Mehitamata õhusõidukite kasutusvõimalused metsauuendustel istikute arvukuse tuvastamiseks

Uurimistöö eesmärk on tuvastada DJI Mavic 3 Multispectral Edition mehitamata õhusõidukiga kogutud piltidest tehtud ortofotomosaiikidest männi- ja kuuseistikuid kahel raielangil, kus on läbi viidud metsauuendus ning kontrollida metsakultuuride arvukust Trimble R8s GNSS seadmega. Kasutatavateks tarkvaradeks on QGIS, DJI Terra ja PIX4Dmapper. Andmete kogumine toimus mehitamata õhusõiduki RGB ja multispektraalkaameraga 2024. aastal Tartu maakonnas Agali külas metsakvartali JSI163 eraldisel 5 ning kvartali JSI186 eraldisel 1 novembrikuus, mil maa oli kaetud kerge lumekirmega. Lennukõrguseks oli 40 m ja pikikattuvus oli 90% ning põikikattuvus 80%. Kogutud andmeid töödeldi tarkvarades PIX4Dmapper ja DJI Terra. PIX4dmapperi tarkvara abil ei olnud võimalik kogutud andmetest punktipilvi kokku panna. Kuna Eesti Maaülikooli geomaatika töörühmale kuulub selle tarkvara püsilitsents, oleks otstarbekas programmi kasutatavust multispektraalsete andmete töötlemiseks edaspidi täiendavalt uurida. Bakalaureusetöös kasutati analüüsimiseks DJI Terra ortofotomosaiike. Loodud ortofotomosaiigid imporditi vabavarasse QGIS, kus erinevate kaardialgebra arvutustega tuvastati männi- ja kuuesistikuid. Vegetatsioon indeksil NExG oli kahe katseala peale kõige suurem klassifitseerimise täpsus ehk F1-skoor, kus JSI163-5 katsealal oli F1-skoor 77% ja JSI186-1 katsealal 70%. OSAVI indeksil oli katsealal JSI163-5 F1-skoor 76% ja JSI186-1 katsealal 50%. Kuna NExG indeksil oli mõlemal katsealal suurem klassiftitseerimise täpsus siis võib järeldada, et kaamera resolutsioon mängib olulisemat rolli istikute tuvastamisel kui spektraalne vahemik. LCI indeksiga ei suudetud kummalgi katsealal männi- ja kuuseistikuid taustast eristada, kuna andmetesse tekkis liigselt müra. Uurimistöö käigus leidis kinnitust, et metodoloogia ei ole universaalselt rakendatav. Multispektraalkaamera kalibreerimiseks puudus kalibreerimisplaat, mille tõttu olid leitud väärtusläved sobivad vaid uuritavale ortofomotosaiigile. Sama kehtis ka RGB-kaamerat kohta, mida pole võimalik kalibreerida. Samuti ei olnud multispektraalkaamera 5 MP sensor sobivaim ortofotomosaiikide loomiseks valitud lennukõrgusel, kuna kohati tekkis ortofotomosaiiki udusust.

The aim of this study is to identify pine and spruce seedlings in orthomosaics generated from images collected with a DJI Mavic 3 Multispectral Edition unmanned aerial vehicle at two reforested areas, with findings validated using data collected from the GNSS receiver Trimble R8s. The software used was QGIS, DJI Terra and PIX4Dmapper. Data was collected in November 2024 with unmanned aerial vehicle’s RGB and multispectral cameras in Agali village, Tartu County, at forest quarter JSI163 stand 5 and forest quarter JSI186 stand 1, when the ground was covered in light snow. Flying height was 40 m with 90% longitudal and 80% transverse overlap. The collected images were processed into orthomosaics using PIX4Dmapper and DJI Terra. PIX4Dmapper did not manage to generate point clouds. Since the geomatic workgroup at the Estonian University of Life Sciences holds a permanent license for this software, it would be advisable to further investigate the software’s usability for processing multispectral data in the future. In this bachelor’s thesis DJI Terra orthomosaics were used for analysis. Generated orthomosaics were imported to open-source software QGIS, where pine and spruce seedlings were detected using various raster calculations. The vegetation index NExG has the highest classification accuracy (F1-score) across both test areas, where the F1-score was 77% at JSI163-5 area and 70% at JSI186-1 area. OSAVI index F1-score was 76% at the JSI163-5 area and 50% at the JSI186-1 area. Since NExG index showed higher classification accuracy at both sites, it can be concluded that camera resolution plays bigger role in seedling detection than spectral range. LCI index was unable to detect any spruce or pine seedling on both test areas because it was unable to differentiate seedling from the background, generating too much noise. The results of the study show that the developed method is not universally usable. Multispectral camera was missing calibration plate, which meant that the threshold values detected were only suitable for the specific orthomosaic. Same applies for the RGB camera which cannot be calibrated. In addition, the multispectral camera 5 MP sensor was not suitable for generating orthomosaics at the chosen flight height because it generated orthomosaics, which were partly blurry.