Сбор и обработка данных дистанционного зондирования Земли с помощью дронов для использования в мониторинге восстановления лесов
24 октября 2025 г.
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
В данном исследовании представлен удобный протокол использования технологии LiDAR на базе БПЛА для оценки восстановления лесов. Благодаря интеграции передовых сенсорных технологий и моделей глубокого обучения данный протокол повышает эффективность мониторинга восстановления лесов после нарушений.
Основные компоненты исследования
Область науки
- Дистанционное зондирование
- Экология леса
- Искусственный интеллект
Теоретические сведения
- Последние достижения в области систем беспилотных летательных аппаратов (БПЛА) позволяют осуществлять мониторинг с высоким разрешением.
- Интеграция ИИ обеспечивает более глубокий анализ больших массивов данных.
- Эффективная оценка и управление процессами восстановления лесных земель имеют решающее значение.
- Существующим методам часто не хватает эффективности и удобства использования.
Цель исследования
- Разработать практический протокол использования БПЛА с лидаром для оценки восстановления лесов.
- Устранить пробелы в исследованиях в области обнаружения и сегментации отдельных деревьев.
- Сократить временные и финансовые затраты, связанные с традиционным обследованием пробных площадей.
Используемые методы
- Настройка БПЛА и базовой станции RTK для точного сбора данных.
- Сбор данных LiDAR и мультиспектральных данных над заданными участками.
- Использование программного обеспечения для фотограмметрии для предварительной обработки и коррекции данных.
- Применение плагина TreeAIBox для обнаружения и сегментации деревьев.
Основные результаты
- На трех участках было обнаружено в общей сложности 2 755 отдельных деревьев.
- Показатели обнаружения различались и составили 100% для участка 2 и 21% для участка 3.
- Протокол позволил с высокой точностью идентифицировать деревья высотой более одного метра.
- Данный подход представляет собой универсальный метод извлечения метрик отдельных деревьев из данных LiDAR.
Выводы
- Данный протокол расширяет возможности мониторинга и оценки восстановления лесов.
- Он эффективен для молодых деревьев в сложных лесных условиях.
- Метод удобен в использовании и снижает необходимость в проведении обширных полевых исследований.
Часто задаваемые вопросы
Практическая значимость для промышленности
Интеграция автоматизированных данных LiDAR и мультиспектральных данных, полученных с помощью БПЛА, в сочетании с сегментацией на основе глубокого обучения обеспечивает масштабируемый мониторинг восстановления лесов на рекультивированных участках с высоким разрешением. Данный протокол отвечает потребности в эффективной, воспроизводимой и количественной оценке структуры растительности, что способствует принятию обоснованных решений в области экологического восстановления и землепользования. Этот подход снижает нагрузку при проведении ручных обследований и повышает достоверность прогнозов показателей восстановления экосистем, имеющих значение для экологических портфелей.
Стратегическое применение в биофармацевтических исследованиях и разработках
Ранние этапы поиска и валидация мишени
- Позволяет проводить количественную проверку гипотез о динамике восстановления растительности с использованием пространственно-распределенных показателей деревьев.
- Способствует механистическому снижению рисков за счет уточнения взаимосвязи между методами обработки участков и экологическими результатами.
- Облегчает функциональную валидацию целей восстановления посредством объективного высокопроизводительного сбора данных.
Скрининг и разработка анализа
- Подготавливает валидированные геопространственные наборы данных для последующего экологического моделирования и сравнительного анализа.
- Стандартизирует процессы сбора и обработки данных, повышая воспроизводимость результатов на разных участках и в разные временные промежутки.
- Формирует количественные показатели (высота дерева, площадь кроны, координаты), подходящие для масштабируемого скрининга мероприятий по восстановлению экосистем.
Трансляционные и доклинические исследования
- Сопоставляет результаты дистанционного зондирования с полевыми экологическими показателями, обеспечивая трансляционную преемственность при мониторинге восстановления.
- Позволяет осуществлять риск-ориентированное совершенствование стратегий рекультивации на основе надежных, специфичных для конкретного участка показателей восстановления.
- Обеспечивает предиктивное снижение рисков для траекторий восстановления экосистем с использованием объективных данных с пространственным разрешением.
Интеграция конвейера и рабочих процессов
Данный протокол интегрируется в систему непрерывного экологического мониторинга, начиная от первичной оценки участка и заканчивая долгосрочным отслеживанием восстановления и оценкой эффективности принимаемых мер.
- Фундаментальная биология: обеспечивает анализ структуры растительности и закономерностей восстановления на основе гипотез с использованием мультимодальных данных высокого разрешения.
- Скрининг: предоставляет воспроизводимые количественные показатели деревьев для сравнительной оценки подходов к восстановлению.
- Аналитика: формирует CSV-файлы с идентификаторами деревьев, координатами, высотой и площадью кроны для статистического анализа и сопоставительного бенчмаркинга различных участков.
- Трансляционные исследования: связывает данные дистанционного зондирования с полевой валидацией, обеспечивая последовательный мониторинг различных ландшафтов.
- Корпоративное использование: создает масштабируемый и адаптируемый рабочий процесс для непрерывного экологического мониторинга и оценки восстановления.
Операционное и корпоративное воздействие
- Научная ценность: Повышает прогностическую достоверность восстановления экосистемы и снижает неопределенность результатов рекультивации.
- Операционная ценность: Оптимизирует сбор, обработку и анализ данных при крупномасштабном многоточечном мониторинге.
- Стратегическая ценность: Служит основой для принятия решений о целесообразности инвестиций в рекультивацию и способствует эффективному распределению ресурсов.
- Влияние на портфель проектов: Позволяет осуществлять приоритизацию проектов по восстановлению с учетом рисков на основе количественных показателей восстановления.
Особенности реализации
- Требуется опыт в области дистанционного зондирования, геопространственного анализа и работы с моделями глубокого обучения.
- Необходим доступ к беспилотным авиационным системам (БАС), лидарам, мультиспектральным датчикам и совместимому программному обеспечению для обработки данных.
- Требуются стандартизированные рабочие процессы для совмещения, слияния и сегментации данных между различными группами исследователей.
- Может потребоваться адаптация метода под различные типы лесов, конфигурации датчиков или условия местности.
- Чувствительность обнаружения ограничена для деревьев высотой менее 1 метра, что влияет на мониторинг ранних стадий восстановления.
