Сбор и обработка данных дистанционного зондирования Земли с помощью дронов для использования в мониторинге восстановления лесов
October 24th, 2025
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.
Наши исследования направлены на облегчение использования LiDAR на основе дронов для оценки восстановления лесов посредством разработки удобного для пользователя протокола. Недавние разработки, делающие эту работу возможной, включают развитие технологий LiDAR-датчиков и интеграцию с моделями глубокого кредитования. Для начала проверьте оборудование RPAS и при необходимости обновите прошивку.
Разместите базовую станцию RTK в свободной зоне, вдали от препятствий и линии деревьев. Подождите, пока базовая станция полностью заработает, прежде чем начинать полёт дрона. Создайте файл полёта для каждой миссии и загрузите его на пульт управления.
Теперь выполняйте полётные миссии для сбора LiDAR и мультиспектральных данных над областью интереса. Установите базовую станцию GNSS над расположением базовой станции RPAS и запустите базовую станцию для получения точных координат для точной коррекции позиционирования точек. Используйте считыватель карт для передачи собранных LiDAR и мультиспектральных данных с датчиков на рабочую станцию.
Используйте программное обеспечение для фотограмметрии для предварительной обработки мультиспектральных данных и выполнения геометрических и радиометрических корректировок. Сгенерируйте мультиспектральный ортомозаик. Используйте соответствующее программное обеспечение для восстановления сырых LiDAR-данных в файл точечного облака.
Используйте геопространственный инструмент для выравнивания точечного облака LiDAR с мультиспектральной ортомозаикой. Запустите скрипт на Python, чтобы объединить выровненное облако точек LiDAR с мультиспектральным ортомозаиком и создать облако мультиспектральных точек. Скачайте CloudCompare — трёхмерное программное обеспечение для обработки облаков точек, — и установите его.
Затем скачайте установщик плагина TreeAIBox версии 1 с GitHub, запустите установщик и следуйте указаниям на экране. Откройте CloudCompare с иконки рабочего стола или выбрав Start, затем All Programs и CloudCompare. Загрузите файл Point Cloud, используя Открыть один или несколько файлов, и нажмите Применить.
Если координаты точек большие, примите запрос применить глобальный сдвиг или масштаб. Выберите Input, который считывает метаданные из файла, и нажмите Да, чтобы облако точек появилось на холсте. Откройте панель инструментов плагина Python.
Разверните выпадающее меню Script Register и нажмите TreeAIBox, чтобы открыть графический интерфейс плагина. Убедитесь, что галочка «Использовать GPU» выбрана, если доступен графический процессор, поддерживаемый архитектурой Compute Unified Device. В верхней панели выберите TreeFiltering и выберите ALS, если стебли дерева не видны в данных RPAS.
Теперь очистите галочку размера плитки. В выпадающем меню заранее определённых моделей выберите treefiltering_als_esegformer. Если вы впервые используете эту модель, нажмите «Скачать» и подтвердите всплывающее окно, показывающее локальный путь.
Выберите облако точек на холсте, чтобы оно было выделено ограничивающим рамком. В панели TreeFilter нажмите Применить. Убедитесь, что создана новая шкала или поле с названием TreeFilter со значением 2 для точек дерева красным и значением 1 для других точек синим цветом, прежде чем продолжить.
В верхней панели TreeAIBox выберите TreeisoNet. Включите Reclamation, имплицитный стебель ALS и Treeloc. Из выпадающего списка выберите необходимую заранее обученную модель.
Убедитесь, что облако точек на холсте выбрано, затем нажмите «Применить». После обработки убедитесь, что новый элемент с названием Treetops появится под исходным облаком точек в окне дерева баз данных. Выберите этот элемент и увеличьте размер точек, например, до 16, для лучшей видимости, а также проверьте, что позиции верхушек деревьев отображаются белыми точками на холсте.
Для сегментации кроны деревьев перевыберите элемент облака точек дерева. В верхней панели TreeAIBox выберите TreeisoNet и включите TreeOff. Скачайте необходимую заранее обученную модель и нажмите Применить, чтобы запустить модель.
Далее убедитесь, что создана новая шкала или поле с названием TreeOff. Проверьте, что каждому дереву присвоен уникальный идентификатор с точками из одного дерева, имеющими одинаковый идентификатор. Опционально сбросьте размер точки на вершине дерева на Default, чтобы уменьшить визуальный беспорядок.
Чтобы улучшить визуальный контраст и рандомизировать цвета деревьев по идентификатору, клонируйте исходное облако точек для сохранения данных, выбрав Редактировать и Клонировать. Затем перейдите в Редактировать, затем Скалярные поля и Конвертировать в случайный RGB. Введите большое значение, чтобы убедиться в отдельных цветах, и нажмите OK. Посмотрите облако точек, отображающее деревья в случайных цветах.
Наконец, в верхней панели TreeAIBox выберите TreeisoNet и нажмите Export stats, чтобы экспортировать результаты сегментации. Затем нажмите «Открыть выходной путь», чтобы просмотреть экспортированный файл в папке «Результаты». Убедитесь, что вывод — это файл значений с разделёнными запятыми, содержащий идентификаторы дерева, координаты, высоту дерева и область короны.
Плагин TreeAIBox успешно отфильтровал точки деревьев и определил отдельные деревья на всех трёх участках, и всего было обнаружено 2 755 отдельных деревьев. Модель выявила 1 706 деревьев на участке 1, 882 дерева на площадке 2 и 167 деревьев на участке 3. Коэффициент обнаружения эталонных деревьев варьировался между участками: 100% обнаружены на участке 2, 95% для участка 1 и 21% для участка 3.
Модель достигла 100% обнаружения для всех эталонных деревьев выше одного метра. Эффективность обнаружения снизилась для более низких деревьев: обнаружено только 45% деревьев от 0,5 до 1 метра, а ни одно дерево ниже 0,5 метра не было выявлено. Этот протокол направлен на устранение исследовательских пробелов в обнаружении и сегментации отдельных деревьев для молодых деревьев в сложных лесных средах.
Этот протокол предлагает практичный, эффективный, удобный для пользователя и универсальный метод извлечения метрик отдельных деревьев из данных LiDAR. Наш протокол способствует восстановлению и мониторингу леса, особенно полезен для оценки размера скважины для подъёма, сокращая время и затраты на проведение обследований участков.
Обзор
Это исследование представляет удобный протокол для использования дронов с технологией LiDAR в оценке восстановления лесов. Интегрируя передовые сенсорные технологии и модели глубокого обучения, протокол повышает эффективность мониторинга восстановления лесов после разрушений.
Ключевые компоненты исследования
Область науки
- Дистанционное зондирование
- Экология леса
- Искусственный интеллект
Предыстория
- Недавние достижения в системах дистанционного управления летательными аппаратами (RPAS) позволяют проводить мониторинг с высоким разрешением.
- Интеграция ИИ обеспечивает более глубокое понимание больших объемов данных.
- Эффективная оценка и управление восстанавливающимися лесными землями имеет решающее значение.
- Существующие методы часто недостаточно эффективны и удобны для пользователя.
Цель исследования
- Разработать практичный протокол для дронов с LiDAR в оценке восстановления лесов.
- Решить проблему недостатка исследований в области обнаружения и сегментации отдельных деревьев.
- Снизить время и затраты, связанные с традиционными исследованиями участков.
Используемые методы
- Настройка RPAS и базовой станции RTK для точного сбора данных.
- Сбор данных LiDAR и мультиспектральных данных над обозначенными участками.
- Использование программного обеспечения для фотограмметрии для предварительной обработки и корректировки данных.
- Применение плагина TreeAIBox для обнаружения и сегментации деревьев.
Основные результаты
- Всего было обнаружено 2 755 отдельных деревьев на трех участках.
- Скорость обнаружения различалась, с 100% на участке 2 и 21% на участке 3.
- Протокол успешно идентифицировал деревья высотой более одного метра с высокой точностью.
- Это предлагает универсальный метод для извлечения метрик отдельных деревьев из данных LiDAR.
Выводы
- Этот протокол улучшает мониторинг и оценку восстановления лесов.
- Он эффективен для молодых деревьев в сложных лесных средах.
- Метод является удобным для пользователя и уменьшает необходимость в обширных полевых исследованиях.
Часто задаваемые вопросы
Executive Industry Relevance
Automated drone-based LiDAR and multispectral data integration, combined with deep learning segmentation, enables scalable, high-resolution monitoring of forest recovery on reclaimed sites. This protocol addresses the need for efficient, reproducible, and quantitative assessment of vegetation structure, supporting data-driven decision-making in ecological restoration and land management. The approach reduces manual survey burden and enhances predictive confidence in ecosystem recovery metrics relevant to environmental portfolios.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables quantitative hypothesis testing of vegetation recovery dynamics using spatially explicit tree metrics.
- Supports mechanistic de-risking by clarifying the relationship between site treatments and ecological outcomes.
- Facilitates functional validation of restoration targets through objective, high-throughput data collection.
Screening & Assay Development
- Prepares validated geospatial datasets for downstream ecological modeling and comparative analysis.
- Standardizes data acquisition and processing workflows, improving reproducibility across sites and timepoints.
- Generates quantitative outputs (tree height, crown area, coordinates) suitable for scalable screening of restoration interventions.
Translational & Preclinical Research
- Aligns remote sensing outputs with field-based ecological indicators, supporting translational continuity in restoration monitoring.
- Enables risk-adjusted advancement of reclamation strategies based on robust, site-specific recovery metrics.
- Provides predictive de-risking for ecosystem recovery trajectories using objective, spatially resolved data.
Pipeline & Workflow Integration
This protocol integrates into the ecological monitoring continuum from early site assessment through longitudinal recovery tracking and intervention evaluation.
- Discovery Biology: Supports hypothesis-driven analysis of vegetation structure and recovery patterns using high-resolution, multi-modal data.
- Screening: Delivers reproducible, quantitative tree metrics for comparative evaluation of restoration approaches.
- Analytics: Outputs CSV files with tree identifiers, coordinates, height, and crown area for statistical analysis and cross-site benchmarking.
- Translational Research: Bridges remote sensing data with field validation, enabling consistent monitoring across diverse landscapes.
- Enterprise Reuse: Establishes a scalable, adaptable workflow for ongoing ecological monitoring and restoration assessment.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in ecosystem recovery and reduces ambiguity in restoration outcomes.
- Operational Value: Streamlines data collection, processing, and analysis for large-scale, multi-site monitoring.
- Strategic Value: Informs go/no-go decisions for reclamation investments and supports efficient resource allocation.
- Portfolio Impact: Enables risk-adjusted prioritization of restoration projects based on quantitative recovery metrics.
Implementation Considerations
- Requires expertise in remote sensing, geospatial analysis, and deep learning model operation.
- Needs access to RPAS platforms, LiDAR and multispectral sensors, and compatible processing software.
- Demands standardized workflows for data alignment, merging, and segmentation across teams.
- Adaptation may be necessary for different forest types, sensor configurations, or site conditions.
- Detection sensitivity is limited for trees below 1 meter in height, impacting monitoring of early-stage recovery.
