Кроме того, было рассчитано и сохранено в виде растровых файлов в проекте ГИС для дальнейшего пространственного анализа: индекс соотношения синий–зелёный (BGRI)⁵⁷, индекс яркости (BI)⁵⁸, индекс растительности широкого динамического диапазона синего (BRVI)⁵⁹, цветовой индекс растительности (CIVE)⁶⁰, расширенный индекс растительности в зеленом виде (EGVI)⁶¹, улучшенный индекс растительности (ERVI)⁶², Избыток зелёных индексов ExG и^{ExGI 63}, индекс комбинации (COM)⁶⁴, зелёная хроматическая координата (GCC) ^34,65, индекс зелёных листьев (GLI)⁶⁶, индекс зелено-красной растительности (GRVI)⁶⁷, модифицированный индекс зелено-красной растительности (MGRVI)⁶⁸, нормированный индекс разницы зелёно-синий (NGBDI)⁶⁹, нормированный индекс разницы зелёно-красного (NGRDI)⁶⁹, индекс соотношения красно-зелёно-синий и красно-зелено-синий индекс растительности (RGBRI⁷⁰) и RGBVI⁶⁸), индекс соотношения красно-зелёный (RGRI)⁵⁷, индекс видимой почвы (SAVI)⁵³, треугольный индекс зелености (TGI)⁶⁹, индекс видимой атмосферорезистентности (VARI)⁴⁷, индекс вегетативности (VEG)⁷¹, индекс Воеббека (WI)⁶³.

Итоговые результаты включают две отдельные мультиспектральные и RGB-карты классификации растительных сообществ, сохранённые в виде GeoTIFF в рамках проекта ГИС, а также все предыдущие геопространственные данные. 19 мультиспектральных VI, вместе с набором данных на уровне основной реальности, использовались в качестве предикторов на уровне пикселей в рабочем процессе машинного обучения (например, алгоритм RF) для классификации бореальных прибрежных растительных сообществ (OP, LS, US, TG) и создания карты мультиспектральных растительных сообществ. А также предикторы на основе RGB (25 RGB VI, индекс в оттенках серого и^{нормализованные 56} красных, синих, зелёных индексов и DSM), а также набор данных по правде на земле, для классификации и создания карты растительных сообществ на основе RGB (см . рисунок 7). Финальные выходы отображались на консоли R; Рисунок 7A представляет мультиспектральные, а рисунок 7B — карты растительных сообществ на основе RGB).

Для получения конечной результатной работы среда R (фаза 4 протокола) использовалась для написания сценариев и выполнения рабочего процесса машинного обучения (например, алгоритма RF), что позволяло визуализировать промежуточные выходы, такие как рейтинги производительности индекса растительности (VI) (рисунок 8). При картографировании и классификации растительных сообществ консоль R предоставляла сообщения об ошибках и объяснения в реальном времени, облегчая устранение неполадок и обеспечивая плавное прохождение каждого этапа.

В этом исследовании были рассмотрены две модели радиочастотных алгоритмов для карт классификации растительных сообществ. Первая RF-модель, использующая мультиспектральные VI в качестве входного набора данных, достигла точности 92,34% при оценке F1 0,915 в валидационном наборе. Это допустимый результат, так как оценки F1 варьируются от 0 (худшее) до 1 (идеальное), при этом более высокие оценки указывают на превосходную производительность. Оценка F1 в RF-модели представляет собой гармоническое среднее точности и запоминания. Этот показатель эффективно уравновешивает ложноположительные и отрицательные результаты, то есть не позволяет одному типу ошибки перевесить другой, что важно для несбалансированных наборов данных, и часто усредняется по классам или отражается по классам для оценки общей производительности^{модели 78,79}. Коэффициент ошибки OOB в мультиспектральной модели составлял 7,75%, что указывает на умеренный риск неправильной классификации. Результаты F1 на уровне класса в валидационном наборе варьировались от 0,845 в TG до 0,984 в растительных сообществах OP, что указывает на умеренную изменчивость эффективности между сообществами.

Вторая оценённая модель RF была основана на VI и DSM, полученных из аэрофотосъёмки RGB, с точностью 98,89% при общем балле F1 0,987. Уровень ошибки OOB составлял всего 1,14%, что отражает очень высокую надёжность. Результаты F1 на уровне класса были стабильно высокими (0,986–0,993), что свидетельствует о надёжной классификации для всех сообществ.

График переменной важности в R (рисунок 8A) продемонстрировал предсказательные способности каждого VI для бореальных прибрежных водно-болотных растительных сообществ. Самыми влиятельными мультиспектральными VI в качестве предикторов были mNDVI и SR, которые указывают на высокую чувствительность к зелени и биомассе кроны. Аналогично, GRDI, NDVI, NDVIre и SRre также заняли высокие позиции, что отражает роль индексов «красного края» и нормированных различий в различии типов растительности. В отличие от этого, индекс на основе RGB и график переменной важности DSM показывают, что структурная модель высоты, полученная из DSM, как предиктор, является ключевым фактором точности классификации (рисунок 8B). Другие важные предикторы включают TGI, оттенки серого и VARI, которые используют изменчивость отражательной способности RGB. Таким образом, эти результаты свидетельствуют о том, что индексы, полученные на основе DSM и RGB, значительно повышают надежность классификации и снижают риск неправильной классификации.

Весь геопространственный набор данных был сохранён в виде GIS-проекта — папки, включающей растровые карты БПЛА и VI, биофизический наблюдательный GeoPackage (ground truth) и карты растительных сообществ; все они связаны как QGIS-проект (.qgz файл). Проект подходит для офлайн-использования и обеспечивает совместимость между ГИС-платформами.

Рисунок 1: Место исследования .Фотография с точкой местоположения на глобальной карте, указывающей на остров Хийумаа в Западном эстонском архипелаге. Объект исследования, Kõrgessaare rannaniit, расположен в деревне Вискоса и является охраняемой природной территорией. Тип среды обитания: бореальный балтийский прибрежный луг (код Natura 2000 1630). Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 2: Концептуальная диаграмма рабочего процесса. (1) аэрофотосъёмка на основе БПЛА, (2) сбор и геосвязанность с достоверностью данных, (3) вычисление индекса растительности и (4) контролируемая классификация с использованием случайного леса в R. Реальные карты реализации протокола иллюстрируют этот четырёхфазный метод. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 3: Подробная схема рабочего процесса. На диаграмме перечислены 4 фазы (и ключевые шаги) протокола в различных цветных панелях, а также наборы данных, генерируемые на каждой фазе. Арроры символизируют поток данных. Синий цвет отличает мультиспектральный набор данных от RGB в красном цвете. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 4: Пример программного обеспечения для фотограмметрии. (A–C) Скриншот проекта RGB-мозаики изображений: (A) Опции обработки для DSM и ортомозаик. (B) Опции обработки для красного, зелёного и синего индексов. (C) Обзор процесса обработки, включая аэрофотоснимки и ракурсы камеры. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 5. Обрезка растровых файлов карты в программном обеспечении ГИС. Скриншот рабочего пространства QGIS с видимыми слоями и открытыми вкладками последовательно, демонстрирующим, как обрезать ненужные данные: растр-экстракция-клип растр по Extent («extent» в данном случае означает форму полигона, нарисованную по желанию и используемую для маскировки пикселей, падающих за пределы её границ). Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Рисунок 6. Скриншот растрового калькулятора ГИС. Например, модифицированный индекс вегетационного индекса растительности (MSAVI) в качестве примера. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 7. Статистическая вычислительная среда для скриншотов версии R, демонстрирующих конечные результаты, отображаемые в консоли R (RStudio). (A) мультиспектральные и (B) карты растительных сообществ на основе RGB. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 8. Среда статистических вычислений для скриншотов R, демонстрирующих рейтинги производительности VI. (A, B) Виды консоли R: (A) Скриншот при использовании мультиспектральных VI в качестве входного набора данных, и (B) Скриншот при использовании RGB+DSM-набора данных. Оба вида (A) и B, включают графики с переменной важностью с названием «final_rf» (имя объекта, генерируемого скриптом). Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Дополнительный файл 1: Уравнения индекса растительности. Список многоспектральных и RGB-основанных уравнений индекса растительности (VI), используемых в этом протоколе, включая формулы для нормализации RGB-диапазона до вычисления RGB VI. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 2: RF-классификация и скрипт валидации.R.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Обсуждение

Критически важные этапы протокола — это первая фаза — обследование БПЛА, а во второй фазе — полевые работы, где собираются биофизические наблюдения и собирается накопление наземных данных. Оба варианта зависят от погодных условий и должны выполняться в непосредственной близости. И оба должны предоставлять геопространственные наборы данных с высокой точностью координат (для кейс-стади была достигнута точность 1–3 см). Успех расчёта индекса растительности и процесса машинного обучения напрямую зависит от качества данных БПЛА Survey и достоверности рельефа. Ключевые шаги для достижения точности карты БПЛА описаны в шаге 1.4, Процедура послеполётного полёта. Если постобработка/геотегирование изображений использует данные RINEX, которые недоступны, альтернативой является использование базовой станции RTK с живым режимом, которая обеспечивает коррекцию GNSS в реальном времени дрону во время полёта (см. пример в видеостатье Movchan et ^al.37 с примером инструкций по установке).

Перед сбором данных необходимо посетить место исследования, чтобы получить практические знания о ландшафте, определить интересующие растительные сообщества и определить, какие биофизические наблюдения можно собрать на месте для описания состава растительных сообществ. Поскольку каждое место исследования обладает уникальными ландшафтными характеристиками и флорой, сформированной климатической зоной, идентификация видов растений крайне важна для точного картирования почвенного покрова, поскольку видоспецифические биохимические, структурные и физиологические признаки создают уникальные спектральные отражательные сигнатуры. Для каждого квадрата для отбора пробы координаты должны быть записаны на всех четырёх углах с помощью оборудования GNSS/RTK и программного обеспечения для землемеризации, при этом идентификационный код квадрата вводится и сохраняется. Все дополнительные биофизические наблюдения или образцы, собранные внутри квадрата, должны быть связаны с этими координатами, чтобы каждое измерение было связано с геопространственным набором данных и могло быть собрано в едином табличном формате для классификации растительных сообществ и последующих статистических анализов или экологического моделирования. Выбранные квадраты обозначены как тренировочные точки, с добавленными названиями/кодами сообществ (например, в этом наборе они были OP, LS, US и TG). Случайный лес (RF) затем изучает пиксельные паттерны, связанные с каждой меткой. Итоговым результатом радиочастотной классификации является карта, отображающая распределение меток растительных сообществ по всему исследовательскому участку, основанное на образцах обучения квадратов, полученных во время полевых работ.

Фазы 3 (расчёт индекса растительности) и 4 (контролируемая классификация в R с использованием случайного леса) взаимозависим и сильно модифицируемы. Например, Дополнительный файл 1 содержит 19 математических формул для вычисления индексов из мультиспектральных диапазонов и 23 формулы для повторного расчёта данных RGB-аэросъёмок. Тем не менее, поскольку ВИ формулируются исследователями, уравнения являются открытыми и публикуются в рецензируемых статьях и спектральных индексных базах^{данных 80}. В процессе машинного обучения доступно большее количество (чем предоставляется) формул для тестирования с целью классификации карт растительных сообществ. Изменения в наборах данных влияют на производительность алгоритма. VI могут добавляться или опускаться в тестовые модели. Наличие двух окончательных карт растительных сообществ, полученных на основе мультиспектральных и RGB-наборов данных, предоставляет возможность сравнивать производительность моделей. RGB-модель получила 98,89%, но это не обязательно означает, что сенсор превосходит мультиспектральный датчик, который получил более низкий балл. Данные на основе RGB основаны на цвете и высоте, что может быть эффективно для классификации карт рельефа структурно разнообразных^{местообитаний 9,33}. В отличие от этого, мультиспектральные изображения дают больше информации о физиологии растений, а не только о внешнем виде, и могут лучше различать типы растений с похожими цветами и устойчивостью к тени (например, NIR-свет, который растения сильно отражают, можно захватывать даже при частичном^{затенянии 81}). Использование только RGB-датчиков ограничено их узким спектральным диапазоном (красный, зелёный, синий), поскольку тонкие биохимические и физиологические различия (например, содержание хлорофилла и водный стресс) могут быть недоступны без NIR, красных или гиперспектральных полос.

Основные ограничения метода могут включать дорогостоящую систему БПЛА и продемонстрированную фотограмметрию. Однако метод разработан так, чтобы для повторения этого протокола можно было использовать мультиспектральный сенсор и RGB-камеру взаимозаменяемо. Для реализации этого протокола использовалась система неподвижного крыла eBee X, оснащённая мультиспектральным и RGB-сенсором (Sequoia) и программное обеспечение eMotion для управления полётом; однако другие системы БПЛА могут воспроизвести предоставленный протокол, если включают мультиспектральный датчик и/или RGB-камеру, функцию планирования миссии в программном обеспечении управления полётом, ориентацию камеры под углом 90 градусов и либо доступный пользователю журнал полета для послеполётной геомаркировки, либо возможность RTK записывать точные координаты изображения во время полёта. Кроме того, непилотные специалисты могут заключать субподряды по обследованию БПЛА, если контрактный пилот соответствует всем юридическим и эксплуатационным требованиям, что является распространённой практикой в исследованиях, охране природы и экологическом мониторинге; Тем не менее, исследовательская команда остаётся ответственной за фундаментальное проектирование миссии, включая определение места исследования и определение времени проведения обследования. Поэтому даже для тех, кто не использует БПЛА, рекомендуется ознакомиться с первым этапом протокола. Кроме того, продемонстрированное программное обеспечение для фотограмметрии может быть использовано для успешной реализации протокола или лицензировано на короткий срок для снижения затрат.

Заметным преимуществом этого протокола является его совместимость как с мультиспектральными, так и со стандартными RGB-камерами БПЛА. Он может быть принят исследовательскими группами и специалистами по охране природы с ограниченными бюджетами и масштабируем в разных регионах и учреждениях, что делает его подходящим для долгосрочного мониторинга. Эта аппаратная независимость гарантирует, что рабочий процесс остаётся устойчивым к будущему и независимым от аппаратного обеспечения. Поскольку можно использовать как RGB, так и мультиспектральные данные, рабочий процесс поддерживает сравнения между несколькими площадками, долгосрочные временные ряды — даже при изменении оборудования — и интеграцию устаревших (исторических) наборов данных RGB.

Будущие улучшения этого протокола могут включать текстурные метрики, полученные из высококачественных изображений, чтобы лучше фиксировать структурные различия в растительности. В этом контексте изучение ансамблей RF-моделей, сочетающих RGB- и мультиспектральные изображения, может повысить точность классификации. Кроме того, будущие рекомендации по увеличению масштабирования карт растительных сообществ, основанных на БПЛА, до спутниковых снимков и сочетании этого подхода с облачными платформами, позволит реализовать масштабное моделирование^{экосистем 82}. Хотя данные БПЛА остаются необходимыми для фиксации структурных и спектральных деталей масштаба сантиметров, необходимых для точного картографирования на уровне сообществ, спутниковые изображения могут служить дополнительным предикторным слоем или более широким контекстным входом. Включение переменных, полученных от спутников, в RF-модель может улучшить её способность обобщать на больших пространственных пространственных пространстве и поддерживать многомасштабную оценку среды обитания. Такой гибридный подход позволит интегрировать карты сообществ на базе БПЛА в более широкий ландшафтный контекст, что позволит методу выявлять региональные закономерности, приоритизировать места обследования БПЛА и укреплять долгосрочные рамки мониторинга. Изучение того, как спутниковые данные могут быть гармонизированы с входными сигналами БПЛА в рамках радиочастотного конвейера, представляет собой исследовательскую возможность для расширения масштабируемости и операционной полезности протокола.

Интеграция изображений БПЛА, полевых обследований, индексов растительности и классификации с помощью искусственного интеллекта в единый, воспроизводимый рабочий процесс крайне важна, поскольку это обеспечивает пространственные, спектральные и экологические детали, необходимые для точного картирования низкорослой растительности. Дистанционное зондирование на базе БПЛА привлекает всё больше внимания в научном сообществе и быстро превратилось в широко используемый инструмент для различных применений, особенно в мониторинге прибрежной^{среды 83}. Этот метод предоставляет практическое руководство по рабочему процессу на основе БПЛА с помощью машинного обучения для обучения и исследований, предназначенного для поддержки экологического восстановления и мониторинга природных или полуестественных лугов в прибрежных экосистемах.

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
eBee X	senseFly/AgEagle	eBee X, https://www.sensefly.com/drones/ebee-x/	Система БПЛА eBee X - это профессиональный стационарный беспилотник для картографирования. В качестве альтернативы может быть использована другая система картографических беспилотников
eMotion	senseFly/AgEagle	https://www.sensefly.com/drone-software/emotion/	Используется для планирования миссий полетов дронов и управления воздушными данными. Программное обеспечение eMotion является комплементарной частью системы дронов eBeeX
Внешний жесткий диск	Любой поставщик	НД	Размер зависит от размера исследуемой территории и размера проекта (250 ГБ - 1 ТБ)
Полевой ноутбук	Любой поставщик	НД	мощная, портативная машина, подходящая для полевых операций и управления полетами дронов (на основе спецификаций eMotion:  64-битный Windows 10/11; Intel Core i5/i7 (12-е поколение+) или AMD Ryzen 5/7 (>3,5 ГГц) - высокие тактовые частоты важнее, чем количество ядер; минимум 16 ГБ (высоко рекомендуется 32 ГБ+); средний уровень графики NVIDIA GTX/RTX (например, RTX 3060/4060); NVMe SSD (обязательно).
Система GNSS/RTK Trimble	Trimble Inc.	Модель  R10	Она имеет приемник с программным обеспечением для землеустройства и запасные аккумуляторы. Также могут использоваться альтернативные системы GNSS/RTK.
Ножницы для травы	Любой поставщик	НД	отбор проб биомассы (по желанию)
Pix4Dmapper	Pix4D	https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/	Фотограмметрическое программное обеспечение: Pix4Dmapper доступно для лицензирования на ежемесячной или ежегодной основе. Для реализации этого протокола может быть использовано альтернативное фотограмметрическое программное обеспечение.
Справочник по идентификации растений	Любой поставщик	НД	Используется для проведения биофизических наблюдений (онлайн, книги или печатные местные руководства по идентификации растений)
QGIS	QGIS	3.44.9 Solothurn	Бесплатное и открытое программное обеспечение ГИС, доступное по адресу https://qgis.org/, для реализации этого протокола может быть использовано альтернативное программное обеспечение ГИС
Квадратная рамка 1 м х 1 м	Любой поставщик	НД	Для использования во второй фазе полевых работ/выборки, то есть для проведения биофизических наблюдений, может быть изготовлена самостоятельно
R	R-Software Services	версия 4.2.0, https://cran.r-project.org	Свободная среда моделирования, широко используемая для статистических вычислений и графики, анализа данных и прогнозирования.
RStudio	R-Software Services	версия 2024.4.0.735, https//posit.co/download/rstudio/
Rtools	R-Software Services	https://cran.r-project.org/bin/windows/Rtools/	Так как некоторые пакеты могут потребовать компиляции из исходного кода. Основные используемые пакеты: 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 и randomForest 4.7 1.1.
Весы (на аккумуляторах, уровненные, точность ±1 г)	Любой поставщик	НД	Прочные для полевых работ
Sequoia	Parrot SA	Parrot SEQUOIA+	Это мультиспектральная/RGB-датчик, используемый в фазе 1. RGB и/или мультиспектральные датчики (многие профессиональные дроны включают один или оба датчика). Для реализации этого протокола используется Parrot SEQUOIA+ (компания Parrot SA)
Измеритель влажности почвы	Любой поставщик	НД
Приложение для прогноза погоды для БПЛА	Любой поставщик	НД	Для планирования полетов используется https://www.uavforecast.com/
Набор датчиков WET	Delta T Devices	WET-UM-1.6	Датчик влажности почвы (по желанию)
Рабочая станция	Любой поставщик	НД	Оптимальные характеристики, необходимые для плавной обработки фотограмметрических проектов и машинного обучения в R (спецификации на основе требований программного обеспечения Pix4Dmapper: Windows 10/11, 64 бита; ЦП четырехъядерный или шестиядерный Intel i9/Threadripper/Ryzen 9/; GeForce GTX GPU, совместимый с OpenGL 3.2 и 2 ГБ ОЗУ; Жесткий диск: SSD; Большие проекты (более 500 - 1000 изображений на 14 МП): 32 ГБ ОЗУ, 60 ГБ свободного места на SSD.