جمع ومعالجة بيانات الاستشعار عن بعد المستندة إلى الطائرات بدون طيار لاستخدامها في مراقبة استعادة الغابات

يهدف بحثنا إلى تسهيل استخدام LiDAR المعتمد على الطائرات بدون طيار في تقييم استعادة الغابات من خلال تطوير بروتوكول سهل الاستخدام. تشمل التطورات الحديثة التي تجعل هذا العمل ممكنا التقدم في تكنولوجيا حساسات الليدار والتكامل مع نماذج الإقراض العميق. للبدء، تحقق من معدات RPAS وقم بتحديث البرنامج الثابت إذا لزم الأمر.

قم بإعداد محطة قاعدة RTK في منطقة خالية بعيدا عن العقبات وخط الأشجار. انتظر حتى يتم تشغيل محطة القاعدة بالكامل قبل بدء رحلة الطائرة بدون طيار. أنشئ ملف رحلة لكل مهمة ورفعها إلى جهاز التحكم عن بعد.

الآن، نفذ مهام الطيران لجمع بيانات الليدار ومتعددة الأطياف فوق منطقة الاهتمام. إنشاء محطة قاعدة GNSS فوق موقع محطة قاعدة RPAS وتشغيل المحطة الأساسية للحصول على إحداثيات دقيقة لتصحيح تحديد المواقع بدقة. استخدم قارئ بطاقات لنقل بيانات الليدار ومتعددة الأطياف المجمعة من الحساسات إلى محطة العمل.

استخدم برامج الفوتوغرامتري لمعالجة البيانات متعددة الأطياف مسبقا وإجراء تصحيحات هندسية وإشعاعية. أنشئ فسيفساء أطيفية متعددة الأطياف. استخدم البرمجيات المناسبة لإعادة بناء بيانات LiDAR الخام إلى ملف سحابة نقطية.

استخدم أداة جغرافية مكانية لمحاذاة سحابة نقاط LiDAR مع الفسيفساء الأرثوميزية متعددة الأطياف. شغل سكريبت بايثون لدمج سحابة نقاط LiDAR المحاذفة مع الموزاييك الأطيفي المتعدد لتوليد سحابة نقاط متعددة الأطياف. قم بتحميل CloudCompare، برنامج معالجة النقاط السحابية ثلاثية الأبعاد، وقم بتثبيته.

ثم قم بتحميل مثبت إضافة TreeAIBox الإصدار 1 من GitHub، وشغل المثبت، واتبع التعليمات على الشاشة. افتح CloudCompare من أيقونة سطح المكتب، أو باختيار Start، ثم All Programs، وCloudCompare. قم بتحميل ملف السحابة النقاطية باستخدام فتح ملف واحد أو عدة ملفات، ثم اضغط على التطبيق.

إذا كانت إحداثيات النقاط كبيرة، اقبل التوجيه لتطبيق إزاحة أو مقياس عام. اختر الإدخال، الذي يقرأ البيانات الوصفية من الملف، واضغط نعم لتظهر سحابة النقاط في القماش. افتح شريط أدوات الإضافات في بايثون.

قم بتوسيع قائمة سجل السكريبت المنسدلة وانقر على TreeAIBox لفتح واجهة المستخدم الرسومية للإضافة. تأكد من اختيار مربع اختيار استخدام وحدة معالجة الرسوميات المدعومة بهندسة الجهاز الموحدة للحوسبة متاحة. من اللوحة العلوية، اختر TreeFiltering واختر ALS إذا لم تكن سيقان الأشجار مرئية في بيانات RPAS.

الآن، قم بمسح مربع اختيار حجم البلاطات. من قائمة النماذج المحددة مسبقا، اختر treefiltering_als_esegformer. إذا كنت تستخدم هذا النموذج لأول مرة، اضغط على التحميل وتأكد من النافذة المنبثقة التي تعرض المسار المحلي.

اختر سحابة النقاط في اللوحة بحيث يتم تمييزها بمربع حدود. في لوحة TreeFilter، اضغط على تطبيق. تأكد من إنشاء مقياس أو حقل جديد باسم TreeFilter بقيمة 2 لنقاط الشجرة باللون الأحمر والقيمة 1 للنقاط الأخرى باللون الأزرق قبل المتابعة.

من اللوحة العلوية في TreeAIBox، اختر TreeisoNet. تمكين الاستصلاح، وساق ALS الضمنية، وتريلوك. من القائمة المنسدلة، اختر النموذج المدرب مسبقا المطلوب.

تأكد من اختيار سحابة النقاط في اللوحة، ثم اضغط على التطبيق. بعد المعالجة، تأكد من ظهور عنصر جديد باسم Treetops تحت سحابة النقاط الأصلية في نافذة شجرة DB. اختر هذا العنصر وزد حجم النقطة، على سبيل المثال إلى 16، لتحسين الرؤية، وتحقق من ظهور مواقع قمم الأشجار كنقاط بيضاء في القماش.

لتقسيم تيجان الأشجار، أعد اختيار عنصر سحابة نقطة الشجرة. من اللوحة العلوية في TreeAIBox، اختر TreeisoNet وفعل TreeOff. قم بتنزيل النموذج المدرب مسبقا المطلوب ثم اضغط على تطبيق لتشغيل النموذج.

بعد ذلك، تأكد من إنشاء مقياس أو حقل جديد باسم TreeOff. تحقق من أن كل شجرة لها معرف فريد مع نقاط من نفس الشجرة تشترك في نفس المعرف. اختياريا، إعادة تعيين حجم نقطة الشجرة إلى الافتراضي لتقليل الازدحام البصري.

لتحسين التباين البصري وعشوائية ألوان الأشجار حسب المعرف، قم باستنساخ سحابة النقاط الأصلية للحفاظ على البيانات باختيار تعديل واستنساخ. ثم اذهب إلى التحرير، ثم الحقول القياسية، وحول إلى RGB عشوائي. أدخل قيمة كبيرة لضمان ألوان منفصلة واضغط موافق. شاهد سحابة النقاط التي تعرض الأشجار بألوان عشوائية.

وأخيرا، من اللوحة العلوية في TreeAIBox، اختر TreeisoNet وانقر على تصدير الإحصائيات لتصدير نتائج التقسيم. ثم اضغط على فتح مسار الإخراج لعرض الملف المصدر في مجلد النتائج. تأكد من أن الناتج هو ملف قيم مفصولة بفاصل يحتوي على معرفات الشجرة، والإحداثيات، وارتفاع الشجرة، ومساحة التاج.

نجح إضافة TreeAIBox في تصفية نقاط الشجرة وتحديد الأشجار الفردية عبر المواقع الثلاثة، وتم اكتشاف ما مجموعه 2,755 شجرة فردية. حدد النموذج 1,706 شجرة في الموقع 1، و882 شجرة في الموقع 2، و167 شجرة في الموقع 3. اختلفت نسبة الكشف عن أشجار المرجع بين المواقع حيث تم اكتشاف 100٪ للموقع 2، و95٪ للموقع 1، و21٪ للموقع 3.

حقق النموذج معدل كشف 100٪ لجميع الأشجار المرجعية التي يزيد ارتفاعها عن متر واحد. انخفض أداء الكشف للأشجار الأقصر حيث تم اكتشاف 45٪ فقط من الأشجار بين 0.5 إلى 1 متر ولم يتم تحديد أي من الأشجار التي تقل عن 0.5 متر. يهدف هذا البروتوكول إلى معالجة الفجوة البحثية المتعلقة بالكشف عن الأشجار الفردية وتقسيمها للأشجار الصغيرة في البيئات الغابية المعقدة.

يقدم هذا البروتوكول طريقة عملية وفعالة وسهلة الاستخدام ومتعددة الاستخدامات لاستخراج مقاييس الشجرة الفردية من بيانات LiDAR. سيعزز بروتوكولنا استعادة الغابات ومراقبتها، وهو مفيد بشكل خاص لتقييم حجم آبار تسلق الترفيه، مما يقلل من الوقت وتكلفة إجراء مسوحات القطع.