造林輔助工具包:更簡單有效的造林

2076062 2022-11-14 | zip | 0.03 MB | 次下載 | 免費

資料介紹

描述

動機

氣候變化已成為一項全球性挑戰，也是當代乃至未來幾代人面臨的最大挑戰之一。氣候變化是颶風、野火、超級干旱等自然災害背后的主要原因。氣候變化背后的主要原因之一是森林砍伐。森林砍伐是由于野火、人類住區擴張、資源快速砍伐、農業活動等造成的森林覆蓋減少。森林在碳封存中起著至關重要的作用。森林的破壞以及植物和土壤等生物質的最終退化是二氧化碳和其他溫室氣體排放的第二大貢獻者。這最終導致越來越多的溫室氣體進入大氣，進一步加劇了這個問題。此外

森林砍伐導致雨林和泥炭地等最能有效捕獲大氣二氧化碳的生態系統面積減少，
根據世界銀行的數據，從 1990 年到 2016 年，世界失去了 502, 000 平方英里（130 萬平方公里）的森林——面積比南非還大，
在過去的 50 年里，大約17%的亞馬遜雨林遭到破壞，而且最近損失還在增加，
截至2019 年，森林砍伐約占全球溫室氣體排放量的11% 。

顯然，森林是應對氣候變化的關鍵。有許多預防方法可以對抗森林砍伐。但治療性解決方案同樣重要。造林，包括造林（創造新的森林覆蓋）和重新造林（在受毀林影響的地區重新種植），是最簡單但最重要的解決方案。

什么是造林？

造林首先是在自然有樹木（重新造林）或自然缺乏任何森林（造林）的地區種植樹木。這涉及確定合適的位置，并分析不同的因素，如土壤質量、氣候、本地生物多樣性和人類活動。通過細致的分析和遵循著名的“宮脅方法”（大阪大學Akira Miyawaki博士）、整體計劃放牧（Alan Savory教授）等有效的造林技術，許多地方的森林覆蓋物已經恢復或發芽，導致

增加土壤肥力和地下水保持力
增加當地生物多樣性
更多的自然資源、更清潔的空氣以及隨之而來的更好的健康

但挑戰是...

有效的造林有一定的學習曲線。需要環境科學、動物學、植物學等領域的必要科學知識，以確保正在種植的森林能夠長期存在并且不會對當地的生物多樣性產生任何不利影響。例如，始于 1978 年的中國“綠墻”倡議，從戈壁沙漠開始防治荒漠化。已經看到了一些積極的影響，例如

減緩荒漠化，以及
沙塵暴頻率下降

但是，也有一些問題是由不當的造林做法引起的。許多種植在不自然生長的地方的樹木，幾年后就會枯萎。那些存活下來的植物會吸收大量原生草和灌木所需的地下水，從而導致更多的土壤退化。如果在這種情況下造林持續超過土地的承載能力，它將導致樹木最終死亡。因此，重要的是要容易且容易地獲得必要的知識，以確保此類造林工作取得成果。

另一個挑戰是技術知識阻礙了普通人在植樹造林工作中發揮獨立積極的作用。科學知識不是每個人都能理解的，可能會引起人們的猶豫。確保成功造林所需的技術知識對普通人來說是不容易獲得的，他們希望獨立地去各個地方植樹，以取得最好的結果。

所以現在怎么辦？

關于適當造林的影響因素有足夠的數據。通過對與造林相關的科學的一般理解，如土壤特征、天氣條件、空氣質量等，并利用所有相關的科學數據，我們可以構建一個基于機器學習的解決方案，不僅可以使造林工作快速有效，而且也簡化了流程。該解決方案可以讓基于機器學習模型的軟件針對實時傳感器數據（例如來自 PH 傳感器或濕度傳感器或空氣質量傳感器的數據）運行，以提供數據驅動的推薦. 該建議將告訴我們，在給定的環境中，建議種植哪種樹，這樣種植的樹木才能健康，并對當地環境產生積極影響。

該解決方案將有所幫助

1.專業人員，通過減少分析和決策時間，幫助他們更快、更高效、更有效地工作，以及

2.普通人，通過簡化造林過程，并希望激勵更多的人自己做。

這是基于機器學習的解決方案，是我的項目“造林援助工具包”的核心。

造林輔助工具包（第一個原型）

什么是造林援助工具包？

Forestation Assistance Kit是一個ML on Edge解決方案，旨在就在某個地點種植哪些樹木提出合理的數據驅動建議，從而使 Forestation 變得簡單、快速和有效。

我構建的原型使用 Quicklogic 的Quickfeather和 Particle Photon作為大腦。使用的三個傳感器是 -花園 PH 計（由于鎖定而無法獲得合適的 PH 套件）、電容式土壤濕度傳感器和MQ135 空氣質量傳感器。我通過拔出模擬信號引腳并將其發送到 Photon 來使用 Garden PH Meter 進行處理。我還使用Adafruit ADS1015 ADC通過I2C將模擬傳感器數據發送到 Quickfeather。整個系統由9V電池供電，通過7805晶體管調節至5V，帶有搖臂開關，非常適合用例，因為我們的目標是在收到推薦之前2-3 分鐘的有限操作。

1 / 8 ?帶有 USB-TTL 轉換器的 Quickfeather

對于我的用例，我的目標是 3 棵樹 - Banyan、Neem和Peepal 。榕樹是非常有名的印度樹，具有宗教意義。印楝具有許多草藥益處，并且被稱為是一種空氣凈化樹。Peepal也是印度一種非常普遍的樹。這些樹在我所在的地區很常見，所以這就是我針對它們的原因。我繼續研究了哪種土壤和空氣條件最適合每種植物。根據我的發現，榕樹需要高水分，印楝適合空氣質量差的地區，而Peepal在堿性土壤中生長良好。

對于您選擇的植物，可以遵循類似的過程。

硬件組裝

將 Photon 和 Quickfeather 放在面包板上并在它們之間連接接地引腳
將 Photon 的 3.3V 和 Gnd 連接到水分和氣體傳感器和 ADS1015
將水分和氣體傳感器的模擬引腳分別連接到 ADC 的 A1 和 A2 引腳
通過打開背面并焊接一些電線來拉出 PH 計的模擬引腳。將模擬正極連接到 Photon 上的 A0 引腳。然后將 Photon 的 DAC 引腳連接到 ADC 的 A0 引腳。
將 I2C 引腳從 ADC 連接到 Quickfeather..
將 Quickfeather 的 UART 引腳連接到 Photon 的 UART1 端口（TX 和 RX 引腳）。

主要電子設備（請原諒磁帶、破舊的跳線和損壞的 Quickfeather）

對于電源，將 7405 放在面包板上，并在輸入接地引腳上并聯一個電容器。然后將輸出和接地引腳連接到 Photon 上的 Vin 和接地引腳。
將 7405 輸出連接到 Quickfeather 上的 VBat 引腳
取一個 9V 電池連接器并將正極連接到分接開關。將分接開關的另一端連接到 7405 的輸入引腳。連接電池連接器和 7405 的接地。

動力

在這里，我使用跳線連接器連接電源部分和主要電子設備。這就是結果！

通電的主要電子設備（有點亂，但工作正常）

現在進入軟件工作！

軟件工作

對于Photon ，可以在鏈接的 Github 存儲庫中找到代碼。建議通過 Particle Web IDE 進行編程，詳細信息請參見此處。該代碼非常不言自明。基本上，程序設置了一些變量，等待 2 分鐘讓 MQ135 傳感器升溫，然后從 Garden PH 計讀取模擬讀數。然后將其轉換為 2 個模擬 PH 值（100 或 4000）之一，以指示土壤的性質。然后它通過它的 DAC 引腳輸出該信號。然后它讀取結果從 Quickfeather 上運行的 ML 模型，對其進行處理并輸出 ML 模型推薦的樹的名稱，可以通過Particle IOT App或通過您的粒子帳戶的用戶控制臺讀取。

對于軟件的 Quickfeather 方面，您有必要在此處閱讀 Quicklogic 人員提供的指南。然后通過這個Hackster 項目實際嘗試如何使用 Quickfeather 的軟件。此外，要更好地了解 SensiML 軟件，請查看他們的教程系列。

首先下載給定的 Qorc-Sdk 并執行完整的設置。我們將使用 qf_apps 文件夾中的 qf_ssi_ai_app 項目。
下一步是為樹識別 ML 模型執行數據收集和標記。我們首先需要對 qf_ssi_ai_app 項目的文件進行一些修改。您可以按照說明簡單地替換我在下面的 GitHub 中提供的文件。
在更改之后，構建可執行文件并將其刷新到 Quickfeather（如Quicklogic 的優秀人員在此處提供的詳細 GitHub 文檔中給出的那樣）。
無需更改設備插件文件，因為我們使用 3 個模擬通道，與板載 IMU 相同。
將 USB-TTL（套件中提供的 CP2101）轉換器連接到 Quickfeather 的 UART 引腳，以將傳感器數據流式傳輸到 SensiML 數據采集實驗室。
接收到傳感器數據后，繼續記錄數據并將其保存在您的 SensiML 項目中。
繼續為您所針對的不同類型的樹標記數據。