Name: Sammeln und Verarbeiten von drohnenbasierten Fernerkundungsdaten für den Einsatz in der Überwachung der Walderholung (Video) | JoVE Journal
Uploaded: 2025-10-24T14:25:00.000+00:00
Duration: 8 min 16 s
Description: Erfahren Sie, wie drohnenbasierte LiDAR-Daten für die Walderholungsüberwachung gesammelt und verarbeitet werden. Dieses benutzerfreundliche Protokoll nutzt KI-Modelle zur präzisen Einzelbaumerkennung und reduziert den Zeitaufwand für Felderhebungen erheblich.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol><li>Well status. , Alberta Energy Regulator. 
 <a target="_blank" href="https://www.aer.ca/data-and-performance-reports/data-hub/well-status">https://www.aer.ca/data-and-performance-reports/data-hub/well-status</a> (2025).</li>
<li>Western boreal forest - Canada. , Ducks Unlimited. 
 <a target="_blank" href="https://www.ducks.org/conservation/where-ducks-unlimited-works/western-boreal-forest--canada">https://www.ducks.org/conservation/where-ducks-unlimited-works/western-boreal-forest--canada</a> (2023).</li>
<li>Baah-Acheamfour, M., Dewey, M., Fraser, E. C., Schreiber, S. G., Schoonmaker, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Assessing+ecological+recovery+of+reclaimed+well+sites%3A+a+case+study+from+Alberta%2C+Canada%5BTitle%5D)+AND+%22Front.+For.+Glob.+Change%22%5BJournal%5D)">Assessing ecological recovery of reclaimed well sites: a case study from Alberta, Canada.</a> Front. For. Glob. Change. 5, 849246(2022).</li>
<li>2010 reclamation criteria for wellsites and associated facilities for forested lands (Updated July 2013). , Environment and Sustainable Resource Development. 
 <a target="_blank" href="https://open.alberta.ca/publications/1657667/resource/77e66fa1-f7ee-44ad-8c68-234854d38d44">https://open.alberta.ca/publications/1657667/resource/77e66fa1-f7ee-44ad-8c68-234854d38d44</a> (2013).</li>
<li>Alvarez-Vanhard, E., Corpetti, T., Houet, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((UAV+and+satellite+synergies+for+optical+remote+sensing+applications%3A+a+literature+review%5BTitle%5D)+AND+%22Sci.+Remote+Sens%22%5BJournal%5D)">UAV and satellite synergies for optical remote sensing applications: a literature review.</a> Sci. Remote Sens. 3, 100019(2021).</li>
<li>Hird, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Use+of+unmanned+aerial+vehicles+for+monitoring+recovery+of+forest+vegetation+on+petroleum+well+sites%5BTitle%5D)+AND+%22Remote+Sens%22%5BJournal%5D)">Use of unmanned aerial vehicles for monitoring recovery of forest vegetation on petroleum well sites.</a> Remote Sens. 9 (5), 413(2017).</li>
<li>Mathews, A. J., Singh, K. K., Cummings, A. R., Rogers, S. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fundamental+practices+for+drone+remote+sensing+research+across+disciplines%5BTitle%5D)+AND+%22Drone+Syst.+Appl%22%5BJournal%5D)">Fundamental practices for drone remote sensing research across disciplines.</a> Drone Syst. Appl. 11, 1-22 (2023).</li>
<li>Zhang, Z., Zhu, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+on+unmanned+aerial+vehicle+remote+sensing%3A+platforms%2C+sensors%2C+data+processing+methods%2C+and+applications%5BTitle%5D)+AND+%22Drones%22%5BJournal%5D)">A review on unmanned aerial vehicle remote sensing: platforms, sensors, data processing methods, and applications.</a> Drones. 7 (6), 398(2023).</li>
<li>Puliti, S., McLean, J. P., Cattaneo, N., Fischer, C., Astrup, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tree+height-growth+trajectory+estimation+using+uni-temporal+UAV+laser+scanning+data+and+deep+learning%5BTitle%5D)+AND+%22Forestry%22%5BJournal%5D)">Tree height-growth trajectory estimation using uni-temporal UAV laser scanning data and deep learning.</a> Forestry. 96 (1), 37-48 (2023).</li>
<li>Straker, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Instance+segmentation+of+individual+tree+crowns+with+YOLOv5%3A+a+comparison+of+approaches+using+the+ForInstance+benchmark+LiDAR+dataset%5BTitle%5D)+AND+%22ISPRS+Open+J.+Photogr.+Remote+Sens%22%5BJournal%5D)">Instance segmentation of individual tree crowns with YOLOv5: a comparison of approaches using the ForInstance benchmark LiDAR dataset.</a> ISPRS Open J. Photogr. Remote Sens. 9, 100045(2023).</li>
<li>Xiang, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+forest+inventory%3A+analysis+of+high-density+airborne+LiDAR+point+clouds+with+3D+deep+learning%5BTitle%5D)+AND+%22Remote+Sens.+Environ%22%5BJournal%5D)">Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning.</a> Remote Sens. Environ. 305, 114078(2024).</li>
<li>TreeAIBox CloudCompare Plugin. , 
 <a target="_blank" href="https://github.com/NRCan/TreeAIBox">https://github.com/NRCan/TreeAIBox</a> (2025).</li>
<li>Xi, Z., Degenhardt, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+unified+framework+for+supervised+3D+crown+segmentation+%28TreeisoNet%29+using+deep+neural+networks+across+airborne%2C+UAV-borne%2C+and+terrestrial+laser+scans%5BTitle%5D)+AND+%22ISPRS+Open+J.+Photogr.+Remote+Sens%22%5BJournal%5D)">A new unified framework for supervised 3D crown segmentation (TreeisoNet) using deep neural networks across airborne, UAV-borne, and terrestrial laser scans.</a> ISPRS Open J. Photogr. Remote Sens. 15, 100083(2025).</li>
<li>Elsheikh, M., Iqbal, U., Noureldin, A., Korenberg, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+implementation+of+precise+point+positioning+%28PPP%29%3A+a+comprehensive+review%5BTitle%5D)+AND+%22Sensors%22%5BJournal%5D)">The implementation of precise point positioning (PPP): a comprehensive review.</a> Sensors. 23 (21), 8874(2023).</li>
<li>CloudCompare. , 
 <a target="_blank" href="https://www.cloudcompare.org/">https://www.cloudcompare.org/</a> (2024).</li>
<li>Wielgosz, M., Puliti, S., Xiang, B., Schindler, K., Astrup, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SegmentAnyTree%3A+a+sensor+and+platform+agnostic+deep+learning+model+for+tree+segmentation+using+laser+scanning+data%5BTitle%5D)+AND+%22Remote+Sens.+Environ%22%5BJournal%5D)">SegmentAnyTree: a sensor and platform agnostic deep learning model for tree segmentation using laser scanning data.</a> Remote Sens. Environ. 313, 114367(2024).</li>
</ol>

<table><tbody><tr><td>Avenza Maps App</td><td>Avenza</td><td>NA</td><td>Für die Offline-Feldnavigation mit georeferenzierten PDFS-Karten, die in QGIS erstellt wurden</td></tr><tr><td>Zielscheiben</td><td>Jeder Anbieter</td><td>NA</td><td>Bodenkontrollpunkte</td></tr><tr><td>CloudCompare&nbsp;</td><td>CloudCompare&nbsp;</td><td>NA</td><td>3D-Punktwolkenverarbeitungs- und Bearbeitungssoftware</td></tr><tr><td>DJI BS60 Batteriestation (mit den M300-Akkus (x8), D-RTK2-Batterien (x4), Stromkabel und USB-C-Kabel zum Anschluss an die Fernbedienung)</td><td>DJI</td><td>NA</td><td></td></tr><tr><td>DJI M300 RTK-Flugzeug mit DLS (mit Steuerung und Ersatzpropellern)</td><td>DJI</td><td>NA</td><td>DLS (Downwelling Light Sensor)</td></tr><tr><td>DJI Terra Pro</td><td>DJI</td><td>NA</td><td>Rekonstruktion der Roh-LiDAR-Daten in 3D-Punktwolken.&nbsp;</td></tr><tr><td>DJI Zenmuse L1 LiDAR-Sensor (mit microSD-Karte)</td><td>DJI</td><td>NA</td><td></td></tr><tr><td>D-RTK2 Mobilstation (mit Stativ und Verlängerungsstange)</td><td>DJI</td><td>NA</td><td></td></tr><tr><td>Emlid Reach RS2+ Basisstation (mit Stativ)</td><td>Emlid</td><td>NA</td><td></td></tr><tr><td>Emlid Reach RS2+ Rover (mit GNSS-Vermessungsmast)</td><td>Emlid</td><td>NA</td><td></td></tr><tr><td>Externe Festplatten</td><td>Jeder Anbieter</td><td>NA</td><td>&nbsp; Um Daten zu sichern</td></tr><tr><td>Fluglogbuch</td><td>Jeder Anbieter</td><td>NA</td><td></td></tr><tr><td>Google Earth Pro&nbsp;</td><td>Googeln</td><td>NA</td><td>Erstellung von KML-Flugdateien&nbsp;</td></tr><tr><td>Landeplatz</td><td>Jeder Anbieter</td><td>NA</td><td>Um ein Flugzeug zu starten oder zu landen</td></tr><tr><td>Laptop</td><td>Jeder Anbieter</td><td>NA</td><td>Für das Herunterladen von Daten, zum Formatieren von Karten usw. im Außendienst.</td></tr><tr><td>MicaSense RedEdge-P Sensor (mit MicaSense SD-Karte, USB-C-Kabel, MicaSense kalibriertem Reflektionspanel (CRP))</td><td>MicaSense</td><td>NA</td><td></td></tr><tr><td>PIX4Dmapper</td><td>Pix4D S.A.</td><td>NA</td><td>Geometrische und radiometrische Korrektur multispektraler Bilder und Orthomosaikerzeugung.</td></tr><tr><td>Pneumometer</td><td>Jeder Anbieter</td><td>NA</td><td></td></tr><tr><td>PyCharm</td><td>JetBrains&nbsp;s.r.o.</td><td>NA</td><td>Python integrierte Entwicklungsumgebung (IDE)</td></tr><tr><td>QGIS&nbsp;</td><td>QGIS&nbsp;</td><td>NA</td><td>Verarbeitung, Bearbeitung und Visualisierung von georäumlichen Daten</td></tr><tr><td>SD- und microSD-Kartenleser</td><td>Jeder Anbieter</td><td>NA</td><td></td></tr><tr><td>Smartphone</td><td>Jeder Anbieter</td><td>NA</td><td>Zur Verbindung mit MicaSense RedEdge-P Sensoren und Emlid Reach RS2+ Geräten</td></tr><tr><td>Sternlatten/Nägel, Hammer und Flaggband</td><td>Jeder Anbieter</td><td>NA</td><td>Zur Markierung des Standorts der D-RTK2-Basisstation</td></tr><tr><td>Tablette</td><td>Jeder Anbieter</td><td>NA</td><td>Zur Navigation im Feld</td></tr><tr><td>TreeAIBox (CloudCompare&nbsp; Plugin)</td><td></td><td>NA</td><td></td></tr><tr><td>Zwei-Wege-Funk</td><td>Jeder Anbieter</td><td>NA</td><td></td></tr><tr><td>Arbeitsstation (CPU i5 oder neuer, CUDA-fähige NVIDIA GPU mit VRAM & 4 GB, RAM & 32 GB, SSD & 512 GB & nbsp;</td><td>Jeder Anbieter</td><td>NA</td><td></td></tr></tbody></table>

sammeln und verarbeiten von drohnenbasierten fernerkundungsdaten für den einsatz in der Überwachung der walderholung

Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring

Sammeln und Verarbeiten von drohnenbasierten Fernerkundungsdaten für den Einsatz in der Überwachung der Walderholung

Remote sensing (RS) technologies, particularly light detection and ranging (LiDAR) and multispectral (MS) imagery, provide broad-scale vegetation ...

collecting-processing-drone-based-remotely-sensed-data-for-use-forest

Research

Forschung

JoVE Journal

Environment

Umwelt

Eine schnell-multidisziplinäre Strategie zur Früherkennung von Cyanobakterienblüten und assoziierten Cyanotoxinen wird hier beschrieben. Es ermöglicht den Nachweis von Cyanobakterien und verwandten Cyanotoxinen in Wasserproben und in organischen Matrizen, wie z.B. Muschelproben, in 24 h.

Früherkennung von Cyanobakterienblüten und assoziierten Cyanotoxinen mit Fast Detection Strategy

Wir berichten über detaillierte Verfahren für eine Methode zur Schätzung der invasiven Pflanzenbiomasse, die Daten aus der Fernerkundung von unbemannten Luftfahrzeugen (UAV) verwendet, um die Biomasse zu bewerten und die räumliche Verteilung invasiver Arten zu erfassen. Dieser Ansatz erweist sich als äußerst nützlich für die Durchführung von Gefahrenbewertungen und die Frühwarnung vor invasiven Pflanzen.

Computer Vision-basierte Biomasseschätzung für invasive Pflanzen

Oberflächenerneuerung ist eine mikrometeorologische Methode, die zunehmend zur Bestimmung von Energieflüssen eingesetzt wird, aber aufgrund ihrer technischen Komplexität für ein breites Publikum unzugänglich ist. Wir beschreiben die Schritte, die erforderlich sind, um eine Feldstation für die Oberflächenerneuerung einzurichten und zu kalibrieren, Daten zu erfassen und zu verarbeiten und die Ergebnisse richtig zu interpretieren.

Oberflächen Erneuerung: Ein Advanced Mikrometeorologische Verfahren zur Messung und Verarbeitung Feld Skala Energieflussdichte Daten

Ein robuster und flexibler Ansatz zur Bestätigung der Herbizidresistenz in Unkrautpopulationen wird vorgestellt. Dieses Protokoll ermöglicht es, die Herbizidresistenzen abzuleiten und mit geringfügigen Anpassungen auf eine Vielzahl von Unkrautarten und Herbiziden anzuwenden.

Protokolle für Robust Herbizidresistenz Testing in verschiedene Unkrautarten

Eine detaillierte Methode zur Extraktion und Montage von Kernlysimetern mit intaktem Boden und deren Verwendung zur Untersuchung von Sickerwasser und dem damit verbundenen Nährstoffverlust aus oberflächenappliziertem Geflügelmist wird demonstriert.

Ein Protokoll zum Sammeln und Konstruieren von Bodenkern Lysimeter

Wiederholte Entnahme von Bodenproben hat ein effektiver Weg erwiesen, um Waldboden Wechsel über Jahre und Jahrzehnte zu überwachen kürzlich. Um seine Verwendung zu unterstützen, ein Protokoll vorgestellt, um die neuesten Informationen über den Boden Resampling Methoden synthetisiert in der Konzeption und Umsetzung von erfolgreichen Bodenbeobachtung zu unterstützen.

Methoden der Boden Resampling zur Überwachung von Veränderungen in der chemischen Konzentrationen von Waldböden

Dreidimensionale (3D) Reflexion Seismologie ist eine leistungsfähige Methode für imaging unterirdischen Vulkane. Mithilfe von industriellen 3D seismologischen Daten aus der Tarim-Becken, veranschaulichen wir die Fensterbänke und die Leitungen der unterirdischen Vulkane aus seismischen Datenwürfel zu extrahieren.

Datenverarbeitung für seismische 3D-Bildgebung der unterirdischen Vulkane: Anwendungen der Tarim Flut Basalt

Wir Entwicklung eine low-cost und kleine Flug-Mühle mit handelsüblichen Produkten und leicht in Experimenten verwendet. Verwenden dieses Gerät, haben wir die Flug-Fähigkeit eine Ambrosia-Käfer, Platypus Quercivorusgemessen.

Messung der Flug Fähigkeit des Käfers Ambrosia, Platypus Quercivorus (Murayama), mit einem Low-Cost, klein und leicht konstruierte Flug Mühle

Hier präsentieren wir ein Protokoll zur Pflanze Virulenz mit dem Werk Erreger testen Magnaporthe Grisea. Dieser Bericht wird dazu beitragen, das große Screening von Pathotypen von Pilzen Isolaten und dienen als ein ausgezeichneter Ausgangspunkt für das Verständnis der resistenten Mechanismen der Pflanzen während der molekularen Züchtung.

Die Pflanze-Infektion-Test: Spray und Wunde-vermittelten Inokulation mit Pflanzen Pathogen Magnaporthe Grisea

Die Beobachtung der Wasserverteilung innerhalb des Xylems liefert wichtige Informationen über die Wasserströmungsdynamik in holzigen Pflanzen. In dieser Studie zeigen wir den praktischen Ansatz zur Beobachtung der Xylem-Wasserverteilung vor Ort mithilfe eines Kryostats und Kryo-SEM, der artefaktische Veränderungen des Wasserstatus während der Probenvorbereitung eliminiert.

Xylem-Wasserverteilung in Holzpflanzen visualisiert mit einem Kryo-Scanning-Elektronenmikroskop

Erfahren Sie, wie drohnenbasierte LiDAR-Daten für die Walderholungsüberwachung gesammelt und verarbeitet werden. Dieses benutzerfreundliche Protokoll nutzt KI-Modelle zur präzisen Einzelbaumerkennung und reduziert den Zeitaufwand für Felderhebungen erheblich.

Sammeln und Verarbeiten von drohnenbasierten Fernerkundungsdaten für den Einsatz in der Überwachung der Walderholung

Weitere Videos entdecken