أكثر

هل تريد استيراد صور جوية من Google إلى QGIS؟


QGIS 2.6.1 ، ويندوز 7

إنني أتطلع لاستيراد صورة من Google Earth إلى مشروع QGIS موجود. هل من الممكن تنزيل الصور ذات المرجعية الجغرافية من خرائط جوجل (أو جوجل إيرث) واستيرادها إلى QGIS؟ ما هي CRS التي يحتمل أن تكون فيها؟


هناك مكون إضافي من شأنه حل هذه المشكلة يسمى المكون الإضافي OpenLayers الذي يسمح لك بإضافة خرائط أساس Google و Bing و MapQuest إلى مشروعك. فيما يتعلق بـ CRS ، تحقق من هذه الإجابة: لماذا تغير طبقة القمر الصناعي من Google مشروع CRS؟ (يمكنك استخدام إعادة الإسقاط سريعًا للمساعدة في ذلك أيضًا)

ضع في اعتبارك أيضًا أن هناك قيودًا على ترخيص صور Google اعتمادًا على كيفية التخطيط لاستخدامها.


باستخدام QGIS 3.0 ، يمكنك إضافته كملف XYZ بلاطة. يمكن العثور على قائمة بالخدمات على صفحة NextGIS QMS (من QuickMapServices plugin من QGIS 2.8). فقط مجموعة اسم, URL, دقيقة. مستوى التكبير و الأعلى. مستوى التكبير:


قد ترغب في استخدام المكون الإضافي Openlayers ، والذي يتضمن صورًا من Google Satellite.


يوجد أيضًا مكون إضافي بسيط يسمى Tile +. يوفر هذا المكون الإضافي بعض خرائط الأساس الشائعة مثل OSM و Bing و ESRI و Google و Stamen وأيضًا بعض بيانات الأرض المحدثة مثل معدل هطول الأمطار ورؤية الأرض ودرجة حرارة سطح البحر وما إلى ذلك. يمكّن هذا المكون الإضافي المستخدم من تحميل خريطة الأساس بسهولة إلى QGIS 3.


هل تريد استيراد صور جوية من Google إلى QGIS؟ - نظم المعلومات الجغرافية

لقد ثبت أن للتصوير باستخدام الطائرات بدون طيار قيمة متزايدة في مراقبة وتحليل أنواع مختلفة من العمليات المتعلقة بالزراعة والغابات. في مهام المراقبة والمراقبة طويلة المدى ، يتم إنتاج كميات هائلة من بيانات الصور وتخزينها. قد يكون لمجموعات بيانات الصور البيئية بدون طيار قيمة تتجاوز الدراسات التي أنتجت البيانات. يمكن لمجموعة من مجموعات بيانات الصور من العديد من منتجي البيانات ، على سبيل المثال ، توفير مدخلات تدريب أكثر تنوعًا لنموذج التعلم الآلي لتصنيف الغطاء النباتي ، مقارنة بمجموعة بيانات واحدة محدودة في الوقت والمكان. لضمان البحث القابل للتكرار ، يجب نشر بيانات البحث مثل مجموعات بيانات الصور في شكل قابل للاستخدام وغير مقسم ، مع بيانات وصفية كافية. يوصى بالتخزين في الوقت المناسب في مستودع بيانات بحث مستقر لتجنب فقدان البيانات. يعرض هذا العمل مجموعات البيانات البحثية لصور 2020 بدون طيار التي تم الحصول عليها من مواقع البحوث الزراعية والغابات التابعة لجامعة Häme للعلوم التطبيقية ، ومن مناطق هامينلينا الحضرية. يتم توفير تلك الصور التي لا تحتوي على بيانات شخصية مجانًا بموجب ترخيص Creative Commons Attribution. بالنسبة للصور التي تحتوي على بيانات شخصية ، مثل صور المنازل الخاصة ، قد تكون أشكال مشاركة البيانات التي تحافظ على الخصوصية ممكنة في المستقبل.

مقدمة

لقد مكّن تطوير تقنيات الرقمنة والقياس في العقود الأخيرة الأجهزة الرقمية وأجهزة الاستشعار من إنتاج كميات هائلة من البيانات التي لها إمكانات كبيرة في تحسين العمليات المتعلقة بسلاسل الإنتاج أو إنتاج الخدمات. في مجال الاقتصاد الحيوي ، ترتبط عمليات الإنتاج الرئيسية بالغذاء وإنتاج الكتلة الحيوية. توفر الرقمنة مجموعة متنوعة من الفرص لدعم الإنتاج وإدارته ومراقبته بناءً على البيانات التي تم جمعها من الميدان.

يوفر جمع البيانات القائمة على الصور وتحليلها إمكانات هائلة لدعم هذه الأهداف. تتيح البيانات المرئية التي يتم جمعها من الحقول الزراعية مهام التحليل الآلي ويمكن أن توفر معلومات في الوقت الفعلي عن حالة الإنتاج. للحصول على معلومات بصرية مناسبة ، يوجد بشكل أساسي بديلان مختلفان: الاستشعار عن بعد القائم على التصوير بالأقمار الصناعية ، والتصوير بواسطة الطائرات بدون طيار (أي المركبات الجوية بدون طيار ، الطائرات بدون طيار). في هذه الورقة ، فإن مجالات التطبيق الرئيسية التي تمت دراستها هي الزراعة والغابات والحدائق الحضرية الخاصة ، والتي يمكن أن يكون للتصوير بالاستشعار عن بعد فيها العديد من الأغراض المختلفة.

تهدف تقنيات الزراعة الدقيقة إلى تحسين استخدام المدخلات الزراعية مكانيًا وزمانيًا لتحسين النتائج الاقتصادية وتقليل الآثار البيئية للزراعة. في الزراعة الدقيقة ، يُعتبر الحقل كيانًا غير متجانس مع تضاريس متغيرة وخصائص التربة وإصابة الأعشاب الضارة وإمكانية الغلة ، حيث يتم تصميم ممارسات الإدارة مكانيًا وزمنيًا (Finger et al. ، 2019). وبالتالي تعتمد الزراعة الدقيقة بقوة على الاستشعار الخاص بالموقع للمتغيرات التي تعتبر ضرورية لقرارات الإدارة. تعتبر تقنيات الإسناد الجغرافي ورسم الخرائط المكانية عناصر مهمة في الزراعة الدقيقة. يمكن جمع المعلومات المكانية باستخدام الماسحات الضوئية المثبتة في الجرارات (Pallatino et al. ، 2019) أو باستخدام صور الأقمار الصناعية (Segarra et al. ، 2020).

كذلك ، تم استخدام الطائرات بدون طيار بشكل متزايد لجمع البيانات حول العديد من الميزات ذات الصلة بالزراعة الدقيقة (Tsouros et al. ، 2019). بالمقارنة مع الاستشعار عن بعد القائم على الأقمار الصناعية ، يمكن لتقنية الطائرات بدون طيار إنتاج صور ذات دقة مكانية أعلى بكثير في نطاق السنتيمتر. أيضًا ، يمكن للمستخدم تحديد الدقة الزمنية للصور القائمة على الطائرات بدون طيار ، مما يؤدي إلى المرونة مقارنة ببيانات الأقمار الصناعية. كما تم استخدام الطائرات بدون طيار لأغراض البحث في مراقبة التجارب الميدانية (Viljanen et al. ، 2018 ، Dehkordi et al. ، 2020). يعد الرصد غير المدمر للغطاء النباتي فائدة رئيسية لعلم الزراعة العملي وكذلك للاستخدام البحثي. تم استخدام التصوير الجوي بدون طيار في مجموعة واسعة من التطبيقات الزراعية.

بعض التطبيقات الأكثر شيوعًا للتصوير بدون طيار في الزراعة الدقيقة هي رسم خرائط الأعشاب وإدارتها ، ومراقبة نمو الغطاء النباتي وتقدير الغلة ، ومراقبة صحة الغطاء النباتي ، وإدارة الري (Tsouros et al.، 2019). تم استخدام التصوير في مراقبة العديد من سمات الغطاء النباتي ، على سبيل المثال ، كمية الكتلة الحيوية (عشرة هاركيل وآخرون ، 2020) ، وحالة النيتروجين (كاتوريجلي وآخرون ، 2016) ، والرطوبة وحالة الإجهاد المائي للنبات (هوفمان وآخرون ، 2016) ، ودرجة الحرارة (Sagan et al. ، 2019) ، ومؤشرات مختلفة للغطاء النباتي (Viljanen et al. ، 2018). أظهر التنبؤ القائم على التعلم العميق لإنتاج المحاصيل من الصور الجوية للطائرات بدون طيار نتائج واعدة (Nevavuori et al. ، 2019 ، Nevavuori et al. ، 2020).

في مجال الغابات ، يمكن استخدام طرق القياس التصويري القائمة على الطائرات بدون طيار بعدة طرق مختلفة. قد توفر الطرق المستخدمة بيانات جرد الغابات العامة التي تركز على متغيرات الموقف المشترك مثل الحجم والارتفاع (Tuominen et al. ، 2017). يتقدم التخطيط العملي للغابات في فنلندا استنادًا إلى بيانات القياس التصويري التي تم جمعها بواسطة الطائرات بدون طيار بشكل سريع ويتم تجريبه حاليًا. أثبتت الطائرات بدون طيار أنها مفيدة بشكل خاص في اكتشاف وحصر مختلف مناطق تدمير الغابات ، مثل مناطق سقوط الرياح (Mokros et al. ، 2017 ، Panagiotidis et al. ، 2019) ومناطق تفشي خنفساء اللحاء (Näsi et al. ، 2015 ، Briechle et al. ، 2020). تم استخدام الطائرات بدون طيار بنجاح في العديد من مهام إخماد حرائق الغابات والوقاية منها لعدة سنوات (Ollero et al. ، 2006 ، Akhloufi et al. ، 2020). كما أن الطلب المتزايد على حماية التنوع البيولوجي للغابات قد شجع على استخدام الأساليب القائمة على القياس التصويري. لقد أثبتت هذه الطرق أنها أداة جرد مفيدة ، عندما تكون العوامل الهيكلية المهمة مثل الأنواع الأساسية مثل الحور الرجراج (Viinikka et al. ، 2020) ، أو الأشجار الميتة الدائمة (Briechle et al. ، 2020) ، أو الحطام الخشبي الخشنة (Thiel et al. . ، 2020) في المناظر الطبيعية للغابات.

في مجال البستنة الحضرية الخاصة ، قد يوفر التصوير باستخدام الطائرات بدون طيار نُهجًا جديدة لرصد آثار ممارسات البستنة على الغطاء النباتي وعزل الكربون. في المناطق السكنية منخفضة الكثافة ، يكون نمط التغطية السطحية متنوعًا للغاية ، ويتألف من العديد من قطع الأراضي والحدائق الفردية. يقوم أصحاب المنازل بإعادة تشكيل وتعديل الحدائق المنزلية الخاصة بناءً على التفضيلات الشخصية وممارسات البستنة الفردية. يتنوع دور وممارسات الغطاء النباتي والبستنة ، مما يؤدي إلى اختلافات من قطعة إلى أخرى في عزل الكربون والتبخر ، مما يؤثر على إدارة مياه الأمطار ودرجة الانخفاض في ظاهرة الجزر الحرارية الحضرية. وضعت مناهج التنمية الحضرية المستدامة اهتمامًا متزايدًا بالمناطق السكنية منخفضة الكثافة التي تغطي مناطق واسعة في المدن. الحبكة الواحدة ليست محور التركيز الرئيسي ، بل هي الكيان الذي يشكلونه معًا. وهذا يثير التحدي المتمثل في العثور على طرق مناسبة لدراسة التغييرات الجارية بسهولة على مستويات متعددة لتوفير بيانات عن جودة وكمية الغطاء النباتي. تحدد خيارات وعناصر مقياس الرسم والكتلة سمات نطاق منطقة الإسكان.

توضح هذه المقالة الحصول على الصور الجوية المتعلقة برصد الغطاء النباتي من قبل جامعة Häme للعلوم التطبيقية (HAMK) باستخدام طائرات بدون طيار ، في عام 2020 ، كل من العمليات والخبرات المكتسبة. بصرف النظر عن بيانات الصورة ، سيتم نشر البحث الرئيسي في ثلاثة مجالات بشكل منفصل. في المجموع ، هناك ما يقرب من 200000 ملف صورة ، بحجم 1 تيرابايت ، قيد النشر بشكل مفتوح (انظر توافر البيانات). تشمل الميزات الخاصة لمجموعات البيانات المقدمة ملفات الصور الأصلية ، باستخدام كاميرا متعددة الأطياف ، وأن أحد مواقع البحث ، حقل Mustiala biochar ، تم تصويره عدة مرات خلال موسم النمو مع بعض صور الأقمار الصناعية شبه المتزامنة المتاحة من مصادر عامة. بناءً على بحث أجراه المؤلفون باستخدام بحث Google Dataset (https://datasetsearch.research.google.com/) في وقت كتابة هذا التقرير ، يتزايد عدد مجموعات بيانات الصور الجوية للطائرات بدون طيار بسرعة ، ولكنها عادةً ما تكون أقل من حيث الحجم. مجموعات البيانات المقدمة في هذا العمل ولا تتضمن عادةً ملفات الصور الأصلية ، على الرغم من أنها قد تكون متاحة عند الطلب. في هذه المقالة ، نناقش أيضًا مزايا وتحديات نشر مجموعات بيانات صور الطائرات بدون طيار.

تم جمع مجموعات بيانات الصور الجوية للطائرات بدون طيار من مواقع متعددة في Kanta-Häme ، في جنوب فنلندا. ثلاثة من المواقع (الشكل 1) معروضة في هذا العمل.

شكل 1. مواقع مواقع البحث (النقاط البيضاء) في فنلندا.

  1. حقل Mustiala biochar(الشكل 6) يقع في مزرعة Mustiala التعليمية والبحثية بجامعة Häme للعلوم التطبيقية ، في تاميلا (60 ° 49 'شمالًا ، 23 ° 45'24' شرقًا). تتكون تجربة biochar من 10 قطع أرض متجاورة ، حجم كل منها 10 م × 100 م (1000 م 2) ، وتبلغ مساحتها الإجمالية 1 هكتار. تم تطبيق تعديل التربة Biochar على خمسة من قطع الأراضي بمعدل ca. 20 طن / هكتار. كانت القطع الخمس الأخرى معالجات تحكم بدون تعديل الفحم الحيوي. تم وضع نقاط التحكم الأرضية (GCPs) التي تغطي الحقل في نمط وجه القالب 5 تقريبًا 100 متر × 100 متر (انظر الشكل 6). كانت GCPs بحجم 29 سم × 29 سم باللونين الأسود والأصفر 2 × 2 قصاصات على غرار رقعة الشطرنج من مطبوعات A3. تم تحديدها جغرافيًا بمساعدة جهاز استقبال GPS محمول يدويًا (RTK) قادر على الحركة في الوقت الحقيقي Trimble Geo 7X (H-Star).
  2. غابة إيفو القديمة (الشكل 3) يتكون من سبعة أجنحة منفصلة تقع جميعها في غابة ولاية إيفو. المدرجات ، بمساحة مجمعة تبلغ 160 هكتارًا ، تهيمن عليها شجرة التنوب النرويجية الناضجة (Picea abies) تتراوح أعمارهم بين 80-120 سنة. تحتوي جميع الأجنحة على كمية كبيرة من الأشجار الدائمة الميتة ، والمعروفة بأهميتها للتنوع البيولوجي ، على سبيل المثال ، للطيور التي تعيش في تجاويف. تم فهرسة الأشجار الميتة الدائمة في 2019-2020 لتعمل كبيانات مرجعية لأساليب القياس التصويري.
  3. حدائق Hämeenlinna الحضرية الخاصةتتكون من حوالي 5-10 حدائق محلية في المناطق الحضرية ذات الكثافة السكانية المنخفضة في هامينلينا.

الشكل 2. جدول مهام التصوير لعام 2020 لمواقع البحث ، مع الإشارة إلى حمولة الكاميرا.

كانت الطائرة بدون طيار المستخدمة في جميع مهام التصوير هي طائرة بدون طيار من طراز DJI Matrice 210 RTK V2 ذات المروحية الرباعية. تم اختيار حمولة الكاميرا لكل مهمة (انظر الشكل 2) من الكاميرات التالية:

  1. DJI ZenMuse X5S FC6520 - كاميرا RGB ذات 3 محاور مثبتة gimbal مع عدسة طول بؤري 15 مم ، تعمل في الوضع الثابت sRGB JPEG ، إصدار البرنامج 01.07.0044 ،
  2. DJI ZenMuse XT2(قياس إشعاعي)- كاميرا ذات 3 محاور مثبتة على المحور مع عدسة طول بؤري 13 مم لمستشعر حراري يعمل في وضع JPEG الإشعاعي وعدسة طول بؤري 8 مم لمستشعر RGB ، إصدار البرنامج 06.02.20 ، و
  3. ميكاسينس ألتوم - كاميرا متعددة الأطياف بمقاييس إشعاعية مع بصريات مخصصة لكل قناة ، موقوتة بشكل منفصل وتشغيلها من الكاميرات الأخرى ، إصدار البرنامج 1.3.6 ، مع مستشعر ضوء الشمس DLS2.

تم التخطيط للرحلات في برنامج Dji Pilot. تم تحديد معلمات الرحلة على أنها الأنسب للبيئة الحالية والضوء والظروف الجوية وحجم المنطقة ونوع الكاميرا. كانت معلمات الرحلة لغابة Evo القديمة كما يلي: الارتفاع 120 مترًا فوق سطح الأرض ، التداخل الجانبي 80٪ ، التداخل الأمامي 80٪ ، السرعة 3-5 م / ث ، وضع تشغيل الكاميرا: الفاصل الزمني. بالنسبة إلى حقل Mustiala biochar ، تم استخدام المعلمات التالية في الغالب: الارتفاع 80 مترًا ، والتداخل الجانبي 85 ٪ ، والتداخل الأمامي 83 ٪ ، والسرعة 2-3 متر / ثانية. تم تصوير الحقل عدة مرات خلال موسم النمو ، باستخدام معايير متطابقة. بالنسبة إلى حدائق Hämeenlinna الحضرية الخاصة ، كانت معلمات الرحلة على النحو التالي: ارتفاع 50 مترًا ، والتداخل الجانبي 85 ٪ ، والتداخل الأمامي 85 ٪ ، والسرعة 3 متر / ثانية. عندما تم استخدام الكاميرات في وقت واحد ، تم تحديد التداخل لـ Micasense Altum ، مما أدى إلى تداخل أعلى للكاميرات الأخرى. تمت جدولة الرحلات (الشكل 2) بين الساعة 11.00 صباحًا و 15.00 مساءً (UTC + 3) ، من مايو إلى أغسطس 2020.

كانت كاميرات DJI gimbal تشير إلى النظير ، أي مباشرة لأسفل ، ويتم تشغيلها بشكل متزامن بواسطة برنامج DJI Pilot. تم تشغيل Micasense Altum من خلال جهاز ضبط الوقت الخاص بها وأشار مباشرة إلى الأسفل في نظام الإحداثيات الداخلي للطائرة بدون طيار. تم التقاط صور Micasense Altum للوحة انعكاس معايرة Micasense (الشكل 5) قبل أو بعد كل مهمة تصوير ، أو كليهما. تم استخدام محطة RTK الافتراضية Geotrim Trimnet VRS ، بينما تلقت كاميرات DJI معلومات RTK GPS من الطائرة بدون طيار. استخدم Micasense Altum مستقبل GPS الخاص به.

بالنسبة للأرقام المستخدمة في هذه المقالة ، تم استخدام Agisoft Metashape Professional الإصدار 1.7.0 (Agisoft 2020a) لتصحيح الألوان لصور Micasense Altum وإنشاء تقويم لحقل Mustiala biochar باستخدام سير العمل الموضح في Agisoft (2020b) ، بدون استخدام نقاط التحكم الأرضية. بالنسبة للشكلين 5 و 7 ، تم تصدير صور Micasense Altum الفردية من بعثة Mustiala الميدانية للكربون الحيوي بتاريخ 2020-05-22 ، 10: 00-12: 00 (بالتوقيت العالمي المنسق) ، في شكل معاير من Agisoft MetaShape ، والأزرق والأخضر و تم تكديس القنوات الطيفية الحمراء (محاذاة) في Adobe PhotoShop الإصدار 21.2.4 مع تصحيح التشويه. تم تحويل صور انعكاس وتألق Micasense Altum (الأشكال 4-7) وصورة القمر الصناعي Sentinel-2 في الشكل 6 إلى مساحة ألوان sRGB في إصدار GIMP 2.10.18 عن طريق تعيين sRGB gamma = ملف تعريف لون واحد ، عن طريق ضبط السطوع في أداة المنحنيات باستخدام منحدر خطي يعبر الأصل ، وبالتحويل إلى ملف تعريف ألوان sRGB باستخدام هدف تجسيد لوني نسبي. تم عمل الرسوم التوضيحية الجغرافية في الإصدار 3.12.2 من QGIS (فريق تطوير QGIS 2020).

للمقارنة مع الصور الجوية ، تم تحديد صورة القمر الصناعي Sentinel-2 (الشكل 6) يدويًا واسترجاعها من مركز الوصول المفتوح Copernicus (Copernicus Sentinel Data 2020) ليوم خالٍ من السحابة تزامن مع مهمة تصوير بطائرة بدون طيار بتاريخ 2020-05-22. بالنسبة إلى الشكل 7 ، تم تجزئة صورة التعلم الآلي لصور الفضاء الملون sRGB بدقة 0.1 م / بكسل باستخدام نموذج U-Net DroneDeploy Aerial Segmentation Benchmark U-Net "keras baseline" الذي تم تشغيله gg1z3jjr بواسطة Stacey Svetlichnaya (DroneDeploy 2019) ، باستخدام حجم البلاط 300 × 300 بكسل.

يتم إتاحة بيانات موقع GCP ومعظم الصور الجوية التي تم الحصول عليها للجمهور ، انظر القسم توافر البيانات. يوضح الشكل 3 مواقع الكاميرا لجميع الصور الفردية التي تم التقاطها خلال مهام تصوير Evo القديمة للغابات. يوضح الشكل 4 عينة صورة من كل كاميرا من مهمة التصوير الميداني Mustiala biochar في 2020-05-22. قبل تلك الرحلة ، تم التقاط صورة للوحة الانعكاس المعايرة (الشكل 5). يتم عرض صور الطائرات بدون طيار والأقمار الصناعية شبه المتزامنة من ذلك اليوم للمقارنة في الشكل 6. يتم تقديم صورة واحدة وقاعدة تقويمية مبنية من صور متعددة للمقارنة في الشكل 7 ، جنبًا إلى جنب مع تجزئة صور التعلم الآلي. بالنسبة إلى حقل Mustiala biochar ، تم حل موقع GCPs بدقة أفقية ورأسية تبلغ 0.1 متر ، كما ورد في ملف الأشكال من جهاز استقبال RTK GPS المحمول يدويًا.

الشكل 3. مواقع Evo القديمة لأبحاث الغابات (مناطق ملونة) ومواقع GPS للكاميرات لصور فردية للطائرات بدون طيار (نقاط سوداء) تم التقاط بعض صور Micasense Altum في الطريق إلى أو من موقع الإقلاع والهبوط بسبب نقص الاتصال بالكاميرا بدون طيار. (الخريطة: مسح الأراضي الوطني لقاعدة البيانات الطبوغرافية لفنلندا 01/2021.)

الشكل 4. صور عينة غير مُعايرة لطائرة بدون طيار من حقل Mustiala biochar ، تم التقاطها بالطائرة بدون طيار وهي تحلق على ارتفاع 80 مترًا من الأرض. صور القناة الطيفية Micasense Altum هي (من اليسار إلى اليمين): الأزرق والأخضر والأحمر والأشعة تحت الحمراء القريبة والحافة الحمراء والحرارية. تم الحصول على صور DJI XT2 في رحلة منفصلة وتكون مرئية (يسار) وحرارية (يمين).

الشكل 5. لوحة انعكاس معايرة (Micasense) موضوعة على حقل Mustiala biochar ، تم تصويرها باليد باستخدام كاميرا Micasense Altum متعددة الأطياف.

الشكل 6. حقل Mustiala biochar في 2020-05-22. على اليسار: طائرة بدون طيار بدقة 4 سم متعامدة ، منظر اصطناعي لأسفل ، مصنوع من صور كاميرا Micasense Altum متعددة الأطياف دون استخدام نقاط التحكم الأرضية (GCPs) ، وقت الاستحواذ من 10:20 إلى 10:27 (التوقيت العالمي المنسق). كان خطأ تحديد الموقع الجغرافي لـ GCPs بحد أقصى 0.8 متر. إلى اليمين: صورة انعكاس مصححة لقاع الغلاف الجوي للقمر الصناعي Sentinel-2 بدقة 10 أمتار (Copernicus Sentinel Data 2020) ، وقت الاستحواذ 09:50 (UTC).

الشكل 7. صورة منفردة بدون طيار (أعلى اليسار) محاذاة لطائرة متعامدة بدون طيار (أعلى اليمين) ، وكلاهما يستخدم كاميرا Micasense Altum. تُظهر الصورة المفردة تفاصيل دقيقة للكائنات المعقدة بشكل أفضل من الفسيفساء المتعامدة ، على حساب عدم كونها صورة تقويمية. باستخدام نموذج التعلم الآلي الجاهز من U-Net والمُدرب على تقويم العظام (DroneDeploy 2019) ، تم تقسيم الصور إلى فئات: أرضية (بيضاء) ، ونباتات (خضراء) ، ومبنى (أحمر) ، وماء (برتقالي) ، وسيارات وفوضى (غير موجودة) ، متراكبة على الصورة المفردة (أسفل اليسار) و orthomosaic (أسفل اليمين).

المناقشة والاستنتاجات

لقد واجهنا العديد من التحديات التقنية أثناء جمع البيانات. منعت مشاكل التشغيل البيني بين أنظمة الطائرات بدون طيار والكاميرا من مختلف الشركات المصنعة تشغيل الكاميرا بواسطة الطائرة بدون طيار ووضع علامات على الصور بمعلومات RTK GPS عالية الدقة. أثر خطأ محتمل في تهيئة المنطقة الزمنية على الطابع الزمني للصورة. على الرغم من إنشاء سجلات رحلات تلقائية ، إلا أنها لم تكن كافية للإجابة على جميع الأسئلة التي ظهرت في التفسير اللاحق للبيانات التي تم جمعها ، مما أدى إلى زيادة العمل المتنازع على البيانات. يُنصح بمزيد من العمل للمضي قدمًا لاستكمال السجلات التلقائية بملاحظات حول الإعدادات المستخدمة وكل من نية المشغل وإجراءاته.

تحول اختيار معلمات الرحلة إلى شيء من "الفن في حد ذاته". أثرت سرعة الطيران والارتفاع والتداخل الجانبي والأمامي واتجاه الكاميرا ووضع التشغيل بشكل كبير على نتائج الصورة. على سبيل المثال ، يتطلب ارتفاع الرحلة تسوية بين دقة الصورة ووقت الرحلة. يؤدي خفض الارتفاع إلى زيادة وقت الرحلة ، والذي يصاحبه استنفاد محتمل للبطارية أثناء الطيران ، مما يزيد من تعقيد استخدام الصور من خلال المشاهد الأكثر ديناميكية.

بالنسبة للتطبيقات الضوئية ، يمكن أن تكون ظروف الإضاءة المتغيرة بسرعة مشكلة حتى بالنسبة للرحلات القصيرة. بالإضافة إلى ذلك ، فإن الحركة من مزيج من الطقس العاصف والغطاء النباتي تبطل افتراض مشهد ثابت ، على سبيل المثال في خط أنابيب ما بعد المعالجة ينتج سحابة ثابتة ثلاثية الأبعاد ، إما كخطوة وسيطة أو كمنتج نهائي. تمت دراسة تخطيط التصوير الجوي للطائرات بدون طيار ومراجعته بواسطة (Tmušić et al.، 2020) ، والذي يغطي خيارات مثل زاوية الكاميرا ونمط الطيران.

يجب إيلاء الكثير من الاهتمام لعملية نشر بيانات البحث من بعثات التصوير الجوي عالية الدقة. تشمل الجوانب التي يجب مراعاتها تخزين البيانات وتوافرها ، وتوافق البرامج ، وحقوق منتجي البيانات ، وحقوق موضوعات البيانات المحتملة ، واتفاقيات ترخيص برامج المعالجة ، وغيرها.

يحسن النشر المفتوح لبيانات البحث إمكانية استنساخ العلم ، ويقلل من الحواجز التي تحول دون المشاركة في العلوم واستخدام البيانات والنتائج العلمية ، خاصة للمشاركين الذين يعانون من نقص الموارد والتمثيل. بالنسبة لمنتجي البيانات الأكاديمية ، فإن الاعتراف المتزايد بـ البيانات كمخرجات بحثية (انظر إعلان سان فرانسيسكو بشأن تقييم البحث 2012) قد يجلب حوافز مالية لنشر بيانات البحث على نطاق أوسع. يمكن تطبيق حوافز ممولي العلم بأثر رجعي. أحد الأسباب العملية الرئيسية لنشر بيانات البحث هو احتمال أن يكون لمجموعة البيانات قيمة فائدة هائلة خارج مشروع البحث ، بعيدًا عن المنظمة التي أنتجتها. لا يمكن توقع العديد من الاستخدامات اللاحقة الممكنة للبيانات في وقت إنشائها وجمعها.

لا تبقى جميع بيانات البحث المنشورة علانية متاحة. كمثال ، خان وآخرون. (2021) كان قادرًا فقط على استرداد 94 من أصل 121 مجموعة بيانات للتصوير الطبي لطب العيون مفتوحة الوصول. يوفر تخزين بيانات البحث في مستودع مؤسس مثل Zenodo (https://zenodo.org/) مستوى من ضمان طول عمر البيانات. كما يسمح بالحصول على معرف كائن رقمي (DOI) لمشاركة البيانات والاستشهاد بها. بناءً على تطبيق حصص تخزين ناجح مؤخرًا بواسطة HAMK ، يتم تخزين مجموعات بيانات الصور المعروضة في هذه المقالة ونشرها في خدمات Fairdata ، بتمويل من وزارة التعليم والثقافة (فنلندا). يفرض نشر بيانات البحث في المستودع بشكل فعال تخزين البيانات جنبًا إلى جنب مع البيانات الوصفية التي تصف البيانات وملكية البيانات وترخيص استخدامها. تعمل المعلومات الإضافية على حل العديد من نقاط الغموض عند استخدام البيانات. تضمن البيانات الوصفية المنظمة في المستودعات فهرسة مجموعة البيانات في قواعد بيانات البحث.

قد يسمح المستودع أيضًا بالنشر المتزايد للبيانات. إذا تم نشر البيانات بهذه الطريقة ، بالفعل أثناء جمعها بدلاً من نهاية مشروع بحثي ، فيمكن أن يبدأ استخدام البيانات والاستشهاد بها خارج المؤسسة المنتجة للبيانات قبل ذلك بكثير. يضمن النشر المعجل أيضًا عدم فقدان البيانات أو المعلومات ذات الأهمية أثناء المشروع أو عند مغادرة الموظفين للمشروع. عادة ما يكون لمنتجي البيانات الأكاديمية مصلحة في نشر أبحاثهم ذات الأولوية. من غير المرجح أن يتعارض النشر المبكر لبيانات البحث ذات الاستخدام العام ، مثل مجموعات بيانات الصور المعروضة في هذه المقالة ، مع هذا الاهتمام ، مقارنة بالنشر المفتوح المبكر لجميع البيانات الحيوية للنشر الرئيسي.

من المحتمل أن يتم اعتبار بيانات الموقع من صورة أو معلومات أخرى حول شخص أو كائن يمكن ربطه بشخص ما ، إما بشكل مباشر أو باستخدام معلومات إضافية ، على أنها "بيانات شخصية" بموجب اللائحة العامة لحماية البيانات في الاتحاد الأوروبي (GDPR). تشمل الأمثلة على هذه الكائنات في الصور الجوية المركبات والأراضي والمباني التي يديرها شخص عادي أو أفراد عائلاتهم. تتطلب اللائحة العامة لحماية البيانات أنه قبل معالجة البيانات الشخصية لغرض ما ، يجب الحصول على الموافقة الطوعية لصاحب البيانات لهذا الغرض. يحق لصاحب البيانات أيضًا أن يُنسى ، أي أن يطلب بشكل ملزم محو بياناته الشخصية دون تأخير مفرط. قد تظل القوانين الوطنية تسمح بالبحث العلمي المشروع الذي يحمي خصوصية البيانات. ومع ذلك ، قد تمنع حقوق صاحب البيانات إعادة توزيع البيانات الشخصية أو فتح نشرها بموجب ترخيص غير قابل للإلغاء ، مثل أي من تراخيص المشاع الإبداعي ، وربما حتى عندما يقوم صاحب البيانات بتأليف البيانات بشكل استباقي على أنها حرية التعبير.

تم جمع مجموعة بيانات الصور المتعلقة بحدائق هامينلينا الحضرية الخاصة بموافقة مستنيرة من قبل الأشخاص المعنيين بالبيانات ، أصحاب المنازل. كان من الضروري إيداع البيانات بطريقة مغلقة تمامًا ، على الأقل في الوقت الحالي ، بينما لا يزال المشهد القانوني للبيانات الشخصية يتطور. اقترح الاتحاد الأوروبي قانون إدارة البيانات (COM / 2020/767 نهائيًا) باتباع استراتيجية أوروبية للبيانات (COM / 2020/66 نهائيًا). يحدد قانون إدارة البيانات الأدوار والآليات لمشاركة البيانات الإيثارية في أنظمة البيانات المدارة. من بين أمور أخرى ، يهدف القانون إلى تبسيط معالجة الطلبات من قبل المستخدمين المصرح لهم للوصول إلى البيانات ، بشرط أن يكون موضوع البيانات قد وافق على معالجة البيانات للغرض المطلوب.

بالعودة إلى دراسة الحالة الخاصة بنا ، على عكس الصور الجوية المعروضة التي تم التقاطها في الغالب على ارتفاع 80 مترًا فوق سطح الأرض ، فإن الصور من مدى أقرب (الشكل 5) ستسمح بالتمييز ليس فقط بين الأشجار ، ولكن أيضًا بين النباتات الصغيرة الفردية. وبالمثل ، سيكون من الممكن تحديد وحساب النباتات وتحليل خصائصها الفيزيائية (قياس التباين) والصحة.

يتم استخدام بيانات صور الطائرات بدون طيار بشكل متزايد في التعلم الآلي ، كما يتضح من البحث المذكور أعلاه في المقدمة. قد يكون الغرض من نموذج التعلم الآلي ، على سبيل المثال ، تقسيم صورة إدخال إلى تسميات فئات مختلفة (الشكل 7). يمكن تحويل أقنعة تسمية الفئة لصور الطائرات بدون طيار إلى بيانات كثافة فئة الحقيقة الأرضية منخفضة الدقة لتفسير صور الأقمار الصناعية. في التعلم شبه الخاضع للإشراف، سيتم أيضًا تضمين الصور غير المسماة لمساعدة النموذج على التقاط توزيع احتمالية مشتركة طبيعية للصور والتجزئة بشكل أفضل. تجعل هذه الاستخدامات البيانات غير المصنفة ذات الاستخدام العام ذات قيمة كمخرجات بحثية ، وبالتالي تكمل الوضع الحالي ومستقبل البيانات المصنفة وغير المصنفة. يستفيد التعلم الآلي أيضًا من البيانات الأكثر تنوعًا ، على سبيل المثال ، من مجموعات بيانات الصور التي تم جمعها في مجموعة متنوعة بيئيًا من المواقع. يمكن أن تأتي البيانات الضخمة في مثل هذه الحالات من العديد من البيانات الصغيرة.

قد يكون لدى منتجي البيانات أسباب لعدم الكشف عن بياناتهم الخام. في مثل هذه الحالات ، قد تكون هناك أشكال أخرى مستقبلية إلى حد ما من مشاركة المعلومات. في التعلم الاتحادي، يجمع أصحاب البيانات جهودهم بطريقة منسقة لتدريب نموذج التعلم الآلي المشترك ، دون توصيل بياناتهم الأصلية. بدلا من ذلك ، أ النموذج التوليدي يمكن استخدامها لجمع عينات اصطناعية غير خاصة من التوزيع التقريبي للبيانات الأصلية ، مع الحفاظ على خصوصية نقاط البيانات الأصلية ، والتي يتم قياسها عادةً بواسطة الخصوصية التفاضلية. اعتمادًا على كمية البيانات الأصلية ودرجة الخصوصية المطلوبة ، قد تكون العينات التي تم إنشاؤها ذات جودة كافية لاستخدامها بشكل مشابه للبيانات الأصلية. للحصول على طريقة إنتاجية تحافظ على الخصوصية ومناسبة للصور ، انظر Chen et al. (2020).

قد يرغب مؤلف مجموعة البيانات التي تتكون من صور الطائرات بدون طيار في الحد من استخدام البيانات. من غير المحتمل اعتبار الصورة التي تم التقاطها للأغراض العلمية بواسطة جهاز تحت التحكم الآلي عملاً إبداعيًا ولن تكون محمية بموجب حقوق النشر على هذا النحو. في الولايات المتحدة ، يمكن أن تكون مجموعة البيانات محمية بحقوق الطبع والنشر كمجموعة إذا كانت أصلية بشكل كافٍ في الاختيار أو التنسيق أو الترتيب ، لكن حقوق الطبع والنشر لمجموعة البيانات لا تمتد إلى أي عناصر بيانات غير محمية بحقوق الطبع والنشر (مكتب حقوق الطبع والنشر بالولايات المتحدة ، 2021). وبالمثل ، بالنسبة للمؤلفين المقيمين في الاتحاد الأوروبي ، فإن التنفيذ الوطني لتوجيه قاعدة البيانات (96/9 / EC) يتيح حق المؤلف لمجموعة البيانات كمجموعة إبداعية. بشكل منفصل عن حقوق التأليف والنشر ، تمكن التوجيهات فريدة حماية مجموعات البيانات غير الإبداعية على أساس الاستثمار الكبير ، مع حماية لمدة 15 عامًا (European Commission، 2018). في أي حال ، إذا تم إبرام عقد منفصل بين صاحب مجموعة البيانات ومستردها ، فقد تحد البنود الملزمة في العقد من إعادة التوزيع واستخدام مجموعة البيانات من قبل المسترد. على سبيل المثال ، قد يُحظر الاستخدام التجاري لمجموعة البيانات بواسطة المسترد الخاص بها.

بصرف النظر عن الجوانب القانونية ، عند جمع البيانات ومشاركتها ، يجب توخي الحذر لضمان تسليم البيانات بتنسيق يحافظ على الجودة الكافية ، ويفضل أن يكون ذلك بتنسيق موحد بشكل علني ، أي ليس تنسيقًا خاصًا بالبرمجيات. . قد تتداخل عيوب الضغط التي تنشأ من طرق ضغط الصور المفقودة مثل JPEG مع تحليلات القياس الإشعاعي. من ناحية أخرى ، مقارنة بالضغط المفقود ، ينتج عن ضغط الصور بدون فقدان ملفات صور أكبر بشكل ملحوظ ، مما يزيد من تكلفة التخزين والنقل. يمكن تخفيف متطلبات مساحة التخزين لمجموعات بيانات الصور إلى حد ما عن طريق إعادة ترميز ملفات TIFF التي لا تفقد فقدانها ، وذلك باستخدام طريقة غير ضياع أكثر فاعلية مما هو متاح من الكاميرا. ومع ذلك ، فإن إعادة كتابة ملفات الصور قد تؤثر أيضًا بشكل ضار على البيانات الوصفية أو البيانات الإضافية الأخرى ، مما يقلل من قابلية استخدام الملفات. يمكن استعادة البيانات الوصفية لملف الصورة عن طريق نقلها من الملف الأصلي باستخدام أدوات مثل ExifTool و Exiv2. يجب اختبار قابلية استخدام أي ملفات أصلية معدلة على الأقل في خطوط أنابيب المعالجة المتاحة على الأرجح. قد تكون إعادة كتابة ملفات الصور ضرورية لإخفاء المعلومات الشخصية.

بالنسبة لبيانات الصور الجغرافية ، من المهم أيضًا نشر البيانات الوصفية التي تصف جودة القياس الإشعاعي ودقة الموقع. يمكن أن تكون المعلومات المتعلقة بالأشياء التي تؤثر على الإضاءة ، مثل السحب والشمس ، بالإضافة إلى صور المعايرة وبيانات مستشعر الضوء ، مهمة للمستخدمين في المستقبل. يجب وصف خطوط أنابيب المعالجة ، وعند الإمكان ، تضمين كود المصدر وبيئة التشغيل أو المعلومات بالمثل. لمزيد من المعلومات حول بيانات ضمان الجودة والبيانات الوصفية المهمة الأخرى ، انظر Aasen et al. (2018) و Tmušić et al. (2020).

تتكون مجموعات بيانات الصور المقدمة في هذا العمل بشكل أساسي من صور أولية غير معدلة مباشرة من الكاميرات. كما أصبح نشر البيانات الأولية دون حظر وسيلة فعالة لتوزيع البيانات داخل منظمة HAMK ، وكذلك خارجها. كان السبب الآخر وراء قرار نشر ليس فقط منتجات البيانات المعالجة ، ولكن أيضًا البيانات الأولية الأولية ، هو أن مستخدمي البيانات قد يرغبون في تطبيق خطوط أنابيب المعالجة الخاصة بهم لضمان المعالجة الموحدة لجميع بيانات الإدخال الخاصة بهم. مثال على منتج البيانات هو الفسيفساء التقويمية (الشكل 6) ، وهو سهل الاستخدام في تطبيقات مختلفة وقيِّم في توفير نظرة عامة مرئية للبيانات. كما هو موضح في الشكل 7 ، قد لا يكون الوضوح البصري للوح المتعامد مرتفعًا تمامًا مثل مادة المصدر ، الصور الفردية ، مع وجود اختلافات تؤثر على وضع العلامات بواسطة نموذج التعلم الآلي. في المستقبل ، من المحتمل أن تؤدي خطوط أنابيب القياس التصويري الجديدة إلى إنتاج بيانات ذات جودة أعلى مما يمكن تحقيقه باستخدام أدوات اليوم - إذا كانت البيانات الأولية لا تزال متاحة.

توافر البيانات

مجموعات بيانات الصور الزراعية والحرجية التي تم جمعها قيد النشر بشكل متزايد بموجب رخصة المشاع الإبداعي بواسطة Attribution 4.0 International (CC-BY 4.0) ، وهي متاحة للتنزيل في (Häme University of Applied Sciences، 2021a https: / /doi.org/10.23729/895dfb4d-9a14-41cc-a624-727375275631 و 2021b https://doi.org/10.23729/d083d6ad-aa68-4826-8792-7a169e2d2dd9). The Hämeenlinna private urban gardens drone image dataset (Häme University of Applied Sciences 2121c) has restricted access due to personal data content. Other associated data such as calibration data and GCP coordinates are published with the datasets.

شكر وتقدير

This research is part of a Carbon 4.0 research project that has been funded by the Ministry of Education and Culture (Finland). The authors wish to thank Olli Nevalainen and the anonymous reviewers for their feedback, and Roman Tsypin for computation of the image segmentation in Figure 7.

Aasen, H., Honkavaara, E., Lucieer, A., & Zarco-Tejada P.J. 2018. Quantitative Remote Sensing at Ultra-High Resolution with UAV Spectroscopy: A Review of Sensor Technology, Measurement Procedures, and Data Correction Workflows. Remote Sensing. 10(7): 1091. DOI: 10.3390/rs10071091

Agisoft 2020a. Agisoft MetaShape Professional (Version 1.7.0) (Software). http://www.agisoft.com/downloads/installer/.

Akhloufi, M., Castro, N., & Couturier, A. 2020. Unmanned Aerial Systems for Wildland and Forest Fires: Sensing, Perception, Cooperation and Assistance. arXiv:2004.13883 [cs.RO]. Drones, 5(1): 15. DOI: 10.3390/drones5010015

Briechle, S., Krzystek, P., & Vosselman, G. 2020. Classification of tree species and standing dead trees by fusing UAV-based lidar data and multispectral imagery in the 3D deep neural network PointNet++. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2: 203-210. DOI: doi.org/10.5194/isprs-annals-v-2-2020-203-2020

Carlini N., Tramer F., Wallace E., Jagielski M., Herbert-Voss A., Lee K., Roberts A., Brown T., Song D., Erlingsson U., Oprea A., & Raffel C. 2020. Extracting Training Data from Large Language Models. DOI: arXiv:2012.07805 [cs.CR].

Caturegli, L., Corniglia, M., Gaetani, M., Grossi, N., Magni, S., Migliazzi, M., Angelini, L., Mazzoncini, M., Silvestri, N., Fontanelli, M. & Raffaelli, M. 2016. Unmanned aerial vehicle to estimate nitrogen status of turfgrasses. Plos One, 11(6): 0158268. DOI: 10.1371/journal.pone.0158268

Chen, D., Orekondy, T., Fritz, M. 2020. Gs-wgan: A gradient-sanitized approach for learning differentially private generators. DOI: arXiv:2006.08265 [cs.LG]

Dehkordi, R.H., Denis, A., Fouche, J., Burgeon, V., Cornelis, J.T., Tychon, B., Gomez, E.P., Meersmans, J. 2020. Remotely-sensed assessment of the impact of century-old biochar on chicory crop growth using high-resolution UAV-based imagery. International Journal of Applied Earth Observation and Geoinformation, 91: 102147. DOI: 10.1016/j.jag.2020.102147

Finger, R., Swinton, S.M., El Benni, N., Walter, A. 2019. Precision Farming at the Nexus of Agricultural Production and the Environment. Annual Review of Resource Economics, 11(1): 313-335. DOI: 10.1146/annurev-resource-100518-093929

ten Harkel, J., Bartholomeus, H., Kooistra, L. 2020. Biomass and Crop Height Estimation of Different Crops Using UAV-Based Lidar. Remote Sensing, 12(1): 17. DOI: /10.3390/rs12010017

Hoffmann, H., Jensen, R., Thomsen, A., Nieto, H., Rasmussen, J., & Friborg, T. 2016. Crop water stress maps for an entire growing season from visible and thermal UAV imagery. Biogeosciences, 13(24): 6545-6563. DOI: /10.5194/bg-13-6545-2016

Häme University of Applied Sciences 2021a. Drone image dataset: Evo old forest 2020. https://doi.org/10.23729/895dfb4d-9a14-41cc-a624-727375275631

Häme University of Applied Sciences 2021b. Drone image dataset: Mustiala biochar field 2020. https://doi.org/10.23729/d083d6ad-aa68-4826-8792-7a169e2d2dd9

Häme University of Applied Sciences 2021c. Drone image dataset: Hämeenlinna private urban gardens 2020. https://doi.org/10.23729/0b8dba76-0e7f-48ad-9979-462ed9d49021

Khan, S.M., Liu, X., Nath, S., Korot, E., Faes, L., Wagner, S.K., Keane, P.A., Sebire, N.J., Burton M.J, Denniston, A.K. 2020. A global review of publicly available datasets for ophthalmological imaging: barriers to access, usability, and generalisability. The Lancet Digital Health, 3 (1): e51-e66. DOI: 10.1016/s2589-7500(20)30240-5

Mokros, M., Výbošťok, J., Merganič, J., Hollaus, M., Barton, I., Koreň, M., Tomaštík, J., Čerňava, J. 2017. Early Stage Forest Windthrow Estimation Based on Unmanned Aircraft System Imagery. Forests, 8(9): 306. DOI: 10.3390/f8090306

Nevavuori, P., Narra, N., Lipping, T. 2019. Crop yield prediction with deep convolutional neural networks. Computers and electronics in agriculture, 163: 104859. DOI: //doi.org/10.1016/j.compag.2019.104859

Nevavuori, P., Narra, N., Linna, P., & Lipping, T. 2020. Crop Yield Prediction Using Multitemporal UAV Data and Spatio-Temporal Deep Learning Models. Remote Sensing, 12(23): 4000. DOI: 10.3390/rs12234000

Näsi, R., Honkavaara, E., Lyytikäinen-Saarenmaa, P., Blomqvist, M., Litkey, P., Hakala, T., Viljanen, N., Kantola, T., Tanhuanpää, T.-M., Holopainen, M. 2015. Using UAV-based photogrammetry and hyperspectral imaging for mapping bark beetle damage at tree-level. Remote sensing, 7(11): 15467-15493. DOI: 10.3390/rs71115467

Ollero, A. and Merino, L., 2006. Unmanned aerial vehicles as tools for forest-fire fighting. Forest Ecology and Management, 234(1): S263. DOI: 10.1016/j.foreco.2006.08.292

Panagiotidis, D., Abdollahnejad, A., Surový, P. and Kuželka, K., 2019. Detection of fallen logs from high-resolution UAV Images. New Zealand Journal of Forestry Science, 49. DOI: 10.33494/nzjfs492019x26x

QGIS Development Team (2020). QGIS Geographic Information System. Open Source Geospatial Foundation Project. http://qgis.osgeo.org

Sagan, V., Maimaitijiang, M., Sidike, P., Eblimit, K., Peterson, K.T., Hartling, S., Esposito, F., Khanal, K., Newcomb, M., Pauli, D., Ward, R., 2019. UAV-based high resolution thermal imaging for vegetation monitoring, and plant phenotyping using ICI 8640 P, FLIR Vue Pro R 640, and thermomap cameras. Remote Sensing, 11(3): 330. DOI: 10.3390/rs11030330

San Francisco Declaration on Research Assessment. 2012. https://sfdora.org/read/

Segarra, J., Buchaillot, M.L., Araus, J.L., Kefauver, S.C. 2020. Remote sensing for precision agriculture: Sentinel-2 improved features and applications. Agronomy, 10(5): 641. DOI: 10.3390/agronomy10050641

Thiel, C., Mueller, M.M., Epple, L., Thau, C., Hese, S., Voltersen, M., & Henkel, A., 2020. UAS Imagery-Based Mapping of Coarse Wood Debris in a Natural Deciduous Forest in Central Germany (Hainich National Park). Remote Sensing, 12(20): 3293. DOI: 10.3390/rs12203293

Tmušić G., Manfreda S., Aasen H., James M.R., Gonçalves G., Ben-Dor E., Brook A., Polinova M., Arranz J.J., Mészáros J., Zhuang R., Johansen K., Malbeteau Y., de Lima M. .I. P., Davids C., Herban S. and McCabe M. F. 2020. Current Practices in UAS-based Environmental Monitoring. Remote Sens. 12(6): 1001. DOI: https://doi.org/10.3390/rs12061001

Tsouros, D.C., Bibi, S., Sarigiannidis, P.G. 2019. A review on UAV-based applications for precision agriculture. Information, 10(11): 349.

Tuominen, S., Balazs, A., Honkavaara, E., Pölönen, I., Saari, H., Hakala, T. and Viljanen, N., 2017. Hyperspectral UAV-imagery and photogrammetric canopy height model in estimating forest stand variables. Silva Fennica, 51(5). Doi: 10.14214/sf.7721

U.S. Copyright Office. 2020. Compendium of U.S. Copyright Office Practices § 101 (3d ed.), Chapter 500 & Chapter 600. https://copyright.gov/comp3/

Viinikka, A., Hurskainen, P., Keski-Saari, S., Kivinen, S., Tanhuanpää, T., Mäyrä, J., Poikolainen, L., Vihervaara, P., Kumpula, T. 2020. Detecting European Aspen (Populus tremula L.) in Boreal Forests Using Airborne Hyperspectral and Airborne Laser Scanning Data. Remote Sensing, 12(16): 2610. DOI: 10.3390/rs12162610

Viljanen, N., Honkavaara, E., Näsi, R., Hakala, T., Niemeläinen, O., & Kaivosoja, J. 2018. A Novel Machine Learning Method for Estimating Biomass of Grass Swards Using a Photogrammetric Canopy Height Model, Images and Vegetation Indices Captured by a Drone. زراعة, 8(5): 70. DOI: 10.3390/agriculture8050070


مقدمة

On 10 April 2020, Yemen recorded its first laboratory-confirmed COVID-19 case in the Southern governorate of Hadhramout. By the end of May, cases and deaths had been reported in the governorates of Aden, Taiz, Lahj and Sanaa.1 The pandemic’s impact on Yemen was expected to be severe, despite its comparatively young population.2 3 Transmission models parameterised based on China and Europe evidence initially predicted some 85 000 virus deaths, approaching the number reported killed during the country’s ongoing armed conflict.4–6 Additional risk factors of concern resulting from this 5-year protracted crisis included disrupted health services (only half of pre-existing health facilities were fully functional as of early 2020), shortage of health workers, overcrowding due to internal displacement, food insecurity and shrinking humanitarian aid.3 5 7–9

During May 2020, videos posted on social media showing large numbers of fresh graves suggested a spike in burial activity across several Yemeni governorates including Sana’a, Aden, Ibb and Al Bayda.10–12 In the southern city of Aden, the use of mechanical excavators in place of human gravediggers suggested that demand exceeded routine capacity.13 14 The medical organisation Médecins sans Frontières also reported a peak in hospital admissions, with a high case–fatality ratio in Aden during the same period.10 Separately, a shortage of personal protective equipment forced several hospitals to close or reject patients exhibiting COVID-19 symptoms.3 12 15

As of 9 October 2020, Yemen had reported 2049 confirmed SARS-CoV-2 infections with 593 deaths,16 but the reliability of these official numbers is undermined by low testing capability.17 18 A high COVID-19 case–fatality ratio (28.9%) is indicative of case underascertainment.19 20 The virus could thus be circulating undetected and unmitigated within communities, and the true mortality figures could be far higher than reported, as suggested elsewhere.21–23 Moreover, in Yemen’s protracted crisis, an epidemic could result in increased population mortality both directly (from SARS-CoV-2 infection) and indirectly (due to reduced access to healthcare, lack of healthcare workers and/or medical supplies, and/or the socioeconomic costs of the pandemic and related control measures, including worsened food security). Information on excess deaths can inform the ongoing response and provide evidence for additional resource mobilisation.24 Moreover, it may be combined with transmission dynamic modelling to infer the local state of progression of the epidemic.21

In this study, we used a novel method based on analysis of satellite imagery to remotely estimate excess mortality during a COVID-19 epidemic in Aden, Yemen. Our study had the secondary aim of establishing the method for possible application elsewhere.


Sources

Base mapping data including topography, elevation (contours) and vegetation are sourced from theLIST (Tasmania), NSW Spatial Web Services and VicMap Spatial Data. Mapping is also credit © OpenStreetMap contributors and through the Leaflet Open Source library for interactive maps (see Leaflet).

Google Earth views: Google, CNES/Airbus Data LDEO-Columbia, NSF, NOAA, US Navy, NGA, GEBCO Landsat/Copernicus TerraMetrics.

GIS mapping for this work is provided by QGIS.org, 2020. QGIS Geographic Information System. QGIS Association. http://www.qgis.org

Microsoft Flight Simulator 2020 and Google Earth are used to provide a general perspective on terrain around an aircraft landing area.


3.2 Environmental impact and assessment

From the point of view of the impact over the territory, small reservoirs, usually in activity by decades, also highlight the need for assessments on their degree of safety. This analysis is still at a preliminary stage however, two fundamental problems were immediately revealed:

the increase of hydraulic risk, due to the land use change in the downstream area of the dam (presence of built-up areas).

The surface spillways are always present however, there is a high number of cases in which the structure is not operative because of lack of maintenance. In most of the cases, they have rectangular sections, made with a base slab and vertical walls in reinforced concrete, with dimensions congruent with regulations in force in the 1970s–1980s. In smaller reservoirs one or more elements of reinforced concrete pipes, with a diameter between 500 and 1000 mm, are sometimes used, leading therefore to obstructions of the outflow section. However, the most compelling problem concerns the tendency of owners and managers of reservoirs to implement not technically adequate interventions on the spillway structure (Fig. 3b). These kinds of actions can lead to the complete occlusion of the spillway section (Fig. 3a) and consequent generation of secondary natural or induced spillways, in any case insufficient to maintain safety standards. This problem has a significant impact on the connected hydraulic risk therefore, it has to be examined in detail: at the initial stage a remote survey and check can be organized, but targeted inspections in situ must be foreseen.

Figure 3Surface spillway maintenance status: partially efficient (a), completely obstructed (ب).

Figure 4Examples of small reservoirs with densely built-up areas. ©Google Map source: Immagini©2018 TerraMetrics, Dati Cartografici©2018.

A similar consideration can be made for the problem of land use change in downstream areas and for the connected hydraulic risk, as shown in the examples reported in Fig. 4.


Base mapping data including topography, elevation (contours) and vegetation are sourced from theLIST (Tasmania), NSW Spatial Web Services and VicMap Spatial Data. Mapping is also credit © OpenStreetMap contributors and through the Leaflet Open Source library for interactive maps (see Leaflet).

Google Earth views: Google, CNES/Airbus Data LDEO-Columbia, NSF, NOAA, US Navy, NGA, GEBCO Landsat/Copernicus TerraMetrics.

GIS mapping for this work is provided by QGIS.org, 2020. QGIS Geographic Information System. QGIS Association. http://www.qgis.org

Microsoft Flight Simulator 2020 and Google Earth are used to provide a general perspective on terrain around an aircraft landing area.


Foreign Language Abstract Resumen

  1. Recientes evaluaciones del progreso hacia metas de conservación globales han revelado una escasez de indicadores adecuados para evaluar el estado de ecosistemas y su cambio. Asimismo, los responsables de la ordenación y gestión territorial raramente tienen acceso oportuno a mapas requeridos para apoyar la toma de decisiones de rutina. Esta deficiencia se debe parcialmente a la falta de datos adecuados sobre el cambio en el estado de los ecosistemas, debido principalmente al alto nivel de conocimiento técnico requerido para elaborar mapas de ecosistemas usando datos de teledetección.
  2. Hemos desarrollado una aplicación de acceso en línea gratuito de modelaje medioambiental y monitoreo de teledetección, Remote Sensing Monitoring and Assessment Pipeline ( Remap https://remap-app.org) la cual permite que voluntarios, gestores y científicos con poca experiencia en teledetección generen clasificaciones (mapas) de los cambios temporales en la ocupación o el uso de suelo.
  3. Remap requiere únicamente datos espaciales para definir clases (p.ej. tipo de ecosistema), y utiliza el almacenamiento de datos geoespaciales y la capacidad de análisis de Google Earth Engine para asignar clases definidas a pixeles sin datos en un área focal. Los datos de entrenamiento, los cuales pueden ser cargados o anotados interactivamente en Remap , se utilizan en una clasificación estadística con hasta 13 tipos de predictores, los cuales están públicamente disponibles. Remap incluye predictores que son fundamentales para la distribución de los ecosistemas y los tipos de cobertura terrestre. Estos predictores incluyen datos de variables topográficas (p. ej. pendiente, elevación), espectrales (archivos de composiciones de imágenes Landsat) y climáticas (precipitación, temperatura).
  4. La capacidad de Remap para elaborar y exportar mapas clasificados de alta calidad en un corto plazo de tiempo (<10 minutos) representa un avance considerable en las tecnologías de teledetección a nivel mundial, y facilita su aplicación gratuita y accesible. Por lo que Remap puede acelerar el monitoreo del uso y cambio de suelo facilitando el acceso de datos y simplificando la clasificación de ecosistemas usando teledetección. Por ende, Remap apoya la conservación del medioambiente en varios frentes, incluyendo el desarrollo de inventarios de biodiversidad, la identificación de puntos de alta biodiversidad, la conservación espacial de ecosistemas, la documentación cartográfica espacial de perdida de ecosistemas a escalas locales y el apoyo de iniciativas de educación ambiental.

Sources

Base mapping data including topography, elevation (contours) and vegetation are sourced from theLIST (Tasmania), NSW Spatial Web Services and VicMap Spatial Data. Mapping is also credit © OpenStreetMap contributors and through the Leaflet Open Source library for interactive maps (see Leaflet).

Google Earth views: Google, CNES/Airbus Data LDEO-Columbia, NSF, NOAA, US Navy, NGA, GEBCO Landsat/Copernicus TerraMetrics.

GIS mapping for this work is provided by QGIS.org, 2020. QGIS Geographic Information System. QGIS Association. http://www.qgis.org

Microsoft Flight Simulator 2020 and Google Earth are used to provide a general perspective on terrain around an aircraft landing area.


Background

Increased residential greenspace (e.g., parks) or greenness (e.g., street trees) has shown to be associated with beneficial health, such as better self-reported health and reduced all-cause and cardiovascular mortality [55]. Research has now progressed to explore potential causal mechanisms. As strong links have been made between physical activity (PA) and numerous health outcomes, particularly for cardiovascular outcomes [59], an important pathway to health may be access to areas in which to engage in PA. Moreover, though still an active research area, exercise specifically undertaken in green areas may enhance the proven benefits of PA [46].

Nevertheless, research on the importance of greenspace for exercise has produced mixed results. Cross-sectional studies relying on self-reported data to assess the relationship between residential greenspace and PA identified positive associations in populations in Australia [2], Canada [35], and the US [52], while other work in Denmark [44], Netherlands [33], and Scotland [37] found no such links. With the emergence of low-cost GPS-equipped sensors and devices [32], researchers can now better track objective measures of PA and actual greenspace use, though these studies too have found equivocal results: the amount of residential greenspace was related to higher levels of overall moderate to vigorous PA (MVPA) [23], but in another study, associations were found only with PA when undertaken within green areas (i.e., not overall PA) [53].

Recommendations from agencies, including the World Health Organization (WHO), prescribe a minimum weekly dose of 150 min of moderate intensity or 75 min of vigorous PA, yet a recent global survey found over a quarter of individuals were not achieving these salubrious levels [18]. Though greenspace may help promote active travel and facilitate outdoor PA, for example, through appealing tree-lined streets or accessible parks, other neighbourhood attributes, such as overall walkability (e.g., street connectivity, population density, mixed use development) and access to services, have been found to be more important [14, 22]. Even if a positive link with greenspace is established, a further complicating factor is that self-selection may bias findings if healthier individuals choose to live in greener areas with more options for outdoor exercise [10] if present, this bias would result in exaggerated health benefits of greenspace.

Our study explored two distinct research questions to advance our understanding of the association of greenspace and PA within the built environment: 1) whether the availability of residential greenspace is associated with increased MVPA and 2) whether individuals choose routes with on average higher greenspace levels for longer/more active journeys. In addition, for the second question, we also assessed the greenspace associations separately for walking and cycling trips.


شكر وتقدير

Discussions with M. Futter, B. Obrador and C. Gudasz improved the manuscript. A. M. Kellerman commented on an early version of the manuscript. We thank B. Koehler for the data set on litter decay. We thank J. Schewe for his assistance with the interpretation of runoff change maps. The study was funded by grants from the Swedish Research Council, the Swedish Research Council for Environment, Agricultural Sciences and Spatial Planning (FORMAS) and the Knut and Alice Wallenberg Foundation to L.J.T. N.C. holds a Wenner-Gren foundation post-doctoral fellowship (2014–2016, Sweden). The participation of R.M. was supported by project REMEDIATION (CGL2014-57215-C4-2-R), funded by the Spanish Ministry of Economy and Competitiveness.


شاهد الفيديو: Extracting Data from OpenStreetMap using QGIS u0026 QuickOSM (شهر اكتوبر 2021).