Orman Kurtarma İzlemede Kullanılmak Üzere Drone Tabanlı Uzaktan Algılanan Verilerin Toplanması ve İşlenmesi
24 Ekim 2025
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.
Araştırmamız, kullanıcı dostu bir protokol geliştirerek orman kurtarma değerlendirmesinde drone tabanlı LiDAR'ın kullanımını kolaylaştırmayı amaçlamaktadır. Bu çalışmayı mümkün kılan son gelişmeler arasında LiDAR sensör teknolojisindeki ilerleme ve derin ödünç modelleri ile entegrasyon yer almaktadır. Başlamak için RPAS ekipmanını kontrol edin ve gerekirse firmware'i güncelleyin.
RTK baz istasyonunu engellerden ve ağaç çizgisinden uzak açık bir alana kurun. Baz istasyonu tamamen açılana kadar bekle, sonra drone uçuşuna başla. Her görev için bir uçuş dosyası oluşturun ve uzaktan kumandaya yükleyin.
Şimdi, ilgi alanında LiDAR ve multispektral veri toplamak için uçuş görevlerini gerçekleştirin. RPAS'ın baz istasyonu konumunun üzerine bir GNSS baz istasyonu kurun ve baz istasyonunu çalıştırarak hassas nokta konumlandırma düzeltmesi için doğru koordinatları elde edin. Toplanan LiDAR ve çok spektral verileri sensörlerden bir iş istasyonuna aktarmak için kart okuyucu kullanın.
Multispektral verileri ön işlemek ve geometrik ile radyometrik düzeltmeler yapmak için fotogrametri yazılımı kullanın. Multispektral ortomozik oluşturulur. Ham LiDAR verilerini bir nokta bulutu dosyasına dönüştürmek için uygun yazılım kullanın.
LiDAR nokta bulutunu multispektral ortomozik bulutla hizalamak için bir coğrafi araç kullanın. Hizalanmış LiDAR nokta bulutunu multispektral ortomozik bulutla birleştirmek için bir Python betiği çalıştırarak çok spektrumal bir nokta bulutu oluşturun. Üç boyutlu nokta bulut işleme yazılımı CloudCompare'i indirin ve kurun.
Sonra, GitHub'dan TreeAIBox eklenti kurulumcusu sürüm 1'i indirin, kurulumcuyu çalıştırın ve ekrandaki istekleri takip edin. Masaüstü simgesinden CloudCompare seçeneğini açın veya Start, ardından All Programs ve CloudCompare seçerek seçin. Bir veya birkaç dosyayı aç ve Uygula seçeneğini kullanarak puan bulutu dosyasını yükleyin.
Eğer nokta koordinatları büyükse, küresel kaydırma veya ölçek uygulama uyarısını kabul edin. Dosyadan meta verileri okuyor olan Input'u seçin ve nokta bulutunun tuvalde görünmesi için Evet'e tıklayın. Python eklenti araç çubuğunu açın.
Script Register açılır menüsünü genişletin ve eklentinin grafik kullanıcı arayüzünü açmak için TreeAIBox'a tıklayın. Compute Unified Device Architecture destekli bir grafik işlemci birimi varsa, Use GPU kontrol kutusunun seçildiğinden emin olun. Üst panelden TreeFiltering seçeneğini seçin ve eğer RPAS verilerinde ağaç sapları görünmüyorsa ALS seçin.
Şimdi, karo boyutu kutusunu temizleyin. Önceden tanımlanmış modeller açılır menüsünden treefiltering_als_esegformer seçin. Bu modeli ilk kez kullanıyorsanız, İndir tuşuna tıklayın ve yerel yolu gösteren açılır pencereyi onaylayın.
Tuvaldeki nokta bulutunu seçerek sınırlı bir kutu ile vurgulanmasını sağlar. TreeFilter panelinde Uygula tuşuna tıklayın. Devam etmeden önce kırmızı ağaç noktaları için 2, mavi diğer noktalar için 1 değeri olan TreeFilter adlı yeni bir ölçek veya alan oluşturulduğunu doğrulayın.
TreeAIBox üst panelinden TreeisoNet'i seçin. Reclamation, ALS kök örtülü ve Treeloc'u etkinleştir. Açılır menüden gerekli önceden eğitilmiş modeli seçin.
Tuvaldeki nokta bulutunun seçildiğinden emin olun, ardından Uygula'ya tıklayın. İşlem tamamlandıktan sonra, veritabanı ağacı penceresinde orijinal nokta bulutunun altında Treetops adlı yeni bir öğenin göründüğünü doğrulayın. Bu öğeyi seçin ve daha iyi görünürlük için örneğin nokta boyutunu 16'ya çıkarın ve ağaç tepesi pozisyonlarının tuvalde beyaz noktalar olarak göründüğünü doğrulayın.
Ağaç taclarını segmente etmek için, ağaç noktası bulut öğesini yeniden seçin. TreeAIBox üst panelinden TreeisoNet'i seçin ve TreeOff'u etkinleştirin. Gerekli önceden eğitilmiş modeli indirin ve ardından modeli çalıştırmak için Uygula'ya tıklayın.
Sonra, TreeOff adında yeni bir ölçek veya alan oluşturulduğunu doğrulayın. Her ağaca aynı ağaçtan aynı tanımlayıcıyı paylaşan noktaların benzersiz bir tanımlayıcı atandığını doğrulayın. İsteğe göre, görsel karmaşayı azaltmak için ağaç tepesi nokta boyutunu Varsayılan olarak sıfırlayabilirsiniz.
Görsel kontrastı artırmak ve ağaç renklerini tanımlayıcıya göre rastgele hale getirmek için, orijinal nokta bulutunu klonlayarak verileri korumak için Düzenle ve Klonla'yı seçin. Sonra Düzenle, ardından Skaler Alanlar ve rastgele RGB'ye dönüştür bölümlerine gidin. Renklerin ayrık olması için büyük bir değer girin ve OK tuşuna tıklayın. Ağaçları rastgele renklerde gösteren nokta bulutunu görüntüleyin.
Son olarak, TreeAIBox üst panelinden TreeisoNet'i seçin ve Export istatistiklerine tıklayarak segmentasyon sonuçlarını dışa aktarın. Sonra, dışa aktarılan dosyayı Sonuçlar klasöründe görmek için Çıkış yolunu aç seçeneğine tıklayın. Çıktının, ağaç tanımlayıcıları, koordinatlar, ağaç yüksekliği ve taç alanı içeren virgülle ayrılmış bir değerler dosyası olduğunu doğrulayın.
TreeAIBox eklentisi, ağaç noktalarını başarıyla filtreledi ve üç sitede bireysel ağaçları ayırt etti; toplamda 2.755 ayrı ağaç tespit edildi. Model, 1. Alanda 1.706 ağaç, 2. Alanda 882 ağaç ve 3. Alanda 167 ağaç tespit etti. Referans ağaçlarının tespit oranı alanlar arasında değişiklik gösterdi: 2. saha için %100, 1. saha için %95 ve 3. saha için %21.
Model, bir metreden daha uzun tüm referans ağaçları için %100 tespit oranı sağladı. Daha kısa ağaçlarda tespit performansı azaldı; 0,5 ila 1 metre arasındaki ağaçların sadece %45'i tespit edildi ve 0,5 metrenin altındaki ağaçlardan hiçbiri tespit edilmedi. Bu protokol, karmaşık ormanlık ortamlarda genç ağaçlar için bireysel ağaç tespiti ve segmentasyonu araştırma boşluğunu gidermeyi amaçlamaktadır.
Bu protokol, LiDAR verilerinden bireysel ağaç metriklerini çıkarmak için pratik, etkili, kullanıcı dostu ve çok yönlü bir yöntem sunar. Protokolümüz, orman kurtarma ve izlemeyi ilerletecek ve özellikle tarama tırmanışı kuyusu boyutunu değerlendirmek, parsel araştırmalarının zaman ve maliyetini azaltmak için faydalıdır.
Genel Bakış
Bu çalışma, orman geri kazanım değerlendirmelerinde drone tabanlı LiDAR teknolojisinin kullanımı için kullanıcı dostu bir protokol sunmaktadır. Gelişmiş sensör teknolojisi ve derin öğrenme modellerini entegre ederek, protokol, rahatsızlıklar sonrası orman geri kazanımının izlenmesinin verimliliğini artırır.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Uzaktan algılama
- Orman ekolojisi
- Yapay zeka
Arka Plan
- Uzaktan pilotlu hava aracı sistemlerindeki (RPAS) son gelişmeler, yüksek çözünürlüklü izleme sağlar.
- Yapay zekânın entegrasyonu, büyük veri setlerinden daha derin içgörüler sağlar.
- Geri kazanım sürecindeki ormanlık arazilerin etkili değerlendirilmesi ve yönetimi kritik öneme sahiptir.
- Mevcut yöntemler genellikle verimlilik ve kullanıcı dostu olma açısından eksiklik gösterir.
Çalışmanın Amacı
- Orman geri kazanım değerlendirmesinde drone tabanlı LiDAR için pratik bir protokol geliştirmek.
- Bireysel ağaç algılama ve segmentasyon alanındaki araştırma boşluğunu ele almak.
- Geleneksel arsa anketleri ile ilişkili zaman ve maliyetleri azaltmak.
Kullanılan Yöntemler
- Doğru veri toplama için RPAS ve RTK baz istasyonunun kurulması.
- Belirlenen alanlar üzerinde LiDAR ve çok spektral verilerin toplanması.
- Veri ön işleme ve düzeltmeler için fotogrametri yazılımının kullanılması.
- Ağaç algılama ve segmentasyon için TreeAIBox eklentisinin uygulanması.
Ana Sonuçlar
- Üç sahada toplam 2.755 bireysel ağaç tespit edildi.
- Tespit oranları değişkenlik gösterdi, Site 2 için %100 ve Site 3 için %21.
- Protokol, bir metreden uzun ağaçları yüksek doğrulukla başarıyla tanımladı.
- LiDAR verilerinden bireysel ağaç metriklerini çıkarmak için çok yönlü bir yöntem sunar.
Sonuçlar
- Bu protokol, orman geri kazanımının izlenmesini ve değerlendirmesini artırır.
- Karmaşık orman ortamlarındaki genç ağaçlar için etkilidir.
- Yöntem kullanıcı dostudur ve geniş alan anketlerine olan ihtiyacı azaltır.
Sıkça Sorulan Sorular
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.
