Droni in multispektralne kamere za spremljanje zdravja gozdov

Droni in multispektralne kamere za spremljanje zdravja gozdov Povzetek Spremljanje stanja gozdov je bistvenega pomena za ocenjevanje in ohranjanje zdravja gozdnih ekosistemov, posebej v povezavi s podnebnimi spremembami. Dosedanje raziskovalne metode so omejene s subjektivnostjo, logistično zapletenostjo in visokimi stroški. Daljinsko zaznavanje ponuja učinkovitejšo alternativo. Med tehnologijami daljinskega zaznavanja so se kot posebej učinkoviti izkazali brezpilotni letalniki (droni) (angleško Unmanned Aerial Vehicle – UAV), opremljeni z multispektralnimi kamerami. Ti droni zagotavljajo visoko ločljive, stroškovno učinkovite in prilagodljive rešitve za spremljanje stanja gozdov, saj zajemajo podrobne podatke v različnih spektrih (pri različnih valovnih dolžinah) elektromagnetnega valovanja (EMV). To omogoča natančno prepoznavanje stresa in poškodb vegetacije, kar omogoča pravočasne in ciljno usmerjene ukrepe. Projekt GO-SURF je pokazal, da postajajo droni z multispektralnimi senzorji nepogrešljivo orodje za trajnostno upravljanje gozdov. Uvod Spremljanje zdravja gozdov (FHM – krajše za angleško "Forest Health Monitoring") je proces, namenjen ocenjevanju zdravstvenega stanja gozdnih ekosistemov (Trumbore et al. 2015). Spremljanje vključuje opazovanje in beleženje različnih kazalnikov, kot so stopnja osutosti, prisotnost bolezni ali škodljivcev ter drugi znaki stresa. Glavni cilj spremljanja zdravja gozdov je pravočasno zaznavanje morebitnih sprememb v2 Francesca Giannetti1;2;3, Yamuna Giambastiani2;3, Lorenzo Massai2;3, Patrizia Rossi1, Solaria Anzillotti1, Livia Passarino1, Giuliano Secchi1, Davide Travaglini1;2, Gherardo Chirici1;2 1 Oddelek za kmetijske, živilske, okoljske in gozdarske znanosti in tehnologije (DAGRI), Univerza v Firencah (Dipartimento di Scienze e Tecnologie Agrarie, Alimentari, Ambientali e Forestali (DAGRI), Università degli Studi di Firenze) [email protected]; [email protected]; [email protected]; [email protected]; [email protected]; [email protected] 2 Skupni laboratorij ForTech (Laboratorio Congiunto ForTech) 3 Bluebiloba start-up innovativa s.r.l. [email protected] ; [email protected] zdravju gozdov, da se lahko sprejme ukrepe za zmanjšanje škode in ohranitev zdravja gozdnih ekosistemov (Ecke et al. 2022). Vzpostavitev sistemov spremljanja zdravja gozdov je posebej pomembna v kontekstu podnebnih sprememb, kjer vegetacija vse bolj doživlja učinke stresa z izgubo fotosintetske aktivnosti (Puletti et al. 2019) in kjer imajo izjemni dogodki kot so požari in gradacije žuželk (Kautz et al. 2024) ter drugi patogeni vse večji vpliv. Zato postaja za vsakega upravljalca gozda, tako javnega kot zasebnega, vse bolj pomembna vzpostavitev spremljanja zdravja gozdov z namenom blaženja možnih težav v gozdnih sestojih in pravočasnega posredovanja. V italijanskem in evropskem kontekstu se spremljanje zdravja gozdov na lokalni, regionalni in globalni ravni z uporabo standardnih kazalnikov temelječih na strokovni oceni usposobljenih oseb na terenu, ki na primer ugotavljajo stopnjo osutosti krošenj izvaja že več desetletij (Canullo et al. 2012). Ta omrežja spremljanj nam zagotavljajo strandardiziran okvir za ocenjevanje stanja zdravja gozdov, vendar na omejenem številu točk. To omogoča spremljanje na nacionalni ravni vendar ni v skladu s potrebami upravljalcev gozdov. Javni in zasebni upravljalci gozdov se vse pogosteje soočajo z vplivom motenj v gozdu na njihove sestoje. Kot je bilo omenjeno že prej, je uvedba sistemov spremljanja zdravja gozdov ključnega pomena za hitro prepoznavanje morebitnih težav in pravočasno ukrepanje za njihovo omejitev. Klasične terenske raziskave so lahko zelo negotove, ker je njihova kvaliteta odvisna od izkušenosti in subjektivnega zaznavanja opazovalca. Zato so za standardizirano in optimalno izvajanje raziskav potrebni posebni tečaji usposabljanja. Take raziskave so poleg tega logistično zahtevne in drage (potrebujejo veliko dela in časa), zato so izvedljive le na ravni sestoja ali posamezne parcele. To je razlog za uveljavitev daljinskega zaznavanja kot del spremljanja zdravja gozdov. Daljinsko zaznavanje omogoča objektivno, kvantitativno in ponovljivo pridobivanje kazalnikov zdravja gozdov na različnih prostorskih enotah (Lambert et al. 2013; Ecke et al. 2024). Satelitsko daljinsko zaznavanje je še vedno prevladujoče v raziskavah in uporabi pri spremljanju zdravja gozdov. Javno dostopni multispektralni podatki kot so Landsat, MODIS in Sentinel-2 omogočajo spremljanje na velikih površinah zahvaljujoč se veliki časovni in prostorski ločljivosti, ki pogosto zadostuje za prepoznavanje motenj (Francini and Chirici 2022). Kakorkoli, v nekaterih raziskavah je bilo poudarjeno, da satelitom lahko pri spremljanju predstavljajo težave na primer oblaki (Gianetti et al. 2021), ki lahko zakrijejo del površja in s tem tudi gozda. Zaradi tega je na nekaterih območjih, kot so gorata območja Alp in Apeninov, vzpostavitev sistemov zgodnjega opozarjanja zahtevna. Ta vprašanja so nezdružljiva, kadar biotski ali abiotski dejavniki povzročijo hitre spremembe v gozdu. Te težave lahko odpravimo z uporabo letal, saj letijo pod oblaki (Ecke et al. 2024). V praksi se zaradi visokih stroškov in logističnih omejitev letala uporabi le na velikih površinah, enkrat ali dvakrat letno. Iz tega sledi, da niso primerna za zgodnje prepoznavanje stresa (Ecke et al. 2024). V tem kontekstu se vse bolj uporabljajo brezpilotna letala vendar ne kot konkurenca, temveč dopolnilo obstoječim tehnologijam opazovanja površja (Ecke et al. 2024). V okviru operativne skupine GO-SURF so bili droni, opremljeni z multispektralnimi kamerami, uporabljeni za kartiranje stresa v gozdnih sestojih. Droni v primerjavi s sateliti in letali pokrivajo manjša območja, vendar zagotavljajo boljšo prostorsko ločljivost površja, ki lahko doseže red centimetra. Prav tako so zelo učinkoviti iz vidika stroškov, prilagodljivosti in še posebej frekvence snemanj, ki je lahko zelo velika, saj je odvisna le od upravljalca. Območje, ki ga je mogoče pokriti z droni je od enega do več sto ha v enem letu. Na površino pokritosti vplivajo predvsem vrsta drona, tehnologija pogona, vrsta kamere, teren in dostopnost območja. Prav tako je potrebno upoštevati predpise o delovanju dronov kot omejitveni dejavnik za pokritost. Nova evropska uredba dovoljuje letenje na višini 120 metrov nad tlemi z varnostno razdaljo 500 metrov, kar omogoča tudi najzmogljivejšim dronom pokrivanje 10 do 20 ha s posameznim preletom. Poleg dronov je za vzpostavitev sistema FHM pomemben tudi senzor na njem. Na trgu je na voljo veliko multispektralnih kamer. Te kamere so zahvaljujoč sposobnosti zajemanja različnih valovnih dolžin elektromagnetnega valovanja uporabne za kartiranje različnih vrst stresa v gozdu (Barzagli et al. 2018; Zhang et al. 2019; Ecke et al. 2022). Kljub temu se je zaradi velike raznolikosti kamer, na voljo na trgu in različnih vegetacijskih indeksov, ki jih je mogoče iz njih pridobiti, težko usmerjati po nenehno razvijajočem se področju raziskav in tehničnega napredka. Zato je namen tega članka na podlagi rezultatov projekta EIPAGRI GO-SURF in ob upoštevanju mednarodne literature zagotoviti pregled vegetacijskih indeksov, ki so uporabni za kartiranje stresa v gozdu, pregled nekaterih kamer, ki so na voljo na trgu, in najpreprostejših in najobetavnejših tehnik obdelave podatkov v želji ponuditi koristne informacije tehnikom, ki se ukvarjajo s spremljanjem gozdov. Multispektralne kamere in vegetacijski indeksi Multispektralne kamere so napredne naprave, ki zajemajo vizualne informacije v različnih spektrih elektromagnetnega valovanja. Ti lahko vključujejo vidni spekter in bližnjo infrardečo svetlobo (NIR), v nekaterih primerih pa rdeči rob (angleško Red edge). Z zaznavanjem različnih valovnih dolžin multispektralne kamere zagotavljajo podrobne podatke, ki jih je mogoče uporabiti za analizo različnih lastnosti vegetacije, tal in gozda. Posebej zaradi zmožnosti pridobivanja informacij v infrardečem spektru, je mogoče raziskati fotosintetsko aktivnost rastlin, oceniti vitalnost dreves in ugotoviti prisotnost bolezni ali druge vrste stresa. Tako kot kamere v vidnem spektru jih je mogoče uporabiti za fotogrametrično zajemanje. To omogoča ne zgolj pridobivanje 2D podatkov (multispektralni ortomozaik), temveč tudi 3D podatkov, kot so oblaki točk in digitalni modeli površja (angleško Digital Surface Model – DSM), uporabnih za analizo strukture gozda (Barzagli et al. 2018; Giannetti et al. 2020). jihova glavna prednost je, kot je bilo že prej omenjeno, sposobnost zajemanja slik v različnih valovnih dolžinah spektra elektromagnetnega valovanja. To uporabnikom omogoča prepoznavanje razlik v vegetaviji po vsebnosti klorofila. Tako lahko hitro pokažejo prisotnost stresa, bolezni ali patogenov. Zaradi zmožnosti pridobivanja informacij po različnih valovnih dolžinah jih je mogoče enostavno uporabiti za izpeljavo različnih vegetacijskih indeksov s preprostimi matematičnimi operacijami med slikami posnetimi v različnih spektrih, tudi z uporabo običajnih aplikacij GIS (geografski informacijski sistemi), kot to mogoče v aplikaciji QField prek funkcij rastrskega kalkulatorja. Med vegetacijskimi indeksi, ki jih je mogoče izračunati na podlagi podatkov, zajetih s trenutno razpoložljivimi večspektralnimi kamerami, so v preglednici 1 navedeni najobetavnejši za spremljanje stresa v gozdnih okoljih. Preglednica 1: Vegetacijski indeksi, uporabni za spremljanje gozdov, ki jih je mogoče izračunati iz podatkov pridoblenih z multispektralnimi kamerami. [1] Slovarček: red – rdeča, green – zelena, blue – modra, rededge – rdeči rob. Indeks NDVI (Normalized Difference Vegetation Index) je verjetno najbolj razširjen indeks za spremljanje zdravja rastlin. Njegova nagnjenost k nasičenosti v določenih primerih ovira zgodnje odkrivanje stresa v gozdovih. Indeks temelji na dejstvu, da klorofil v živih rastlinah močno odbija bližnjo infrardečo svetlobo (NIR) in absorbira rdečo svetlobo. Visoke vrednosti NDVI (blizu 1) kažejo na gosto in zdravo vegetacijo, medtem ko nižje vrednosti (pod 0,7) kažejo na stres. Vrednosti pod 0,6 kažejo na odmiranje rastlin. Nasprotno pa je po izkušnjah projekta GO-SURF in glede na pregled literature v okviru gojenja topola (Chianucci et al. 2021) NDVI morda najmanj natančen indeks za zaznavanje stresa. GNDVI (Green Normalized Difference Vegetation Index) je na primer bolj občutljiv zgodnji kazalnik stresa. Ta indeks je podoben indeksu NDVI, vendar za normalizacijo s spektrom NIR namesto rdečega uporablja zeleni del spektra. Zaradi tega je ta indeks uporaben za spremljanje rastlin z veliko gostoto listov in prepoznavanje vodnega stresa. To omogoča zgodnje opozarjanje na stres (Raddi et al. 2021). Za ocenjevanje vsebnosti klorofila je primeren indeks LCI (Leaf Chlorophyll Index). Zelo je občutljiv na prisotnost klorofila v listih (Gallardo-Salazar et al. 2023). Klorofil absorbira rdečo svetlobo in odbija svetlobo rdečega roba. Ravno zato je ta indeks uporaben za neposredno oceno vsebnosti klorofila, ki je kazalnik fotosintezne aktivnosti rastline. Podobno je indeks CIRE (Chlorophyll Index Red Edge) še bolj povezan s hranili v rastlinah (Kleinsmann et al. 2023). NDRE (Normalized Difference Red Edge) je posebej uporabna pri prepoznavanju stresa rastlin v delih krošenj. Rdeči rob je zelo občutljiv na spremembe v strukturi listov in vsebnosti klorofila. To omogoča zaznavanje že majhnih odstopanj (Minařík and Langhammer 2016). Uporaben je za prepoznavanje z boleznimi prizadetih rastlin in rastlin, ki jim primanjkuje hranil, še preden je to opazno s prostim očesom. Indeks MCARI (Modified Chlorophyll Absorption Ratio Index) je zasnovan tako, da je manj občutljiv na spremembe v tleh. Tako ima večjo sposobnost zaznavanja stresa rastlin v heterogenih okoljih z izpostavljenimi tlemi (Zou et al. 2019). EVI (Enhanced Vegetation Index) pri ocenjevanje fotosintetske aktivnosti in vitalnosti vegetacije izboljša občutljivost na območjih z visoko gostoto vegetacije. V primerjavi z NDVI zmanjša atmosferske in talne motnje. Indeks VARI (Visible Atmospherically Resistant Index) se lahko uporablja za spremljanje vegetacije samo z uporabo delov vidnega spektra. Zato je uporaben v razmerah, ko pasovi NIR niso na voljo, na primer pri kamerah RGB. Droni in multispektralne kamere na trgu Med droni z integriranimi multispektralnimi senzorji je DJI Mavic 3M tak, ki združuje 20 MP RGB kamero in štiri 5 MP multispektralne kamere, ki zajemajo zelen (560nm±16nm), rdeč (650nm±16nm), rdeči rob (730±16nm), in NIR (860nm±26nm) del spektra skupaj z vgrajenim senzorjem svetlobe. Ta nastavitev zajema sončno obsevanje, kar omogoča naknadno obdelavo in kompenzacijo morebitnih svetlobnih nihanj na slikah. Proizvajalec trdi, da leti avtonomno 43 minut in v enem letu pokrije 2 km2 površine. Dron je na voljo tudi skupaj z modulom RTK, ki zagotavlja georeferenciranje raziskave z visoko natančnostjo. Dron, prav tako podjetja DJI ima vgrajen senzor P4 Multispectral, opremljen s šestimi različnimi 2,08 MP kamerami. Ena je RGB, pet pa je multispektralnih kamer, ki zajemajo v modrem (450 ± 16 nm), zelenem (560 ± 16 nm), rdečem (650 ± 16 nm), rdečem robu (730 ± 16 nm) in skoraj infrardečem (840 ± 26 nm) delu spektra. Tudi ta dron je opremljen s svetlobnim senzorjem in modulom RTK, ki omogočata korelacijo svetlobe na sliki in natančno georeferenciranje raziskave. Proizvajalec navaja, da avtonomno leti 27 minut in da njegovo operativno območje v enem letu obsega največ 0,63 km2. V nedavni študiji v Nemčiji (Ecke et al. 2024) je bil ta dron uporabljen za pridobitev multispektralnih posnetkov visoke ločljivosti 235 različnih obsežnih območij za spremljanje gozdov (ploskve ICP ravni I), ki so bile v triletnem obdobju spremljanja (2020-2022) razporejene na Bavarskem. Kljub heterogeno razporejenim podatkom, pridobljenih skozi daljše časovno obdobje v različnih vremenskih in svetlobnih razmerah, v gozdovih z raznoliko sestavo, razprostirajočih se na velikem študijskem območju, članek prikazuje, kako je bilo mogoče z uporabo tehnike EfficientNet CNN arhitekture razvrstiti pet drevesnih vrst na ravni rodu, odmrla drevesa in zdravstveno stanje glavnih drevesnih vrst v 14 različnih razredov. Članek poudarja da ta metodologija spremljanja bistveno zmanjša stroške in čas pridobivanja podatkov na terenu ter omogoča standardizacijo podatkov. Med kamerami, ki se jih lahko namesti na različne vrste dronov kot so DJI Matrice 300, Wingtra OneGen II in senseFly eBeeX je ena izmed najučinkovitejših (pa tudi najdražjih) kamera MicaSense RedEdge-MX. Ta kamera slike zajema v modrem (475 nm ± 20 nm), zelenem (560 nm ± 20 nm), rdečem (668 nm ± 10 nm), rdečem robu (717 nm ± 10 nm) in bližnjem infrardečem (840 nm ± 40 nm) delu spektra. To ji omogoča veliko spektralno natančnost in konsistenco, zato je idealna za analizo gozdne vegetacije. Kamera je opremljena s svetlobnim senzorjem in odbojno ploščo za kalibracijo, ki jo je treba zajeti ob vzletu in pristanku drona. Ta kamera je bila preizkušena tudi v projektu GO-SURF, kjer je bila uporabljena za zajemanje slik na različnih območjih v Toskani. Uporabljena je bila na dronu One Gen II. Obdelava slik s tehnikami segmentacije na podlagi metode „Simple Linear Iterative Clustering (SLIC)“ (Achanta et al. 2012) je z določitvijo pragov stresa omogočila prepoznavanje odmrlih in propadajočih rastlin. SLIC je algoritem, ki se uporablja za segmentacijo slik, zlasti za ustvarjanje superpikslov – skupin sosednjih pikslov s podobnimi lastnostmi, ki poenostavijo analizo slik, saj zmanjšajo število elementov, ki jih je potrebno upoštevati, ohranijo pa večino pomembnih informacij. V projektu GO-SURF so bile slike obdelane s fotogrametrično programsko opremo Metashape Agisoft v različnih delih spektra (moder, zelen, rdeč, rdeči rob, NIR). Slike so bile uvožene v programsko opremo R-Cran z uporabo različnih paketov za obdelavo za inicializacijo algoritma. Med inicializacijo algoritem po sliki enakomerno razporedi središča superpikslov. Ta središča so izbrana tako, da enakomerno pokrivajo celotno sliko. Vsak piksel na sliki je nato dodeljen najbližjemu središču superpiksla na podlagi kombinirane razdalje (prostor in barva). Kombinirana razdalja upošteva prostorske koordinate in barvne vrednosti (CIELAB). Algoritem se ponavlja, dokler ne segmentira posameznih krošenj. Ta algoritem se lahko uporablja tudi za programsko opremo kot je SAGA GIS. Testi, opravljeni v okviru projekta GOSURF so pokazali, da segmentacija gozda deluje zelo dobro tudi ob uporabi samo rdečega dela spektra. Zdi se, da je ta del spektra najbolj občutljiv na prepoznavanje posameznih krošenj ali delov krošenj s podobno fotosintetsko aktivnostjo. Metoda segmentacije zmanjša čas v primerjavi s kompleksnimi metodami in natančno zazna posamezne krošnje ali dele krošenj z različnimi fotosintetskimi aktivnostmi, kot so odmrli ali propadajoči deli krošenj. Vendar za razvrstitev različnih razredov propadanja je treba iz poligonov, ki jih je ustvaril SLIC izluščiti vegetacijske indekse in kalibrirati pragove za prepoznavanje odmrlih rastlin.Tako se za vsak superpiksel uporabijo pragovi za vegetacijske indekse, da se superpiksli razvrstijo med zdrave, v stresu ali odmrle rastline. Prednost te metode je, da segmentacija superpikslov zmanjša število enot za analizo, kar naredi analizo hitrejšo in učinkovitejšo. Poleg tega superpiksli običajno sledijo naravnim obrisom rastlin, kar izboljša natančnost klasifikacije v primerjavi metode z enim pikslom. Uporaba superpikslov SLIC na posnetkih posnetih z droni predstavlja napredno tehniko prepoznavanja in spremljanja odmrlih rastlin. S segmentacijo slik na homogena območja in uporabo pragov za vegetacijske indekse je mogoče pridobiti natančne karte problematičnih območij, kar omogoča ravočasne in ciljno usmerjene posege. Med multispektralnimi kamerami na trgu, cenejšimi od prej omenjenih, so Parrot Sequoia, Sentera Double 4K, Mapir Survey3 in Mapir Survey2. Vse te kamere, tako kot druge, zajemajo multispektralne informacije v rdečem, modrem, zelenem,in NIR delu spektra, ne pa tudi v rdečem robu. Zaradi tega so manj učinkovite pri izračunu nekaterih prej omenjenih indeksov. Sklepi Nemogoče je imeti popoln pregled vseh kamer, ki so na voljo na trgu. Zato se je na podlagi izkušenj treba osredotočiti na kamere, ki omogočajo izračun različnih vegetacijskih indeksov, kar lahko prispeva k kartiranju morebitne škode. Zelo pomembno je namreč, da ob nastali škodi posredujemo čim prej. Kljub nekaterim omejitvam droni, opremljeni z multispektralnimi kamerami predstavljajo močno in vsestransko orodje za spremljanje stanja gozdov. Primer je projekt GO-SURF, ki to že uporablja v Italiji. Pričakovati je, da bodo zaradi nadaljnjega tehnološkega razvoja in vse večje dostopnosti dronov ta orodja postala vse pogostejša in pomembnejša pri trajnostnem gospodarjenju z gozdovi. Zahvala Ta prispevek je nastal v okviru projekta FOREST4EU, ki je financira s strani programa Evropske unije za raziskave in inovacije Obzorje Evropa v okviru sporazuma o dodelitvi nepovratnih sredstev št. 101086216. Slika 1: Prepoznavanje superpikslov z belimi obrisi, zaznavanje osutosti krošnje z rumenimi obrisi in odmrli deli krošnje obrisani z modro. Reference Achanta R, Shaji A, Smith K, et al (2012) SLIC superpixels compared to state-of-the-art superpixel methods . Barzagli A, Nocentini S, Del Perugia B, et al (2018) L’utilizzo del telerilevamento a supporto della gestione forestale sostenibile. Primi risultati del progetto Fresh Life Demonstrating Remote Sensing Integration in Sustainable Forest Management (Life14_ENV/IT/000414). L’Italia For E Mont 73:169–194. https://doi.org/10.4129/ifm.2018.4.5.03 . Canullo R, Allegrini M-C, Campetella G (2012) Manuale nazionale di riferimento per la raccolta dei dati di vegetazione nella rete italiana CONECOFOR LII (Programma per il controllo degli ecosistemi forestali - UNECE, ICP Forests). Braun-Blanquetia 48:5–65 . Chianucci F, Puletti N, Grotti M, et al (2021) Influence of image pixel resolution on canopy cover estimation in poplar plantations from field , aerial and satellite optical imagery. Ann Silvic Res 46:8–13 . Ecke S, Dempewolf J, Frey J, et al (2022) UAVBased Forest Health Monitoring: A Systematic Review. Remote Sens 14:1–45. https://doi.org/10.3390/rs14133205 . Ecke S, Stehr F, Frey J, et al (2024) Towards operational UAV-based forest health monitoring: Species identification and crown condition assessment by means of deep learning. Comput Electron Agric 219:108785. https://doi.org/10.1016/j.compag.2024.108785 . Francini S, Chirici G (2022) A Sentinel-2 derived dataset of forest disturbances occurred in Italy between 2017 and 2020. Data Br 42:108297. https://doi.org/10.1016/j.dib.2022.108297 . Gallardo-Salazar JL, Lindig-Cisneros RA, LopezToledo L, et al (2023) Analysis of the Vigor of Pinus hartwegii Lindl. along an Altitudinal Gradient Using UAV Multispectral Images: Evidence of Forest Decline Possibly Associated with Climatic Change. Forests 14:. https://doi.org/10.3390/f14061176 . Giannetti F, Pecchi M, Travaglini D, et al (2021) Estimating VAIA windstorm damaged forest area in Italy using time series Sentinel-2 imagery and continuous change detection algorithms. 1–16. Giannetti F, Puliti S, Puletti N, et al (2020) Modelling Forest structural indices in mixed temperate forests: comparison of UAV photogrammetric DTM-independent variables and ALS variables. Ecol Indic 117:106513. https://doi.org/10.1016/j.ecolind.2020.106513 . Kautz M, Feurer J, Adler P (2024) Early detection of bark beetle (Ips typographus) infestations by remote sensing – A critical review of recent research. For Ecol Manage 556:. https://doi.org/10.1016/j.foreco.2023.121595 . Kleinsmann J, Verbesselt J, Kooistra L (2023) Monitoring Individual Tree Phenology in a MultiSpecies Forest Using High Resolution UAV Images. Remote Sens 15:1–30. https://doi.org/10.3390/rs15143599 . Lambert J, Drenou C, Denux J-P, et al (2013) Monitoring forest decline through remote sensing time series analysis. GIScience Remote Sens 50:437–457. https://doi.org/10.1080/15481603.2013.820070 . Minařík R, Langhammer J (2016) Use of a multispectral UAV photogrammetry for detection and tracking of forest disturbance dynamics. Int Arch Photogramm Remote Sens Spat Inf Sci - ISPRS Arch 41:711–718. https://doi.org/10.5194/isprsarchives-XLI-B8-7112016 . FOREST4EU Project FOREST4EU Project [email protected] Contacts Further information Francesca Giannetti, University of Florence, [email protected] forest4eu.eu Funded by the European Union (Grant n. 101086216). Views and opinions expressed are however those of the authors only and do not necessarily reflect those of the European Union or REA. Neither the European Union nor the granting authority can be held responsible for them. partners: Further information on GO SURF Operational Group Puletti N, Mattioli W, Bussotti F, Pollastrini M (2019) Monitoring the effects of extreme drought events on forest health by Sentinel-2 imagery. J Appl Remote Sens 13:1. https://doi.org/10.1117/1.jrs.13.020501 . Uporaba superpikslov SLIC na posnetkih posnetih z droni predstavlja napredno tehniko prepoznavanja in spremljanja odmrlih rastlin. S segmentacijo slik na homogena območja in uporabo pragov za vegetacijske indekse je mogoče pridobiti natančne karte problematičnih območij, kar omogoča. Raddi S, Giannetti F, Martini S, et al (2021) Monitoring drought response and chlorophyll content in Quercus by consumer-grade, nearinfrared (NIR) camera: a comparison with reflectance spectroscopy. New For. https://doi.org/10.1007/s11056-021-09848-z . Trumbore S, Brando P, Hartmann H (2015) Forest health and global change. Science (80- ) 349:814–818. https://doi.org/10.1126/science.aac6759 . Zhang L, Zhang H, Niu Y, Han W (2019) Mapping Maize Water Stress Based on UAV Multispectral Remote Sensing. Remote Sens 11:605. https://doi.org/10.3390/rs11060605 . Zou X, Liang A, Wu B, et al (2019) UAV-based high-throughput approach for fast growing Cunninghamia lanceolata (Lamb.) cultivar screening by machine learning. Forests 10:. https://doi.org/10.3390/f10090815 .