Monitoring stanja šumskih sastojina postaje sve važniji zadatak u savremenom šumarstvu. Sušenje šuma, kao rezultat klimatskih promena, šumskih bolesti, invazivnih vrsta i drugih ekoloških faktora, zahteva efikasnu i brzu reakciju. Tradicionalni metodama, kao što su vizuelni inspekcijski pregledi i uzimanje uzoraka sa terena, često su spori i zahtevaju velike resurse. S obzirom na ove izazove, tehnologija – posebno dronovi opremljeni multispektralnim kamerama – pruža inovativne metode za praćenje zdravlja šumskih ekosistema i omogućava precizno mapiranje.

U ovom postu analiziraćemo kako se upotreba dronova, specijalizovanih kamere i geografskih informacionih sistema (GIS) kao što je QGIS, može koristiti za efikasno praćenje sušenja šuma. Takođe, prikazaćemo kako tehnologija omogućava brzo prepoznavanje problema i donošenje informisanih odluka na terenu.

Tehnološki pristup monitoringu šuma

Korišćenje dronova za praćenje stanja vegetacije postaje standard u modernom šumarstvu. Dronovi omogućavaju detaljno snimanje velikih šumskih površina u kratkom vremenskom periodu, čime se smanjuje potreba za terenskim radnicima i opremom. U ovom istraživanju, korišćen je DJI MAVICE 3 dron opremljen multispektralnom kamerom i dodatnim IR slojem, što je omogućilo analizu u više spektralnih opsega. Dron je letio na visini od 50 metara, što je optimalno za dobivanje detaljnih podataka o vegetaciji, pružanje odgovarajuće rezolucije ali i za precizno mapiranje i snimanje velikih površina. Snimana je površina od oko 51 ha.

Istraživana površina

Multispektralna kamera i IR sloj

Multispektralne kamere snimaju slike u različitim svetlosnim opsezima, uključujući vidljive svetlosne talasne dužine, ali i blisku infracrvenu (NIR) svetlost koja nije vidljiva golim okom. Ovi podaci su ključni za analizu zdravlja biljaka jer se na osnovu refleksije svetlosti mogu dobiti tačni podaci o vegetaciji.

Infracrveni sloj (IR) posebno je koristan u prepoznavanju sušenja biljaka. Zdrava stabla imaju specifičan obrazac refleksije svetlosti, dok oštećena ili suva stabla odbijaju svetlost na drugačiji način. Ovo omogućava precizno razdvajanje zdravih od suvih stabala na osnovu indeksa vegetacije kao što je NDVI.

Osušena stabla

Izračunavanje NDVI indeksa

NDVI (Normalized Difference Vegetation Index) je najčešće korišćen indeks za procenu zdravlja biljaka. NDVI koristi razliku između refleksije u crvenom i infracrvenom spektru kako bi označio nivo fotosintetske aktivnosti biljaka. Indeks se računa prema sledećoj formuli:

NDVI=(NIR−Red)/(NIR+Red)​

Za vrednosti NDVI:

• NDVI > 0.6 označava zdravo i bujno rastinje.
• NDVI između 0.3 i 0.6 označava umjereno zdravu vegetaciju.
• NDVI < 0.3 označava loše stanje, što može ukazivati na sušenje ili smanjenje vegetacije.

U ovom istraživanju, sve vrednosti NDVI ispod 0.3 označene su kao potencijalno suva stabla. Tako je postavljen prag koji omogućava automatizovano prepoznavanje i mapiranje pogođenih područja.

Kreiranje maske suvih stabala

Nakon što su prikupljeni podaci, korišćen je Vectorize plugin za konvertovanje binarnih podataka o suvim stablima u vektorski format. Na ovaj način, podaci su postali pogodniji za dalju analizu i prostornu analizu. Ispod NDVI praga od 0.3, sve detektovane oblasti su prepoznate kao suve, a zatim je kreirana maska suvih stabala. Ova maska omogućila je vizualizaciju pogođenih područja na mapama i u velikoj meri olakšala donošenje odluka i lociranju suvih stabala, ili žarišta sušenja.

Binarna maska suvih stabala dobijena pomoću NDVI indeksa

Filtracija buke

Ponekad se pri snimanju dronovima javljaju manji problemi poput buke izazvane lošim uslovima snimanja, kao što su nepovoljni vremenski uslovi ili smanjenje rezolucije snimka. U procesu obrade podataka, korišćeni su alati za čišćenje buke. Nakon kreiranja vektorskih podataka, za uklanjanje malih površina, koje su se javile u obradi korišćen je algoritam Remove small objects. pomoću kojeg su uklnjene sve površine manje od 3 m², čime su se dobile površine jasno osušenih stabala. Na isti način otklonjena je i površina kamenoloma, kao i površine puta i prosjeka.

Precizna geolokacija i eksport podataka

Jedan od ključnih koraka u analizi bio je određivanje geolokacije svakog pojedinačnog stabla sa niskim NDVI indeksom. Korišćenjem Centroid plugina, automatski su određeni centri svakog stabla, što je omogućilo tačno mapiranje svih suvih stabala u prostoru.

Pozicija osusenih stabala

Za terensku upotrebu, sve koordinate su eksportovane u GPX format, koji je kompatibilan sa različitim GPS uređajima. Na taj način, šumari mogu preuzeti tačne podatke na terenu, bez potrebe za dodatnim unosom, te mogu jednostanije naći sva stabla.

Prednosti i izazovi primene dronova u šumarstvu

Prednosti

Upotreba dronova za monitoring šumskih sastojina ima mnoge prednosti:

1. Brzina – Dronovi omogućavaju brzo snimanje velikih površina, čime se smanjuje potreba za fizičkim obilaskom terena.
2. Visoka preciznost – Multispektralni snimci omogućavaju detaljan uvid u stanje biljaka na vrlo preciznom nivou.
3. Automatizacija – Korišćenjem GIS alata i automatizovanih metoda, proces analize podataka može biti značajno ubrzan, čime se povećava efikasnost u donošenju odluka.
4. Pristup teško dostupnim područjima – Dronovi mogu snimati i teritorije koji su inače teško dostupni zbog nepristupačnog terena ili loših vremenskih uslova.

Izazovi

Međutim, postoje i neki izazovi povezani sa upotrebom dronova:

1. Visoki troškovi – Iako dronovi postaju sve pristupačniji, oprema kao što su multispektralne kamere može biti skupa.
2. Tehnička složenost – Za pravilno korišćenje i analizu podataka sa dronova potrebno je specifično znanje i obuka u radnji sa GIS alatima.
3. Zavisnost od vremenskih uslova – Snimanje sa dronovima može biti otežano u lošim vremenskim uslovima (kiša, magla, jaka svetlost).

Zaključak: Tehnologija kao ključni alat u zaštiti šuma

Upotreba dronova u kombinaciji sa multispektralnim snimcima i GIS tehnologijama kao što je QGIS predstavlja revolucionaran korak ka efikasnijem i preciznijem monitoringu šumskih ekosistema. Ovaj pristup ne samo da omogućava brzu detekciju suvih stabala, već i detaljno mapiranje pogođenih područja, što može pomoći u preventivnim merama zaštite šuma. Kako tehnologija napreduje, očekuje se da će upotreba dronova uz podršku aplikacija na bazi AI algoritama, značajno unaprijediti sektor šumarstva u ovom pogledu.

Ukoliko želite naučiti raditi ovakve analize prijavite se na naše kurseve

Svi objekti reflektuju, apsorbuju ili emituju elektromagnetsko zračenje ovisno o sastavu,stvarajući jedinstvene uzorke koje zovemo spektralni potpisi ili endmemberi. Čisti spektralni uzorci definšu se u idealnim terenskim ili laboratorijskim uslovima, gdje je spektar refleksije dobiven upotrebom spektroradiometra fokusiranog na jednu površinu.

Spektralni potpisi vegetacije Su dinamični (u spektralnoj, prostornoj i vremenskoj rezoluciji), znatno zahtjevniji za prikupljanje i dokumentovanje, te ih treba s oprezom ugraditi u spektralne knjižnice. Postoji nekoliko spektralnih knjžnica (većih i manjih) koje su organizirane po poglavljima, a sastoje se od uzoraka koji imaju dovoljan broj analiza i dokumentaciju za utvrđivanje kvalitete spektra. U ovome istraživanju izdvojeni su spektralni potpisi za nekoliko vrsta:  hrast lužnjak (Quercus robur L.), običnu bukvu (Fagus sylvatica L.), običnu jelu (Abies alba Mill.), običnu smreku (Picea abies L.), bijelu imelu (Viscum album L. ssp. Abietis (Weisb.)) i žutu imelu (Loranthus europaeus Jacq.). Svrha istraživanja je bila uspostaviti spektralnu knjižnicu za buduća istraživanja primjene hiperspektralnih skenera pri detekciji vrsta drveća.

MATERIJALI I METODE

Snimanje uzoraka provedeno je hiperspektralnim linijskim skenerom ImSpector V9 spektralnog opsega 430-900nm i PCO PixelFly monokromatskim senzorom (24 slike/sekundi, rezolucije 640×512/8 bita ili 1280×1024/12 bita piksela (Miljković i dr. 2017). Hiperspektralni skener postavljen je zajedno sa senzorom svjetlosnog zračenja – FODIS (Fiber Optic Downwelling Irradiance Sensor) na visinu jednoga metra iznad tla. Dužina linije snimanja je iznosila 33,3%, a širina linije iznosi 0,208% visine, odnosno 0,333m x 0,00208m (Šemanjski i dr. 2009). Uzorcisu postavljani ispod skenera, u središte optičke ose, na podlogu pričvršćenu na tlo, sa označenom podjelom punog kruga za svakih h 45º. Ukupno je snimljeno 1208 snimaka. 

REZULTATI I DISKUSIJA

Dobijeni rezultati potvrđuju mogućnost razdvajanja spektralnih krivulja, ali ujedno i ukazuju na preklapanje u pojedinim dijelovima spektra za pojedine vrste,što je bilo i očekivano.

Uspoređene spektralne krivulje hrasta lužnjaka i obične bukve pokazuju jasnu diferencijaciju duž cijeloga spektra od 430 do 900 nm, što dokazuje i rezultat t-testa p<0,001.  Na grafičkom prikazu vidljivo je kako hrast lužnjak i obična bukva dobro diferenciraju u vidljivom i infracrvenom dijelu spektra.

Usporedbom spektralnih krivulja hrasta lužnjaka i žute imele koja dolazi na hrastu lužnjaku, vidimo jasno razlikovanje  njihovih spektralnih krivulja (t-test p<0,001), što ukazuje na mogućnost detekcije zaraženosti hrasta lužnjaka imelom.

Nakon usporedbe spektralnih krivulja obične jele, obične bukve i obične smreke , vidljivo je kako se obična jela i obična smreka slabo diferenciraju u vidljivom dijelu (t-test p=0,917), za razliku od obične bukve, čija je spektralna refleksija znatno veća u području red edge prema bližem infracrvenom području, (t-test p<0,001) i t-test za običnu smreku i običnu bukvu (t-test p><0,001)

Usporedbom spektralnih krivulja obične jele i bijele imele (slika 12), možemo potvrditi njihovo jasno diferenciranje, što dokazuje uspješnost primjene u detekciji imele na hiperspektralnim snimkama.

Rezultati istraživanja proučavanih glavnih šumskih vrsta u Hrvatskoj i dvije vrste imela većinom su pokazali malu diferencijaciju spektralih krivulja u vidljivom dijelu spektra, dok u bližem infracrvenom navedene vrste jasno diferenciraju, odnosno moguća je detekcija tih vrsta na hiperspektralnim snimkama.

ZAKLJUČAK

Na osnovi provedenih snimanja pojedinih vrsta drveća i dvije poluparazitske vrste, hiperspektralnim linijskim skenerom ImSpector V9 možemo donijeti sljedeće zaključke:

provedenim istraživanjem definiranisu postupci uzimanja uzoraka za određivanje endmembera i kreiranje spektralnih knjižnica;

određeni su čisti spektralni uzorci (endmemberi) za neke od najvrijednijih komercijanih vrsta u Republici Hrvatskoj (hrast lužnjak, obična bukva, obična jela i obična smreka), te za dvije poluparazitske vrste (bijela i žuta imela);

spektralni potpisi navedenih uzoraka su dio spektalne knjižnice, te mogu poslužiti u budućim hiperspektralnim istraživanjima za detekciju vrsta drveća i zaraze imelom kako za potrebe šumarstva (zaštite šuma, uređivanja, iskorištavanja šuma)tako i za potrebe drugih naučnih disciplina.

Ovo istrživanje je jedan od prvih koraka u razvoju algoritama za detekciju vrsta drveća iz hiperspektralnih snimaka. Danas postoje hiperspektralne kamere, koje se mogu montirati na dronove, te kombinovanjem ovih razultata I sve brže rastuće AI tehnologije , koja pored diferencijacije u spektru može koristiti i mehanizme za prepoznavanje oblika krošnje, visine stabala, položaja grana I slično.

USKORO VIŠE O OVOJ METODOLOGIJI NA FORESTRYTECH blogu.

IZVOR: Ančić M. et all. (2020) : SPEKTRALNI POTPISI (ENDMEMBERI) NEKIH ŠUMSKIH VRSTA U REPUBLICI HRVATSKOJ; Šumarski list; p119–127.