Bršljan (Hedera helix) je zimzelena drvenasta biljka penjačica iz porodice Araliaceae. Ova penjačica naraste 20-30 m u visinu na za nju prikladnim mjestima, kao što su drveća, klifovi i zidovi. Javlja se na vlažnim i humusnim zemljištima, ali dobro podnosi i kamenita i vapnenasta tla, voli vlažan zrak. Odlikuje se kožastim zimzelenim listovima koji na jednoj biljci mogu doći u više različitih oblika. Listovi mogu biti zeleni ili prošarani kremastobijelim ili srebrenastim prugama, a dugi su 50-100 mm. Srcolikog su varijabilnog oblika i spiralno raspoređeni. Spiralno su raspoređeni po stabljici koja se pomoću zračnog korijenja penje i prihvati za podlogu.

Cvijeta od kraja ljeta do kasne jeseni, točnije od kolovoza do listopada. Cvjetovi su bijelozelene boje. Plod su tamnoplave bobice promjera 6-8 mm. Plodovima bršljana hrane se mnoge ptice, pa one tako rasprostranjuju njihove sjemenke. U svakom plodu se nalazi 1-5 sjemenki. Svi dijelovi bršljana su gorkog okusa i otrovni, a ljekovitost i otrovnost biljke potječe od saponizidnih materija.

Bršljan može doživjeti i do nekoliko stotina godina starosti, ima vrlo spor prirast.

Prilikom prorjeđivanja sklopa, i jačih zahvata u šumskim sastojinama primjećeno je sve češća pojava ove biljke. U suštini bršljan nije parazitska biljka, te ne šteti stablima domaćina na taj način kao neke druge parazitske biljke, međugtim bršljan na stabla domaćina djeluje mehaničkom silom, te ukoliko je stablo jako zahvaćeno ovom biljkom može doći do savijanja grana. Bršljan negativno djeluje  blokirajući sunčevu svjetlost, koja je neophodna stablu u procesu fotosinteze. Bršljan može dodatno  otežati granu drveta, izlažući je većem riziku da se slomi u oluji. S vremenom, invazija bršljana oslabi drvo, čineći ga pogodnim za infrkciju različitim štetnim insekatima i gljivama.

FARMACEUTSKA INDUSTRIJA INTENZIVNO ISTRAŽUJE BRŠLJAN

Ne treba zaboraviti i činjenicu da je bršljan od davnina zbog prisustva saponizidih materija, korišten u liječenju respiratornih oboljenja. I danas je gotovo neizostavan usvim sirupima I lijekovima koji pospješuju iskašljavanje i sazrijevanje kašlja, te je sve veća zainteresovanost farmaceutske industrije za ovom biljkom. Postoje mnogi otkupni centri koji otkupljuju suvi ili sviježi bršljan, a to predstavlja jeden dodatni izvor prihoda za dosta stanovništva ruralnih krajeva.

Iz ova dva navedena razloga jasno se može zaključiti da je neophodno vršiti kontrolu rasprostrenjenosti bršljana. Ranije se to radilo prolaskom terena i bilježenjem stabala zaraženih ovom biljkom, ili sakupljanjem bršljana sa zaraženih stabala koja se uoče u tom prolasku terenom.

Danas je moguće jasno locirati sva stabla na kojima se nalazi bršljan upotrebom dronova opremljenih različitim snzorima.

Slika: Istraživano područje

Detekcija bršljana ostvarena je kroz GIS alate i AI algoritme, analizirajući obimne prostorne podatke za identifikaciju i mapiranje bršljana. Python se koristio za treniranje AI modela, zahvaljujući svojoj fleksibilnosti i bogatim bibliotekama za mašinsko učenje.

Slika: Stabla na kojima je detektovan bršljan

Moguće je izvršiti transformaciju koordinata stabala u fajl koji podržavaju GPS uređaji te se kao takve mogu koristiti direktno na ternu. U ovom slučaju koordinate su korišćene za kontrolu dobijenih rezultata, gdje smo se uvjerili da se na 100% detektovanih stabala, razvijenom metodologijom , nalazi bršljan.

Slika: Verifikacija rezultata razvijene metodologije

ZAKLJUČAK

Primjenom dronova moguće je precizno odrediti koordinate svakog stabla zaraženog bršljanom. Ovo nam može pomoći kod boljeg razumjevanja ekologije i rasprostrnjenosti ove vrste, kao i boljeg planiranja prilikom sakupljanja bršljana u komercijalne svhrhe. Razvijenom metodologijom značajno se štede kako materijalni tako i ljudski resursi, pogotovo kada se uzme u obzir norma za kvaliteno snimanje dronom od 2,5ha za 10 min.

Izvor:

DronSpray

PODRUČJE ISTRAŽIVANJA

Istraživanje za potrebe ovog rada, rađeno je na teritoriji Opštine Vršac, na lokalitetu, park šume u području Vršačkog Brega

MATERIJAL I METODA RADA

Za potrbe rada snimljena je površina od  2,5 ha, na teritoriji pomenute park šume. Snimanje je rađeno uz pomoć drona  DJI MAVIC 3M , na koji je montiran optički RGB senor 4/3CMOS (Effective Pixels 20 MP; FOV: 84^o; Equivalent focal lenght 24mm; Aperture: f/2.8 to f/11; Focus: 1m to …;  dron je opremljen  i sa Multispektralnim senzorom (Image Sensor:  1/2.8-inch CMOS, effective pixels 5MP; Lens:  FOV 73,91^o (61.2 ^o * 48.10^o), Equivalent focallenght 25 mm, Aperture: f/2.0 , Focus: Fixed Focus;  Multispectral Camera Band:  (Green (G): 560+- 16 nm,  Red (R): 650+- 16 nm; Red Edge  (RE): 730+- 16nm; Near Infrared (NIR): 860+-26 nm;  Gain Range: 1x32x;  Shutter Speed: Electronic Shutter 1/30-1/12800s, Max Image Size: 2592×1944.

Snimak (Slika 1) je rađen na visini leta od 50 m, pri brzini leta od 3,8 m/s, gdje je ukupno trajanje leta za potrbe dobijenog snimka iznosilo je 10 min i 33 sekunde, ukupno je napravljeno 210 slika, a preklapanje je iznosilo 85%,  Snimak je rađen 02.11.2023. godine. Potrebno je naglasiti da je snimanje rađeno po izrazito vjetrovitom danu, što je uticalo na maksimalnu visinu leta, i na sam kvalitet snimka, zbog puno buke u snimku, međutim detaljnom analizom snimka otklonjeni su nastali problemi. 

Slika 1: RGB snimak istraživanog područja

Iz dobijenog RGB snimka pomoću opcije Raster calculator izračunati su različiti vegetacijski indeksi (NDRE, NDVI,OSAVI) koji će služiti za monitoring vegtacije, takodje na osnovu snimka i poznate visine leta Drona  izračunat je i Digital SurfeceModel (DSM) (Slika 2) koji će kasnije poslužiti za kalkulacije visina detektovanih stabala.

Slika 2: DSM Istraživanog područja

Za detekciju stabala je korišćen Tree Detection algoritam, upotrebom ovog algoritma detektovano je oko 60% stabala, razlog ovako niskog procenta detekcije leži u činjenici da je snimak rađen u lišćarskoj sastojini, pred kraj vegetacije, kao i u činjenici da je snimak rađen po izuzetno vjetrovitom danu, pa je došlo do „buke“  u pojedinim dijelovima snimljenog spektra. Nakon detektovanja stabala uz pomoć pomenutog algoritma rezultati su prebačeni u šejp fajl, te je nastavljena obrada u QGIS 3.34.0 softveru. Nakon učitanog šejp fajla korišten je  Centroid plagin, koji je na osnovu učitanih poligona našao težište svakog poligona, i konvertovao ga u tačku, na ovaj način se dobije tačna pozicija svakog detektovanog stabla. Manuelnim pregledom rezultata postavljene su tačke na centre krošnji stabala koja nisu detektovana  pomoću Tree Detection algoritma, dobijeni rezultati su predstavljeni na Slici 3.

Slika 3 Pozicije pojedinačnih detektovanih stabala

Nakon toga pomoću plagina Buffer kreiran je bafer oko svakog stabla kako bi se mogla raditi kalkulacija za svako pojedinačno stablo. Nakon učitanih rezultata projekat je izgledao kao na Slici 4

Slika 4 Pozicija stabala sa kreiranim baferom oko svake krošnje

Nakon dobijenih Bafera za svako pojedinačno stablo uz pomoć alata Zonal statistic izračunata je maksimalna vrijednost DSM za svako stablo. Budući da se visina stabala dobija iz razlike između DSM i Digitalnog visinskog modela terena (DEM), bilo je neophodno učitati odgovarajući DEM. Podaci o DEM modellu su skinuti u rasterskom formatu sa sajta: (https://portal.opentopography.org/raster?opentopoID=OTALOS.112016.4326.2) , te je dobijen raster rezolicije 30×30 metara, kako se radi o ne kompatibilnosti rezolucija, budući da je rezolucija snimka DSM modela GSD: 2.32 cm/piksel, neophodno je bilo uraditi reinterpolaciju DEM modela terena na željenu rezoluciju. Ovo je urađeno izdvajanjem izohipsa na ekvidistanciji od 0,5 m i ponovnoj reinterpolaciji rezulata, gdje je podešena rezolucija od 2.32 cm/piksel, korišćen je IDV metod interpolacije.  Na osnovu dobijenih rezultata uz pomoć Zonal statistike je izračunat prosječni DEM za svako stablo, a u dobijenoj atributivnoj tabeli izračunata je visina svakog stabla. Potrebno je naglasiti da visine stabala nisu toliko pouzdane, te da bi za tačno kreiranje rezultata bilo neophodno korištenje DEM-a dobijenog uz pomoć LIDAR tehnologije, koja se može postaviti na Matric drona. Ali ovi rezultati su zadovoljavajući i mogu koristiti kao orjentir za primjenu slične metodologije. I služe kao dobar pokazatelj potencijala za primjenu dronova u monitoringu stanja šumskih sastojina.

REZULTATI

Pomenutom metodologijom na istraživanoj površini detektovano je 532 stabala, a prostorna distribucija visina predstavljena je na Slici 5

Slika 5 Prostorna distribucija visina stabala na istraživanom području

Prosječna visina detektovanih stabala  na oglednoj površini iznosi 36,7 m. Zbog velike rezolucije DEMa ove rezultate uzimamo samo kao primjer sprovedene metodologije, dok za precizne kalkulacije neophodno je uraditi LIDAR snimak i iz njega izračunati digitalni model terena.

Ukoliko želimo pratiti zdravstveno stanje svakog pojedinačnog stabla to možemo uraditi uz pomoć različitih vegetacjskih indeksa

U primjeru ispod prikazaćemo raspored prosječnog NDVI indeksa po detektovanom stablu

Slika 6 Vrijednosti NDVI indeksa po detektovanom stablu

ZAKLJUČAK

Pomoću dronova moguće je raditi precizan monitoring šumskih sastojina, kao i precizno detektovanje kruna stabla, ovo nam može puno pomoći u lakšem shvatanju stanja pojedinih sastojina, prostorne distribucije visina, detektovanja problematičnih lokacija, sušenje stabala, monitoring slučajnih užitaka i niz drugih aktivnosti vezanih za radove na monitoringu.