Use of unmanned aerial vehicle (uav) imagery to monitor progress of early forest ecosystem restoration in an Opencast mine

การใช้ภาพถ่ายจากอากาศยานไร้คนขับเพื่อติดตามความก้าวหน้าของการฟื้นฟูระบบนิเวศป่าระยะเริ่มต้นในพื้นที่เหมืองเปิด

Name: Punnat Changsalak

LCSH: Drone aircraft

LCSH: Drone aircraft -- Control systems

LCSH: Drone aircraft in education

Abstract: Monitoring forest restoration is essential for improving and advancing restoration techniques, but human-based monitoring is costly as it requires intensive labour in the field. Although aerial images from unmanned aerial vehicles (UAVs) could potentially replace labour, aerial monitoring of newly planted trees is challenging because of small tree sizes, especially during the planting and initial growing stage. This research developed and tested an aerial technique to monitor survival and growth of young trees, which were planted to restore an open-cast mine. A quadcopter with 20-megapixel RBG camera was used to capture tree growth in the planted sites from 10 m above ground, every 3 months over the first year after planting. Tree variables, derived from photogrammetry (orthomosaic images and 3D point cloud software) were compared with conventional ground-survey measurements. Three photogrammetric software tools for this purpose were compared, DroneDeploy outperformed trial versions of 2 other software in terms of producing 3D point clouds and preliminary manual sapling height measurements. It therefore was used to perform the study. Orthomosaic images and 3D point clouds were able to detect rates of survival saplings up to 85% and 64 %, respectively. Tree-height measurements from imagery correlated well with ground-survey measurements (R2 = 0.57, P< 0.001) with a moderate correlation, while crown area measurements (both methods) correlated with image-based measurement (R2 = 0.62 and 0.68, P< 0.001), after the trees had been growing 1 year. Correlation of tree root-collar diameter predictions from image-based height was low (R2 = 0.36, P< 0.001), after the trees had been growing 9 months. Reliability of tree detection and measurements increased during the second rainy season after planting, when most of the trees had grown taller than 0.8 meters. At present, monitoring progress of newly planted trees is more accurate by ground than by drone surveys. However, the study showed increased correlation of drone surveys after 1 year’s growth. The study shows that seasonality, species traits, appropriate age and size of the target saplings all need to be considered during development of appropriate aerial-based techniques, to monitor the progress of forest ecosystem restoration sites of greater complexity. Differences between drone-acquired and ground data, when ranking species by relative performance index were large. Improvements in the collection and analysis of image-derived data will be needed, before aerial base species-selection decision making becomes reliable, particularly application of AI technologies to replace manual measurements. However, once such developments are achieved, it is likely that image-based methods to monitor saplings in the early stages of forest restoration will become a viable alternative to ground surveys.

Abstract: การติดตามตรวจสอบการฟื้นฟูป่าเป็นสิ่งจำเป็นเพื่อความก้าวหน้าของเทคนิคการฟื้นฟู แต่ด้วยค่าใช้จ่ายในการดาเนินการที่สูง โดยเฉพาะอย่างยิ่งในแง่ของค่าจ้างแรงงาน ภาพถ่ายทางอากาศจากอากาศยานไร้คนขับ (UAV) มีความเป็นไปได้ที่จะเข้ามาทดแทนในส่วนของแรงงานสำหรับการติดตามตรวจสอบการฟื้นฟูนี้ อย่างไรก็ตาม การตรวจสอบกล้าไม้ที่ปลูกใหม่ด้วยภาพถ่ายทางอากาศยังคงเป็นเรื่องที่มีความท้าทาย เนื่องจากกล้าไม้มีขนาดเล็ก งานวิจัยที่นำเสนอนี้มีจุดประสงค์ที่จะพัฒนาและทดสอบเทคนิคการใช้ภาพถ่ายทางอากาศ เพื่อติดตามการรอดและการเจริญเติบโตของกล้าไม้ที่ปลูกเพื่อฟื้นฟูพื้นที่เหมืองแบบเปิด โดยใช้อากาศยานไร้คนขับประเภท 4 ใบพัดที่มาพร้อมกล้อง RBG ความละเอียด 20 เมกะพิกเซล สำหรับถ่ายภาพพื้นที่ปลูกจากความสูง 10 เมตรเหนือพื้นดิน เป็นระยะเวลาทุก ๆ 3 เดือนในช่วงปีแรกหลังจากการปลูก ตัวแปรที่ได้จากการรังวัดด้วยภาพถ่าย (รูปภาพออร์โธโมซาอิกและโครงสร้างพอยต์คลาวด์ 3 มิติ) ถูกเปรียบเทียบกับตัวแปรเดียวกันที่ได้จากการวัดภาคพื้นด้วยวิธีการทั่วไป ซึ่งผลจากการเปรียบเทียบเครื่องมือในซอฟต์แวร์รังวัดด้วยภาพถ่ายจากอากาศยานไร้คนขับในเบื้องต้น ทำให้ทราบว่า DroneDeploy มีประสิทธิภาพเหนือกว่าซอฟต์แวร์ทดลองอีก 2 ซอฟต์แวร์ในแง่ของการสร้างโครงสร้างพอยต์คลาวด์ 3 มิติและการวัดความสูงของกล้าไม้แบบแมนนวล ดังนั้นจึงถูกนำไปใช้กับการศึกษาส่วนที่เหลือ ผลในส่วนถัดมาพบว่าอัตราการตรวจจับกล้าไม้ในภาพออร์โธโมเสกและโครงสร้างพอยต์คลาวด์ 3 มิติ อยู่ที่ 85% และ 64 % ตามลำดับ การวัดความสูงของกล้าไม้จากภาพถ่ายมีความสัมพันธ์กับการวัดแบบภาคพื้นดินเป็นอย่างมาก โดยมีความสัมพันธ์กันในระดับปานกลาง (R2 = 0.57, P< 0.001) ในขณะที่การวัดพื้นทรงพุ่ม (ทั้ง 2 รูปแบบการวัด) มีความสัมพันธ์กับการวัดแบบภาคพื้นดินเช่นกัน โดยมีความสัมพันธ์กันในระดับปานกลาง (R2 = 0.62 และ 0.68, P < 0.001) หลังจากที่กล้าไม้เติบโตครบ 1 ปี ความสัมพันธ์ของเส้นผ่านศูนย์กลางคอรากของกล้าไม้ที่ได้จากการประมาณค่าความสูงมีความสัมพันธ์กันในระดับต่ำ (R2 = 0.36, P< 0.001) หลังจากที่กล้าไม้เติบโต 9 เดือนหลังปลูก ความน่าเชื่อถือในการตรวจจับและวัดขนาดกล้าไม้เพิ่มขึ้นในช่วงฤดูฝนที่สองหลังปลูก ซึ่งกล้าไม้ส่วนใหญ่โตได้สูงกว่า 0.8 เมตร ปัจจุบันการติดตามความคืบหน้าของกล้าไม้ที่ปลูกใหม่ด้วยวิธีการภาคพื้นนั้นแม่นยากว่าการวิธีการติดตามโดยใช้โดรน อย่างไรก็ตาม ผลการศึกษาแสดงให้เห็นความสัมพันธ์ที่เพิ่มขึ้นของการติดตามโดยใช้โดรนภายหลังการเติบโต 1 ปี การศึกษาแสดงให้เห็นว่าฤดูกาล ลักษณะในแต่ละชนิดของกล้าไม้ อายุและขนาดที่เหมาะสมของต้นกล้าเป้าหมาย ทั้งหมดต้องได้รับการ พิจารณาเพื่อพัฒนาเทคนิคทางอากาศที่เหมาะสม เพื่อติดตามความคืบหน้าของพื้นที่ฟื้นฟูระบบนิเวศป่าไม้ที่มีความซับซ้อนมากขึ้น ทั้งนี้เทคนิคที่ใช้นี้ให้ผลที่มีความแตกต่างอย่างมากระหว่างข้อมูลที่ได้จากโดรนและภาคพื้นดินในส่วนของการจัดอันดับตามดัชนีประสิทธิภาพสัมพัทธ์ (relative performance index) เพื่อใช้ในการเลือกชนิดพันธุ์ จำเป็นต้องมีการปรับปรุงอย่างมากในการรวบรวมและวิเคราะห์ข้อมูลที่ได้จากภาพ ก่อนที่การเลือกชนิดพันธุ์โดยอิงจากข้อมูลทางอากาศนี้จะสามารถใช้ประกอบการตัดสินใจได้อย่างน่าเชื่อถือ โดยเฉพาะอย่างยิ่งการประยุกต์ใช้เทคโนโลยี AI เพื่อทดแทนการวัดด้วยตนเอง ด้วยเหตุนี้ เมื่อการพัฒนาดังกล่าวบรรลุผลสำเร็จ เป็นไปได้ว่าเทคนิคการใช้ภาพถ่ายเพื่อติดตามกล้าไม้ในระยะแรกของการฟื้นฟูป่าจะกลายเป็นทางเลือกที่ปฏิบัติได้จริงแทนการสำรวจภาคพื้นดิน

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Pimonrat Tiansawat

Role: Advisor

Name: Stephen Elliott

Role: Advisor

Created: 2022

Modified: 2025-10-31

Issued: 2025-10-31

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Science

Level: Master's degree

Descipline: Environmental Science

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	630535911.pdf	8.75 MB

ใช้เวลา

0.029806 วินาที