Name: Raccolta ed elaborazione di dati telerilevati basati su droni da utilizzare nel monitoraggio del recupero forestale (Video) | JoVE Journal
Uploaded: 2025-10-24T14:25:00.000+00:00
Duration: 8 min 16 s
Description: Scopri un protocollo pratico per il monitoraggio del recupero forestale con LiDAR su droni e modelli di deep learning. Questo metodo consente di rilevare e segmentare alberi individuali con alta precisione, riducendo tempi e costi rispetto ai rilievi tradizionali sul campo.

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>App Avenza Maps</td><td>Avenza</td><td>NA</td><td>Per la navigazione offline nei campi utilizzando mappe PDF georeferenziate create in QGIS</td></tr><tr><td>Bersagli a scacchi</td><td>Qualsiasi fornitore</td><td>NA</td><td>Punti di controllo a terra</td></tr><tr><td>CloudCompare&nbsp;</td><td>CloudCompare&nbsp;</td><td>NA</td><td>Software di elaborazione e editing 3D di punti cloud</td></tr><tr><td>Stazione batteria DJI BS60 (con batterie M300 (x8), batterie D-RTK2 (x4), cavo di alimentazione e cavo USB-C per collegare al telecomando)</td><td>DJI</td><td>NA</td><td></td></tr><tr><td>DJI M300 RTK Aircraft con DLS (con controller e eliche di ricambio)</td><td>DJI</td><td>NA</td><td>DLS (Sensore di luce in discesa)</td></tr><tr><td>DJI Terra Pro</td><td>DJI</td><td>NA</td><td>Ricostruzione dei dati LiDAR grezzi in nuvole di punti 3D.&nbsp;</td></tr><tr><td>Sensore LiDAR DJI Zenmuse L1 (con scheda microSD)</td><td>DJI</td><td>NA</td><td></td></tr><tr><td>Stazione mobile D-RTK2 (con treppiede e asta di prolunga)</td><td>DJI</td><td>NA</td><td></td></tr><tr><td>Emlid Reach RS2+ Base Station (con treppiede)</td><td>Emlid</td><td>NA</td><td></td></tr><tr><td>Rover Emlid Reach RS2+ (con palo di rilevamento GNSS)</td><td>Emlid</td><td>NA</td><td></td></tr><tr><td>Dischi rigidi esterni</td><td>Qualsiasi fornitore</td><td>NA</td><td>&nbsp; Per fare il backup dei dati</td></tr><tr><td>Registro di volo</td><td>Qualsiasi fornitore</td><td>NA</td><td></td></tr><tr><td>Google Earth Pro&nbsp;</td><td>Google</td><td>NA</td><td>Creazione dei file di volo KML &nbsp;</td></tr><tr><td>Piattaforma di atterraggio</td><td>Qualsiasi fornitore</td><td>NA</td><td>Lanciare/atterrare un aereo</td></tr><tr><td>Portatile</td><td>Qualsiasi fornitore</td><td>NA</td><td>Da usare sul campo per scaricare dati, formattare le schede, ecc.</td></tr><tr><td>Sensore MicaSense RedEdge-P (con scheda SD MicaSense, cavo USB-C, pannello di riflettanza calibrata MicaSense (CRP))</td><td>MicaSense</td><td>NA</td><td></td></tr><tr><td>PIX4Dmapper</td><td>Pix4D S.A.</td><td>NA</td><td>Correzione geometrica e radiometrica di immagini multispettrali e generazione di ortomosaici.</td></tr><tr><td>Pneumometro</td><td>Qualsiasi fornitore</td><td>NA</td><td></td></tr><tr><td>PyCharm</td><td>JetBrains&nbsp;s.r.o.</td><td>NA</td><td>Ambiente di sviluppo integrato Python (IDE)</td></tr><tr><td>QGIS&nbsp;</td><td>QGIS&nbsp;</td><td>NA</td><td>Elaborazione, modifica e visualizzazione dei dati geospaziali</td></tr><tr><td>Lettore di schede SD e microSD</td><td>Qualsiasi fornitore</td><td>NA</td><td></td></tr><tr><td>Smartphone</td><td>Qualsiasi fornitore</td><td>NA</td><td>Per collegarsi con le unità RS2+ del sensore RedEdge P MicaSense e Emlid Reach</td></tr><tr><td>Scherche/chiodi a stella, mazzuolo e nastro per segnalazione</td><td>Qualsiasi fornitore</td><td>NA</td><td>Per segnare la posizione della stazione base D-RTK2</td></tr><tr><td>Tavoletta</td><td>Qualsiasi fornitore</td><td>NA</td><td>Per la navigazione sul campo</td></tr><tr><td>TreeAIBox (CloudCompare&nbsp; plugin)</td><td></td><td>NA</td><td></td></tr><tr><td>Radio bidirezionale</td><td>Qualsiasi fornitore</td><td>NA</td><td></td></tr><tr><td>Workstation (CPU i5 o successiva, GPU NVIDIA abilitata a CUDA con VRAM &ge; 4GB, RAM &ge; 32GB, SSD &ge; 512GB&nbsp;</td><td>Qualsiasi fornitore</td><td>NA</td><td></td></tr></tbody></table>

raccolta ed elaborazione di dati telerilevati basati su droni da utilizzare nel monitoraggio del recupero forestale

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

Raccolta ed elaborazione di dati telerilevati basati su droni da utilizzare nel monitoraggio del recupero forestale

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

JoVE Journal

Environment

Qui viene descritta una strategia multidisciplinare rapida per la diagnosi precoce delle fioriture cianobatteriche e delle cianotossine associate. Consente il rilevamento di cianobatteri e cianotossine correlate in campioni d'acqua e in matrici organiche, come campioni bivalvi, in 24 ore.

Individuazione precoce di fioriture cianobatteriche e cianotossine associate utilizzando la strategia di rilevamento rapido

Riportiamo procedure dettagliate per un metodo di stima della biomassa vegetale invasiva che utilizza i dati ottenuti dal telerilevamento di veicoli aerei senza pilota (UAV) per valutare la biomassa e catturare la distribuzione spaziale delle specie invasive. Questo approccio si rivela estremamente utile per condurre la valutazione dei pericoli e l'allerta precoce delle piante invasive.

Stima della biomassa basata sulla visione artificiale per impianti invasivi

Il rinnovo della superficie è un metodo micrometeorologico che viene utilizzato sempre più spesso per determinare i flussi di energia, ma la sua complessità tecnica lo rende inaccessibile a un vasto pubblico. Descriviamo i passaggi necessari per impostare e calibrare una stazione di campo di rinnovo della superficie, per acquisire ed elaborare i dati e per interpretare correttamente i risultati.

Rinnovo di superficie: un metodo avanzato micrometeorologici per la misurazione e l&#39;elaborazione del campo scala dell&#39;energia densità di flusso di dati

Viene presentato un approccio robusto e flessibile per confermare la resistenza agli erbicidi nelle popolazioni di erbe infestanti. Questo protocollo consente di dedurre i livelli di resistenza agli erbicidi e di applicarli a un'ampia gamma di specie di erbe infestanti ed erbicidi con adattamenti minori.

Protocolli per Robust erbicidi Test della resistenza in diversi Weed Specie

Viene dimostrato un metodo dettagliato per l'estrazione e l'assemblaggio di lisimetri per carote di terreno intatto e il loro utilizzo per lo studio del percolato e della relativa perdita di nutrienti dalla lettiera di pollame applicata in superficie.

Un protocollo per la raccolta e la costruzione del suolo lisimetri core

campionamento del suolo ripetuto è stato recentemente dimostrato di essere un modo efficace per monitorare il cambiamento del suolo della foresta nel corso degli anni e decenni. Per supportare il suo uso, un protocollo viene presentato che sintetizza le informazioni più recenti sui metodi di ricampionamento terreno per aiutare nella progettazione e realizzazione di programmi di monitoraggio del suolo di successo.

I metodi di ricampionamento suolo per monitorare i cambiamenti delle concentrazioni chimiche di foresta Suoli

Sismica a riflessione (3D) tridimensionale è un metodo potente per l'imaging di sottosuolo vulcani. Utilizzando i dati sismologici 3D industriali dal bacino del Tarim, illustriamo come estrarre i davanzali e le condotte del sottosuolo vulcani da cubi di dati sismici.

Metodi di elaborazione dei dati per l'Imaging 3D sismica del sottosuolo vulcani: applicazioni per il basalto dell'inondazione del Tarim

Abbiamo sviluppato un mulino di basso costo e piccolo volo, costruito con elementi comunemente disponibili e facilmente utilizzati nella sperimentazione. Usando questo apparecchio, abbiamo misurato la capacità di volo di uno scarabeo di ambrosia, Platypus quercivorus.

Misura la capacità di volo del Scarabeo dell'Ambrosia, Platypus Quercivorus (Murayama), utilizzando un basso costo, piccole e facilmente costruito volo Mill

Qui, presentiamo un protocollo per testare la virulenza della pianta con la pianta patogeno Magnaporthe grisea. Questa relazione contribuirà alla proiezione su grande scala di patotipi di funghi isolati e servire come un ottimo punto di partenza per la comprensione dei meccanismi resistenti delle piante durante l'allevamento molecolare.

La prova di infezione di pianta: Spray e ferita-mediata di inoculazione con la pianta patogeno Magnaporthe Grisea

Osservare la distribuzione dell'acqua all'interno dello xilema fornisce informazioni significative per quanto riguarda la dinamica del flusso d'acqua nelle piante legnose. In questo studio, dimostriamo l'approccio pratico per osservare la distribuzione dell'acqua xylem in situ utilizzando un criostato e un crio-SEM, che elimina i cambiamenti artifactuali nello stato dell'acqua durante la preparazione del campione.

Distribuzione dell'acqua Xylem nelle piante legnose con un microscopio elettronico a scansione crio-scansione

Scopri un protocollo pratico per il monitoraggio del recupero forestale con LiDAR su droni e modelli di deep learning. Questo metodo consente di rilevare e segmentare alberi individuali con alta precisione, riducendo tempi e costi rispetto ai rilievi tradizionali sul campo.

Raccolta ed elaborazione di dati telerilevati basati su droni da utilizzare nel monitoraggio del recupero forestale

Esplora altri video