Orman Kurtarma İzlemede Kullanılmak Üzere Drone Tabanlı Uzaktan Algılanan Verilerin Toplanması ve İşlenmesi

Dmytro Movchan; Charumitha Selvaraj; Zhouxin Xi; Angeline Van Dongen; Dani Degenhardt

doi:10.3791/68745

Method Article

Orman Kurtarma İzlemede Kullanılmak Üzere Drone Tabanlı Uzaktan Algılanan Verilerin Toplanması ve İşlenmesi

DOI:

10.3791/68745

⸱

October 24th, 2025

Dmytro Movchan¹ , Charumitha Selvaraj¹ , Zhouxin Xi¹ , Angeline Van Dongen¹ , Dani Degenhardt¹

¹Natural Resources Canada, Canadian Forest Service, Northern Forestry Centre

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Uzaktan kumandalı uçak sistemlerindeki (RPAS) son gelişmeler, orman kurtarma izleme için ideal olan metre altı çözünürlüğe olanak tanır. Yapay zekanın (AI) entegre edilmesi, uzaktan algılanan büyük veri kümelerinden daha derin içgörüler elde edilmesini sağlar. Bu protokol, bozulmadan kurtulan ormanlık alanların daha verimli değerlendirilmesini ve yönetimini destekleyerek izlemeyi geliştirir.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Uzaktan algılama (RS) teknolojileri, özellikle ışık algılama ve mesafe belirleme (LiDAR) ve multispektral (MS) görüntüler, değişen mekansal çözünürlüklerde geniş ölçekli bitki örtüsü izleme yetenekleri sağlar. LiDAR ve MS sensörleriyle donatılmış uzaktan kumandalı uçak sistemleri (RPAS), esnek uçuş programları sunarak ve ince çözünürlüklü veriler yakalayarak bitki örtüsü değerlendirmelerini geliştirebilir. Derin öğrenme (DL) modellerinin daha fazla entegrasyonu, bitki örtüsü izleme uygulamaları için özellikle önemli olan işlem sonrası iş akışının otomatikleştirilmesi konusunda umut vaat ediyor.

Bu protokol, etkileşimli bir DL eklentisi kullanarak bireysel 3D ağaç tanımlaması için RPAS tabanlı LiDAR ve MS verilerini toplamak, işlemek, hizalamak ve birleştirmek için bir dizi pratik yöntemin ana hatlarını çizer. Tescilli DL modeli, orman ekosistemlerindeki çeşitli sensörler, çalışma alanları ve veri çözünürlükleri arasındaki ağaç sınırlarını etkili bir şekilde tespit eder ve bölümlere ayırır.

Bu protokolü ve aracı geliştirmek için özel uygulamamız ve motivasyonumuz, ıslah edilmiş petrol ve gaz kuyu sahalarındaki orman geri kazanımını izlemek içindir. Şu anda saha tabanlı değerlendirme yöntemleri zaman alıcı, emek yoğun ve mekansal olarak sınırlıdır. Islah çabaları genişledikçe, ıslah başarısını ve ekosistem iyileşmesini izlemek için daha verimli ve ölçeklenebilir yaklaşımlara olan ihtiyaç da artıyor. Bu araştırma, RPAS tabanlı DL uygulamalarını geliştirerek, ıslah edilmiş kuyu sahalarında ekolojik iyileşmenin izlenmesini desteklemektedir ve diğer ormanlık arazilere de uygulanabilir.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Petrol ve gaz kaynaklarının çıkarılması, Alberta^1'de çoğu kuzey ormanı² içinde yer alan yüz binlerce kuyu sahasının kurulmasına yol açmıştır. Islah çabaları, bozulmuş arazileri orijinal ekolojik durumlarına geri döndürmeyi amaçlamaktadır³. Geleneksel yer tabanlı araştırmalar, ıslah sertifikasyonu izlemenin birincil yolu olmaya devam etmektedir⁴; Ancak bu, zaman alıcı ve emek yoğun bir süreçtir ve bozulan ve ıslah edilen alanların sayısı artmaya devam ettikçe verimliliği azalmaktadır.

Uzaktan algılama (RS) teknolojilerindeki son gelişmeler, özellikle uzaktan kumandalı uçak sistemlerinin (RPAS) kullanımı, kuyu sahası izlemenin mekansal ve zamansal zorluklarına umut verici çözümler sunmaktadır 5,6,7,8. Bu platformlar çok yüksek çözünürlüklü veriler sunarak bireysel ağaç düzeyinde doğru ölçümlere olanak tanır. Son yıllarda ^9,10,11'de gördüğümüz gibi yapay zeka (AI) ile entegrasyon, bitki örtüsü algılama ve ölçümünün otomasyonu yoluyla uzaktan algılanan büyük veri kümelerinin işlenmesini ve analizini kolaylaştırır. Ancak derin öğrenme (DL) modelleri için uygun eğitim ve doğrulama veri setlerinin oluşturulması, özellikle 3D veri setleri için ana zorluk olmaya devam ediyor.

Bu protokol, tek tek ağaçları tanımlamak için ormanlık ortamlardan RPAS tabanlı LiDAR ve multispektral (MS) verileri toplamak, işlemek, hizalamak ve birleştirmek için adım adım bir iş akışının ana hatlarını çizer. Bu yöntem, bireysel ağaç tacı segmentasyonu için RPAS'tan türetilmiş nokta bulutunu analiz etmek üzere CloudCompare'e entegre edilmiş yeni geliştirilen TreeAIBox¹² eklentisini kullanır. Eklenti, 3D ağaç segmentasyonu için özel olarak tasarlanmış, beş farklı geri kazanılmış kuyu sahasından RPAS'tan türetilmiş veri kümeleri üzerinde eğitilmiş ve doğrulanmış, denetimli derin sinir ağlarından oluşan bir paket olan TreeisoNet¹³ modelini temel alan yeni bir 3D DL yaklaşımı sunuyor. Model eğitimi için seçilen alanlar, modelin genelleştirilebilirliğini sağlamak için ağaç yükseklikleri, yoğunlukları ve tür kompozisyonu bakımından farklılık gösteriyordu. Buna ek olarak, eğitim veri seti, modelin ağaç görünürlüğündeki değişikliklerle farklı mevsimsel koşullar altında doğru bir şekilde performans gösterebilmesini sağlamak için art arda üç sezon boyunca toplanan verileri içeriyordu: yaz (Ağustos 2023), sonbahar (Ekim 2023) ve ilkbahar (Mayıs 2024). Eklenti, nokta bulutu filtreleme (ağaçlara karşı zemin), ağaç tepelerinin tespiti ve tek tek ağaç taçlarının segmentasyonu süreçlerini otomatikleştirir. Eklentinin çıktısı, ıslah sonrası bitki örtüsünün izlenmesi için kullanılan taç alanı, gölgelik oranı, gövde yoğunluğu ve ağaç yükseklikleri gibi bitki örtüsü ölçümlerini hesaplamak için kullanılabilir.

TreeAIBox eklentisine entegre edilen TreeisoNet modeli, havza segmentasyonu veya ShortestPath gibi geleneksel 3D segmentasyon yöntemlerine göre önemli iyileştirmeler sunar. TreeisoNet, çeşitli orman türlerinde daha yüksek doğruluk bildirerek, denetimli bir derin öğrenme yaklaşımının denetimsiz alternatiflere göre avantajlarını ortaya koymuştur¹³. Spesifik olarak, ağaç tepesi konum belirleme modülü (TreeLoc), ortalama F1 puanı 0.96 elde ederek, ortalama F1 puanı 0.57¹³ olan yerel maksimum (LM) yönteminden önemli ölçüde daha iyi performans gösterdi. Benzer şekilde, taç tanımlama modülü (TreeOff), geleneksel Watershed3D (mIoU 0.68) ve ShortestPath yöntemlerini (mIoU 0.79)¹³ geride bırakarak, 0.85'lik bir ortalama Birlik Üzerinden Kesişme (mIoU) kaydetti. Bu ölçümler, TreeisoNet'in, özellikle değişen ağaç yüksekliklerine, gövde yoğunluklarına ve tür bileşimlerine sahip ıslah edilmiş kuyu alanları gibi karmaşık ortamlarda, ağaç tepelerini tespit etme ve taçları belirleme konusundaki üstün doğruluğunu vurgulamaktadır.

TreeisoNet modeli, nokta yoğunluğu metrekare başına 1100 noktanın üzerinde olan RPAS'tan türetilmiş LiDAR verileri üzerinde eğitildi. Bu yazıda açıklanan yöntem, petrol ve gaz kuyu sahalarında orman geri kazanımının izlenmesine odaklanmıştır; ancak diğer ormanlık alanlarda kullanılmak üzere uyarlanabilir. İş akışı, tıkanmanın minimum düzeyde olduğu seyrek ila orta gövde yoğunluğuna (hektar başına 3.000 < gövde) sahip genç plantasyonlar ve karışık ağaç ormanları için çok uygundur. Kapalı gölgelikli veya çok katmanlı ormanlarda, sınırlı LiDAR nüfuzu nedeniyle yer altı ağaçlarının tespiti azalabilir. Model hem iğne yapraklı hem de yaprak döken kanopileri destekler, ancak doğruluk, genç kozalaklı ağaçlardaki ince liderler gibi türe özgü özelliklere göre değişebilir. TreeAIBox eklentisi, çeşitli orman türlerinde geniş çapta uygulanabilecek şekilde tasarlanmış ve geri kazanılmış kuyu alanlarından çeşitli veri kümelerinde doğrulanmış, önceden tanımlanmış, önceden eğitilmiş modellerden oluşan bir kitaplık içerir. Kullanıcılar, yeni modelleri eğitmeye gerek kalmadan çıktıları kendi özel veri kümeleri için optimize etmek amacıyla bu yerleşik modellerden yararlanabilir ve maksimum boşluk veya minimum yarıçap gibi eklenti parametrelerini ayarlayabilir. Bu esneklik, kullanıcıların iş akışını doğrudan CloudCompare'in kullanıcı dostu grafik kullanıcı arayüzü (GUI) içinden değişen ağaç yükseklikleri veya yoğunlukları gibi farklı orman koşullarına uyarlamasına olanak tanır. TreeAIBox eklentisinin mevcut sürümü, yazılımın kendi içinde yeni modellerin eğitilmesini desteklemez; Ancak, ileri düzey kullanıcıların model kitaplığına önceden eğitilmiş yeni modeller eklemesi mümkündür.

Protokol bölümleri 1 ve 2, veri toplama ve işleme adımlarımızı açıklarken, protokolün 3. bölümü, ağaç metriklerini çıkarmak için TreeAIBox eklentisinin kullanımını açıklar. Özel araştırmamız, drone tabanlı LiDAR verileri ile MS görüntülerinin bir birleşimini kullanıyor; ancak, protokol bölüm 3'te kullanılmak üzere yüksek yoğunluklu bir nokta bulutu dosyası oluşturmak için farklı prosedürler, ekipman ve yazılımlar uygulanabilir. Bu iş akışı, son teknoloji ürünü yapay zeka destekli ağaç segmentasyon yaklaşımını RPAS tabanlı RS ile entegre ederek bitki örtüsü izlemede önemli bir ilerlemeyi temsil ediyor ve orman kurtarmanın daha hızlı, doğru ve ölçeklenebilir değerlendirmelerine olanak tanıyor.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Veri toplama için RPAS kullanma

NOT: Tüm RPAS operasyonları, yerel hava sahası düzenlemelerine ve güvenlik gerekliliklerine uygun olmalıdır. Veri toplama için gereken ekipman ve malzemeleri gözden geçirmek için Malzeme Tablosunu kullanın.

Kontrol öncesi hazırlık: Sahaya çıkmadan önce ekipmanı kontrol edin ve gerekirse ürün yazılımını güncelleyin. Her uçuş görevi için uçuş dosyaları oluşturun ve bunları uzaktan kumandaya yükleyin. Her uçuş görevi için bir güvenlik planı ve acil durum prosedürleri belgesi oluşturun. Ayrıntılı bir ön kontrol kurulum prosedürü için Ek Dosya 1'e bakın.
Saha veri toplama: Sahada, ilgi alanı üzerinden LiDAR ve MS verilerini toplamak için ekipman kurun ve uçuş görevleri gerçekleştirin. Ekipman kurulumu ve uçuş parametrelerinin ayrıntılı bir iş akışı için Ek Dosya 2'ye bakın.
GNSS baz istasyonu kurulumu: Veri ön işleme sırasında Hassas Nokta Konumlandırma (PPP) düzeltmesi¹⁴ için kullanılacak konumunun doğru koordinatlarını elde etmek için RPAS'ın baz istasyonu konumu üzerinde bir GNSS baz istasyonu kurun ve çalıştırın (yüksek doğruluk için, baz istasyonunun önerilen minimum çalışma süresi 2 saattir) (GNSS baz istasyonu kurulumu ve koordinatları elde etme prosedürü örneği için Ek Dosya 3'e bakın).
Veri aktarımı: Toplanan LiDAR ve MS verilerini sensörlerden daha sonraki işlemler için bir iş istasyonuna aktarmak için bir kart okuyucu kullanın.

2. Ham veri işleme

Multispektral veri ön işleme: Toplanan MS verilerini önceden işlemek, geometrik ve radyometrik düzeltmeler yapmak ve bir MS ortomozaik oluşturmak için fotogrametri yazılımını kullanın.
NOT: Fotogrametri yazılımı kullanarak RPAS'tan türetilen MS verilerini işlemeye yönelik genel bir iş akışı için Ek Dosya 4'e bakın.
LiDAR nokta bulutu yeniden yapılandırması: Ham LiDAR verilerini bir nokta bulutu dosyasına (örneğin *.las/laz dosyası) yeniden yapılandırmak için uygun yazılımı kullanın. Yeniden yapılandırmanın nasıl gerçekleştirileceğine ilişkin ayrıntılı bir prosedür için Ek Dosya 5'e bakın.
LiDAR ve multispektral verileri hizalayın ve birleştirin. LiDAR nokta bulutunu ve MS ortomozaikini hizalamak için jeo-uzamsal araçları kullanın. Hizalamayı gerçekleştirmeye yönelik ayrıntılı bir prosedür için Ek Dosya 6'ya bakın. Bir MS nokta bulutu oluşturmak üzere LiDAR nokta bulutunu MS ortomozaikle birleştirmek için bir Python betiği kullanın ( Ek Dosya 7'ye bakın).
NOT: Python betiğini çalıştırmak için herhangi bir entegre geliştirme ortamı (IDE) kullanılabilir. Ek Dosya 8 , genel bir veri birleştirme iş akışını gösterir.

3. Bireysel ağaç segmentasyonu için TreeAIBox eklentisini kullanma

NOT: Protokolün bu bölümü, ormanlık bir ortamdan *.las/.laz dosya biçiminde herhangi bir yüksek çözünürlüklü nokta bulutu verisi kullanılarak takip edilebilir.

TreeAIBox yalnızca Windows işletim sistemi kullanılarak test edilmiştir.

Kurulum ve kurulum: 3D nokta bulutu işleme yazılımı CloudCompare^15'i indirin ve kurun. Ardından, eklenti yükleyicisini GitHub (TreeAIBox_Plugin_Installer_v1.0.exe)^12'den indirin (Şekil 1). Yükleyiciyi çalıştırın ve ekrandaki talimatları izleyin.
NOT: Yükleyici, CloudCompare yazılım konumunu otomatik olarak algılar ve eklentiyi GPU veya CPU kullanılabilirliğine bağlı olarak gerekli DL kitaplıklarıyla dağıtır. Alternatif kurulum yöntemleri veya sorun giderme için README talimatlarını^{izleyin 12}. Kurulumdan sonra, klasör yapısı Şekil 2'de gösterilenle eşleşmelidir.
Yükleme noktası bulutu verileri:
1. CloudCompare'i masaüstü simgesinden veya Başlat | Tüm Programlar | CloudCompare. Nokta bulutu dosyasını (ör. *.las/laz dosyası) tuvale sürükleyerek veya ana konsoldaki Bir veya birkaç dosya aç düğmesini kullanarak CloudCompare'e yükleyin ve Uygula'ya tıklayın (Şekil 3).
2. Nokta koordinatları büyükse, bir istem genel bir kaydırma/ölçek uygulanıp uygulanmayacağını soracaktır. .las/laz dosyasındaki meta verileri okuyan Giriş'i seçin ve Evet'e tıklayın (Şekil 4). Nokta bulutu şimdi tuvalde görünecektir.
TreeAIBox eklentisini açma: Python eklenti araç çubuğunu açın, Betik Kaydı açılan listesini genişletin ve TreeAIBox'a tıklayarak eklenti GUI'sini açın (Şekil 5) .
Ağaç ve yer noktalarını filtreleme
1. CUDA destekli GPU varsa, GPU (CUDA) Kullan onay kutusunun işaretli olduğundan emin olun. Üst panelden Ağaç Filtreleme'yi seçin, ağaç gövdeleri RPAS verilerinde görünmüyorsa ALS'yi seçin, Kutucuk boyutunun işaretini kaldırın, Önceden Tanımlanmış Modeller açılır menüsünden 'treefiltering_als_esegformer3D_128_15cm(GPU3GB)' seçeneğini belirleyin (Şekil 6). Bu modeli ilk kez kullanıyorsanız, yazı tipi rengi gri renkte görünecektir. İndir'e tıklayın ve yerel yolu gösteren açılır pencereyi onaylayın.
2. Tuvalde nokta bulutunu seçin (sınırlayıcı kutuyla vurgulanır) ve Ağaç Filtresi panelinde Uygula'yı tıklatın. treefilter adında yeni bir skaler alan oluşturulur: value = 2 (ağaç noktaları, kırmızı) ve value = 1 (diğer noktalar, mavi) (Şekil 7). Bir sonraki adıma geçmeden önce bunu onaylayın.
Ağaç tepelerini algılama
1. TreeAIBox üst panelinden TreeisoNet'i seçin, Geri Alma, ALS (kök örtük) ve TreeLoc'u etkinleştirin ve önceden eğitilmiş modeli seçin: 'treeisonet_als_reclamation_treeloc_esegformer3D_
  128_10cm(GPU4GB)' açılır menüden ekleyin. Tuvaldeki nokta bulutunun seçili olduğundan emin olun (sınırlayıcı bir kutuyla vurgulanır), ardından tıklatın ve Uygula (Şekil 8).
2. İşlem tamamlandığında, Veritabanı Ağacı penceresindeki orijinal nokta bulutunun altında ağaç tepeleri adlı yeni bir öğe görünecektir. Bu öğeyi seçin ve daha iyi görünürlük için punto boyutunu artırın (örn. 16'ya). Ağaç tepesi konumlarının tuvalde beyaz noktalar olarak göründüğünü doğrulayın (Şekil 9).
Ağaç taçlarının segmentlere ayrılması
1. Ağaç noktası bulutu öğesini yeniden seçin (kırmızıyla vurgulanmıştır) (Şekil 10). TreeAIBox üst panelinden TreeisoNet'i seçin ve TreeOff'u etkinleştirin. Önceden eğitilmiş modeli indirin 'treeisonet_als_reclamation_treeoff
  _esegformer3D_128_10cm(GPU4GB)' (Şekil 11) henüz mevcut değilse, modeli çalıştırmak için Uygula'yı tıklatın.
2. Her ağaca benzersiz bir kimlik atayan yeni bir skaler alan ağaç ağacı oluşturulur. Aynı ağaçtan gelen noktalar aynı kimliği paylaşır. İsteğe bağlı olarak, görsel dağınıklığı azaltmak için ağaç üstü nokta boyutunu varsayılana sıfırlayın. Yazılım tuvalinin görünümünün Şekil 12'de gösterilen görünüme benzer olduğunu onaylayın.
3. İsteğe bağlı görselleştirme: Rastgele ağaç renkleri: Segmentlere ayrılmış ağaçların görsel kontrastını iyileştirmek için ağaç renklerini kimliğe göre rastgele seçin. İlk olarak, verileri korumak için orijinal nokta bulutunu klonlayın (Düzenle | Klon). Ardından, Düzenle | Skaler Alanlar | Rastgele RGB'ye dönüştürün (Şekil 13). Yeterli ayrık renk sağlamak için büyük bir değer (örneğin, 256000) girin ve Tamam'a tıklayın. Nokta bulutu ağaçları rastgele renklerde gösterecektir (Şekil 14).
  NOT: Bu adım yalnızca görselleştirme amaçlıdır ve segmentasyon kimliklerini etkilemez, ancak klonlanan nokta bulutundaki RGB değerlerinin üzerine yazar.
Segmentasyon metriklerini ve çıktılarını dışa aktarma: TreeAIBox üst panelinden TreeisoNet'i seçin ve ağaç segmentasyon sonuçlarını dışa aktarmak için İstatistikleri dışa aktar'a tıklayın. Ardından, çıktı dosyasını sonuçlar klasöründe görüntülemek için Çıktı Yolunu Aç'a tıklayın (Şekil 15) . Dışa aktarılan CSV, bölümlere ayrılmış ağaç kimliklerini, koordinatları, ağaç yüksekliğini ve taç alanını içerir.
NOT: Bu, TreeAIBox kullanarak veri işlemeyi tamamlar.

figure-protocol-1
Şekil 1: GitHub deposu aracılığıyla TreeAIBox eklenti yükleyicisine erişim. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-protocol-2
Şekil 2: TreeAIBox eklentisi ile klasör yapısı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-protocol-3
Şekil 3: Nokta bulutu dosyasının CloudCompare'e yüklenmesi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-protocol-4
Şekil 4: CloudCompare'e yüklenirken nokta bulutu için genel bir kayma ayarlama. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-protocol-5
Şekil 5: TreeAIBox eklentisini başlatmak için CloudCompare'in Python eklenti araç çubuğunu kullanma. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-protocol-6
Şekil 6: Ağaç noktalarını zemin noktalarından ayırmak için TreeFiltering panelini ayarlama. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-protocol-7
Şekil 7: Ağaç noktalarını zemin noktalarından ayırmanın sonuçları. Ağaç noktaları kırmızı, zemin noktaları ise mavi renkle gösterilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-protocol-8
Şekil 8: TreeLoc kullanarak ağaç tepelerini algılamak için TreeisoNet panelini ayarlama. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-protocol-9
Şekil 9: Ağaç tepesi tespitinin sonuçları. Beyaz noktalar ağaç tepelerinin konumlarını temsil eder. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-protocol-10
Şekil 10: TreeOff panelini uygulamadan önce ağaç noktası bulutu öğesini yeniden seçme. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-protocol-11
Şekil 11: TreeOff kullanarak ağaç taçları segmentasyonu için TreeisoNet panelini ayarlama. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-protocol-12
Şekil 12: Ağaç taçları segmentasyonunun sonuçları. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-protocol-13
Şekil 13: Daha iyi sınır kontrastı için ağaçların renklerini kimliklerine göre rastgele hale getirmek için bölümlere ayrılmış nokta bulutunun ayarlanması. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-protocol-14
Şekil 14: Ağaç renklerinin rastgeleleştirilmesinin sonuçları. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-protocol-15
Şekil 15: Ağaç segmentasyon sonuçlarının TreeisoNet panelinden bir csv dosyasına çıkarılması. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Oluşturulan protokolün ardından, genç ağaçların dikildiği üç çalışma alanında RPAS'tan türetilen LiDAR ve MS verileri toplandı. Bu alanlar, modelin farklı yüksekliklerdeki ağaçları tek tek tespit etme yeteneğini test etmek için seçildi. Alan 1'e ortalama 1.46 m yüksekliğinde Abies balsamea (balsam köknar) dikildi. Site 2'de ortalama 2,17 m yüksekliğinde Pinus contorta (orman direği çamı) ağaçları bulunuyordu. Site 3, ortalama yüksekliği sadece 0,51 m olan küçük Abies balsamea ve Pinus contorta ağaçlarının bir karışımını içeriyordu. RS verilerine ek olarak, 224 referans ağacının konumu da bir GNSS ünitesi ile kaydedildi.

Veri toplama ve işlemeden sonra, ağaç noktalarını filtrelemek ve tek tek ağaçları tanımlamak için TreeAIBox eklentisi uygulandı. Eklenti tarafından üretilen sonuçlar Şekil 16'da gösterilmektedir.

figure-results-1
Şekil 16: Üç çalışma alanı için tanımlanmış bireysel ağaçların dağılımı (A - Site 1; B - Site 2; C - Site 3) TreeAIBox eklentisi tarafından oluşturulur. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Toplamda, üç bölgede 2.755 ayrı ağaç tespit edildi. Model, Site 1'de 1.706 ağaç (Şekil 16A), Site 2'de 882 ağaç (Şekil 16B) ve Site 3'te 167 ağaç (Şekil 16C) tanımladı. Referans ağaçların tespit oranı, Tablo 1'de gösterildiği gibi, referans ağaçların %100'ü Site 2 için, %95'i Site 1 için ve Site 3 için yalnızca %21'i tespit edilerek siteler arasında farklılık göstermiştir. Bu sonuçlar, modelin 1 m'> ağaçları tespit etmedeki yüksek performansını ve bu aralıktaki tüm referans ağaçları için %100 tespit oranını vurgulamaktadır. Bununla birlikte, daha kısa ağaçlar için performans düştü: 0,5 ila 1 m arasındaki referans ağaçların sadece %45'i tespit edildi ve 0,5 m< ağaçların hiçbiri tanımlanmadı (Tablo 2).

Site #	Ortalama ağaç yüksekliği, m (stdev)	# referans ağacı	# tespit edilen referans ağaçlarının sayısı	Tespit edilen referans ağaçlarının yüzdesi
1	1.46 (0.45)	75	71	95
2	2.17 (0.4)	74	74	100
3	0.51 (0.17)	75	16	21

Tablo 1: Farklı sitelere göre referans ağacı algılama oranları.

Ağaç yüksekliği aralığı	# referans ağacı	# tespit edilen referans ağaçlarının sayısı	Tespit edilen referans ağaçlarının yüzdesi
0 - 0,5 m	41	0	0
0,5 - 1 m	40	18	45
1 - 1,5 m	49	49	100
1,5 - 2 m	42	42	100
> 2 m	52	52	100

Tablo 2: Farklı ağaç yüksekliği aralıklarına göre referans ağaç algılama oranları.

Ek Dosya 1: RPAS veri toplama iş akışı - saha öncesi görevler. Bu Dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 2: RPAS veri toplama iş akışı - alanda. Bu Dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 3: Hassas konum takibi için GNSS birimlerinin kullanılması. Bu Dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 4: Fotogrametri yazılımı kullanılarak MS veri işleme prosedürü. Bu Dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 5: Ham LiDAR verilerinden bir nokta bulutu rekonstrüksiyonu. Bu Dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 6: Jeo-uzamsal araçlar kullanılarak hizalanan bir LiDAR nokta bulutu ve MS ortomozaik. Bu Dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 7: Bir MS nokta bulutu oluşturmak için bir LiDAR nokta bulutu ile MS görüntüsünü birleştirmek için bir Python betiği. Bu Dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 8: LiDAR nokta bulutu ve MS görüntü birleştirmenin genel iş akışı. Bu Dosyayı indirmek için lütfen buraya tıklayın.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

DL'nin RS verilerine, özellikle de 3 boyutlu nokta bulutlarına uygulanmasındaki en önemli zorluklardan biri, dengeli ve temsili eğitim ve doğrulama veri kümelerinin geliştirilmesinde yatmaktadır. Herhangi bir DL modelinin etkinliği büyük ölçüde eğitim ^9,10,11,16 sırasında kullanılan açıklamalı verilerin çeşitliliğine ve kalitesine bağlıdır. Bu çalışmada kullanılan yeni 3D DL modeli, genç, ekili ve doğal olarak yenilenen bitki örtüsü ile karakterize edilen, kuzey orman bölgesi içindeki çok sayıda ıslah edilmiş kuyu alanından toplanan veri kümeleri kullanılarak eğitildi ve doğrulandı. Bu alanlar, geniş model genellenebilirliği sağlamak için ağaç yükseklikleri, gövde yoğunluğu ve tür kompozisyonundaki farklılıklar da dahil olmak üzere çok çeşitli orman koşullarını kapsayacak şekilde dikkatle seçilmiştir. Ek olarak, antrenman veri seti zamansal olarak çeşitliydi ve art arda üç sezon boyunca toplanan RS verilerini içeriyordu. Bu mevsimsel değişim, modelin farklı gölgelik görünürlük koşulları altında güvenilir bir şekilde performans gösterecek şekilde eğitilmesi ve yeşillik örtüsündeki ve yapısal karmaşıklıktaki değişikliklerin hesaba katılması açısından kritik öneme sahipti. Çok mevsimli ve çok yapısal verilerin entegrasyonu, özellikle değişen ışık koşulları ve fenolojik aşamalar altında tek tek ağaçları tespit etme yeteneği açısından modelin sağlamlığına katkıda bulundu.

Bu çalışmadan elde edilen dikkate değer bir bulgu, MS veya RGB verilerinin LiDAR'ın yanına dahil edilmesinin, TreeAIBox iş akışında ağaç tespitinin veya taç segmentasyonunun doğruluğunu önemli ölçüde artırmadığıydı. Bu, LiDAR nokta bulutlarının taç şekli ve mekansal düzenleme gibi geometrik özelliklerinin, özellikle genç veya seyrek bitki örtüsüne sahip ortamlarda etkili ağaç tespiti ve segmentasyonunun temel itici güçleri olduğunu göstermektedir. Bununla birlikte, spektral veriler, MS görüntülerinin iğne yapraklı ve yaprak döken ağaçların farklılaşmasını iyileştirdiği tür sınıflandırması gibi tamamlayıcı uygulamalarda değer göstermiştir.

TreeAIBox iş akışında tek tek ağaç algılama ve segmentasyonun başarısını etkileyen kritik bir faktör, giriş noktası bulutunun kalitesidir. Optimum performans, genellikle metrekare başına 1,000 noktadan daha fazla olan çok yüksek yoğunluklu LiDAR verileri gerektirir. Modern RPAS tabanlı LiDAR sistemleri, alçak irtifalar ve yüksek uçuş çakışmaları gibi optimize edilmiş uçuş parametrelerini kullanarak bu yoğunluğa ulaşabilir. TreeAIBox düşük yoğunluklu nokta bulutlarını işleme kapasitesine sahip olsa da, azaltılmış nokta yoğunluğu yapısal ayrıntı yakalamayı sınırlayabilir. Bu genellikle, özellikle taç ve gövde özelliklerinin yeterince temsil edilmediği daha küçük ağaçlar için algılama ve segmentasyon doğruluğunun azalmasına yol açar.

TreeAIBox iş akışı, geri kazanılmış kuyu sahalarındaki doğrulamamızdan elde edilen ölçülebilir göstergelerle, geleneksel veya manuel segmentasyon yöntemlerine kıyasla verimliliği ve otomasyonu artırır. Ağaç tepesi tespiti ve taç segmentasyonu için işlem süreleri, standart bir GPU'da (ör. NVIDIA RTX 3060) site başına ortalama 5-10 dakika, CloudCompare gibi yazılımlarda ise manuel tanımlama için saatlerdir. Otomasyon, komut satırı komut dosyalarını ve bağımlılıkları ortadan kaldıran eklentinin GUI'si aracılığıyla gerçekleştirilir ve uzman olmayanların minimum girdiyle uçtan uca analizler yapmasına olanak tanır. Pratik açıdan bu, 1 hektarlık bir kuyu sahası analizini 5-8 saatten (manuel yöntemler) 30 dakikanın altına düşürdü. CPU moduna geri dönüş, üst düzey donanım olmadan erişilebilirlik sağlar, ancak GPU hızlandırma süreleri 3-5 kat azaltır. Bu verimlilikler, yüksek doğruluğu korurken ormancılık yönetiminde ölçeklenebilir uygulamaları destekleyerek sık sık izlemeye olanak tanır.

Bu çalışmada gözlemlenen belirli bir sınırlama, modelin ağaçları tespit etme yeteneğinin 1.0 m'< azalmasıydı. 1.0 m'> ağaçlar için tespit oranları yüksekken, bu yükseklik aralığında %100 referans ağaçların doğru bir şekilde tanımlanmasıyla, daha küçük ağaçlar için performans önemli ölçüde düştü (Tablo 2). Bu sınırlama muhtemelen birkaç faktörden kaynaklanmaktadır. Birincisi, özellikle kapalı kanopiler altında, yere yakın düşük LiDAR noktası yoğunluğu, yoğun otsu örtü ile birleştiğinde, küçük ağaçlarla ilişkili ince ölçekli yapısal detayların tespitini engeller. Ek olarak, daha uzun bitki örtüsünün neden olduğu tıkanma, genellikle bu tür uygulamalarda bilinen bir hata kaynağı olan alt ağaçlara yeterli nokta dönüşünün ulaşmasını engeller^10,16. Algoritma ayrıca ince ağaç liderleri gibi ince morfolojik özellikleri yakalayamayabilir veya sıkı bir şekilde kümelenmiş ağaçları tek bir nesne olarak yanlış sınıflandırabilir. Bu zorlukların üstesinden gelmek, yer seviyesindeki görünürlüğü artırmak için uçuş irtifasını veya tarama açısını ayarlamak gibi LiDAR toplama parametrelerinin optimize edilmesinin yanı sıra, tıkalı ve seyrek verileri daha iyi işlemek için segmentasyon yöntemlerinin iyileştirilmesini içerebilir.

Bu sınırlamalara rağmen önerilen yöntem, ıslah sonrası ve yeniden ağaçlandırma izlemede uygulama açısından önemli umut vaat etmektedir. RPAS tabanlı RS, 3D DL algoritmalarıyla birleştirildiğinde, özellikle petrol ve gaz çıkarma gibi endüstriyel faaliyetlerden rahatsız olan alanlarda bitki örtüsünün zaman içindeki iyileşmesini izlemek için ölçeklenebilir, uygun maliyetli ve yüksek çözünürlüklü bir çözüm sunar. Tek tek ağaçları tespit etme, yüksekliklerini tahmin etme ve mekansal dağılımı değerlendirme yeteneği, sahanın yenilenmesi ve ıslah standartlarına uygunluk konusunda anlamlı bilgiler sağlar. Üstelik bu yöntem, iyileşen ekosistemlerin mevsimsel ve yapısal dinamiklerini yakalayan sık, müdahalesiz izlemeyi mümkün kılarak uyarlanabilir yönetim stratejilerini destekleyebilir. Restorasyon projeleri, ekolojik iyileşmeyi değerlendirmek için giderek daha uzun vadeli, ince ölçekli verilere ihtiyaç duyduğundan, bu yaklaşım, karmaşık, heterojen peyzajlarda bitki örtüsü performansını değerlendirmek isteyen orman yöneticileri ve araştırmacılar için güçlü ve pratik bir araç sunmaktadır.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarların açıklayacak herhangi bir çıkar çatışması yoktur.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu araştırmanın finansmanı Enerji Araştırma ve Geliştirme Ofisi CFS-23-101 tarafından sağlandı. Yazarlar, bu alandaki yardımları için Philip Hoffman, Daniels Kononovs ve Elizabeth Friel'e teşekkür eder.

Materials

List of materials used in this article
Name	Company	Catalog Number	Comments
Avenza Maps uygulaması	Avenza	NA	QGIS'te oluşturulan coğrafi referanslı pdf haritalarla çevrimdışı alan navigasyonu için
Damalı hedefler	Herhangi bir tedarikçi	NA	Yer Kontrol Noktaları
CloudCompare	CloudCompare	NA	3D noktalı bulut işleme ve düzenleme yazılımı
DJI BS60 Batarya İstasyonu (M300 pilleri (x8), D-RTK2 pilleri (x4), güç kablosu ve uzaktan kumandaya bağlanmak için USB-C kablosu ile)	DJI	NA
DLS özellikli DJI M300 RTK uçağı (kontrolör ve yedek pervanelerle)	DJI	NA	DLS (Downwell Işık Sensörü)
DJI Terra Pro	DJI	NA	Ham LiDAR verilerinin 3D nokta bulutuna yeniden inşası yapılır.
DJI Zenmuse L1 LiDAR sensörü (microSD kart ile)	DJI	NA
D-RTK2 Mobil İstasyonu (üçayak ve uzatma çubuğu ile)	DJI	NA
Emlid Reach RS2+ Baz İstasyonu (üçayakta birlikte)	Emlid	NA
Emlid Reach RS2+ Rover (GNSS ölçüm direği ile)	Emlid	NA
Harici sabit diskler	Herhangi bir tedarikçi	NA	Verileri yedeklemek için
Uçuş günlüğü	Herhangi bir tedarikçi	NA
Google Earth Pro	Google	NA	KML uçuş dosyalarının oluşturulması
İniş pisti	Herhangi bir tedarikçi	NA	Bir uçağı fırlatmak/indirmek için
Dizüstü bilgisayar	Herhangi bir tedarikçi	NA	Veri indirmek, kart formatlamak vb. için sahada kullanılmak için.
MicaSense RedEdge-P sensörü (MicaSense SD kart, USB-C kablosu, MicaSense kalibrasyonlu yansıtma paneli (CRP) ile)	MicaSense	NA
PIX4Dmapper	Pix4D S.A.	NA	Multispektral görüntülerin ve ortomozik üretimin geometrik ve radyometrik düzeltmesi.
Pnömometre	Herhangi bir tedarikçi	NA
PyCharm	JetBrains s.r.o.	NA	Python entegre geliştirme ortamı (IDE)
QGIS	QGIS	NA	Coğrafi Mekansal Veri İşlem, Düzenleme ve Görselleştirme
SD ve microSD kart okuyucu	Herhangi bir tedarikçi	NA
Akıllı Telefon	Herhangi bir tedarikçi	NA	MicaSense RedEdge-P sensörü ve Emlid Reach RS2+ ünitelerine bağlanmak için
Yıldız tırnakları/çivileri, tokmak ve bayraklama bandı	Herhangi bir tedarikçi	NA	D-RTK2 baz istasyonunun konumunu işaretlemek için
Tablet	Herhangi bir tedarikçi	NA	Sahada navigasyon için
TreeAIBox (CloudCompare eklenti)		NA
İki taraflı radyo	Herhangi bir tedarikçi	NA
İş istasyonu (CPU i5 veya daha sonrası, CUDA Özellikli NVIDIA GPU VRAM ≥ 4GB, RAM & ge; 32GB, SSD & ge; 512GB	Herhangi bir tedarikçi	NA

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Orman Kurtarma İzlemede Kullanılmak Üzere Drone Tabanlı Uzaktan Algılanan Verilerin Toplanması ve İşlenmesi

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

References

Reprints and Permissions

Tags

Related Articles