造林辅助工具包:更简单有效的造林

描述

动机

气候变化已成为一项全球性挑战，也是当代乃至未来几代人面临的最大挑战之一。气候变化是飓风、野火、超级干旱等自然灾害背后的主要原因。气候变化背后的主要原因之一是森林砍伐。森林砍伐是由于野火、人类住区扩张、资源快速砍伐、农业活动等造成的森林覆盖减少。森林在碳封存中起着至关重要的作用。森林的破坏以及植物和土壤等生物质的最终退化是二氧化碳和其他温室气体排放的第二大贡献者。这最终导致越来越多的温室气体进入大气，进一步加剧了这个问题。此外

• 森林砍伐导致雨林和泥炭地等最能有效捕获大气二氧化碳的生态系统面积减少，
• 根据世界银行的数据，从 1990 年到 2016 年，世界失去了 502, 000 平方英里（130 万平方公里）的森林——面积比南非还大，
• 在过去的 50 年里，大约17%的亚马逊雨林遭到破坏，而且最近损失还在增加，
• 截至2019 年，森林砍伐约占全球温室气体排放量的11% 。

显然，森林是应对气候变化的关键。有许多预防方法可以对抗森林砍伐。但治疗性解决方案同样重要。造林，包括造林（创造新的森林覆盖）和重新造林（在受毁林影响的地区重新种植），是最简单但最重要的解决方案。

什么是造林？

造林首先是在自然有树木（重新造林）或自然缺乏任何森林（造林）的地区种植树木。这涉及确定合适的位置，并分析不同的因素，如土壤质量、气候、本地生物多样性和人类活动。通过细致的分析和遵循着名的“宫胁方法”（大阪大学Akira Miyawaki博士）、整体计划放牧（Alan Savory教授）等有效的造林技术，许多地方的森林覆盖物已经恢复或发芽，导致

• 增加土壤肥力和地下水保持力
• 增加当地生物多样性
• 更多的自然资源、更清洁的空气以及随之而来的更好的健康

但挑战是...

有效的造林有一定的学习曲线。需要环境科学、动物学、植物学等领域的必要科学知识，以确保正在种植的森林能够长期存在并且不会对当地的生物多样性产生任何不利影响。例如，始于 1978 年的中国“绿墙”倡议，从戈壁沙漠开始防治荒漠化。已经看到了一些积极的影响，例如

• 减缓荒漠化，以及
• 沙尘暴频率下降

 

但是，也有一些问题是由不当的造林做法引起的。许多种植在不自然生长的地方的树木，几年后就会枯萎。那些存活下来的植物会吸收大量原生草和灌木所需的地下水，从而导致更多的土壤退化。如果在这种情况下造林持续超过土地的承载能力，它将导致树木最终死亡。因此，重要的是要容易且容易地获得必要的知识，以确保此类造林工作取得成果。

另一个挑战是技术知识阻碍了普通人在植树造林工作中发挥独立积极的作用。科学知识不是每个人都能理解的，可能会引起人们的犹豫。确保成功造林所需的技术知识对普通人来说是不容易获得的，他们希望独立地去各个地方植树，以取得最好的结果。

所以现在怎么办？

关于适当造林的影响因素有足够的数据。通过对与造林相关的科学的一般理解，如土壤特征、天气条件、空气质量等，并利用所有相关的科学数据，我们可以构建一个基于机器学习的解决方案，不仅可以使造林工作快速有效，而且也简化了流程。该解决方案可以让基于机器学习模型的软件针对实时传感器数据（例如来自 PH 传感器或湿度传感器或空气质量传感器的数据）运行，以提供数据驱动的推荐. 该建议将告诉我们，在给定的环境中，建议种植哪种树，这样种植的树木才能健康，并对当地环境产生积极影响。

该解决方案将有所帮助

1.专业人员，通过减少分析和决策时间，帮助他们更快、更高效、更有效地工作，以及

2.普通人，通过简化造林过程，并希望激励更多的人自己做。

这是基于机器学习的解决方案，是我的项目“造林援助工具包”的核心。

什么是造林援助工具包？

Forestation Assistance Kit是一个ML on Edge解决方案，旨在就在某个地点种植哪些树木提出合理的数据驱动建议，从而使 Forestation 变得简单、快速和有效。

我构建的原型使用 Quicklogic 的Quickfeather和 Particle Photon作为大脑。使用的三个传感器是 -花园 PH 计（由于锁定而无法获得合适的 PH 套件）、电容式土壤湿度传感器和MQ135 空气质量传感器。我通过拔出模拟信号引脚并将其发送到 Photon 来使用 Garden PH Meter 进行处理。我还使用Adafruit ADS1015 ADC通过I2C将模拟传感器数据发送到 Quickfeather。整个系统由9V电池供电，通过7805晶体管调节至5V，带有摇臂开关，非常适合用例，因为我们的目标是在收到推荐之前2-3 分钟的有限操作。

 

 

 

 

1 / 8 •带有 USB-TTL 转换器的 Quickfeather

 

对于我的用例，我的目标是 3 棵树 - Banyan、Neem和Peepal 。榕树是非常有名的印度树，具有宗教意义。印楝具有许多草药益处，并且被称为是一种空气净化树。Peepal也是印度一种非常普遍的树。这些树在我所在的地区很常见，所以这就是我针对它们的原因。我继续研究了哪种土壤和空气条件最适合每种植物。根据我的发现，榕树需要高水分，印楝适合空气质量差的地区，而Peepal在碱性土壤中生长良好。

 

对于您选择的植物，可以遵循类似的过程。

硬件组装

• 将 Photon 和 Quickfeather 放在面包板上并在它们之间连接接地引脚
• 将 Photon 的 3.3V 和 Gnd 连接到水分和气体传感器和 ADS1015
• 将水分和气体传感器的模拟引脚分别连接到 ADC 的 A1 和 A2 引脚
• 通过打开背面并焊接一些电线来拉出 PH 计的模拟引脚。将模拟正极连接到 Photon 上的 A0 引脚。然后将 Photon 的 DAC 引脚连接到 ADC 的 A0 引脚。
• 将 I2C 引脚从 ADC 连接到 Quickfeather..
• 将 Quickfeather 的 UART 引脚连接到 Photon 的 UART1 端口（TX 和 RX 引脚）。

主要电子设备（请原谅磁带、破旧的跳线和损坏的 Quickfeather）

 

• 对于电源，将 7405 放在面包板上，并在输入接地引脚上并联一个电容器。然后将输出和接地引脚连接到 Photon 上的 Vin 和接地引脚。
• 将 7405 输出连接到 Quickfeather 上的 VBat 引脚
• 取一个 9V 电池连接器并将正极连接到分接开关。将分接开关的另一端连接到 7405 的输入引脚。连接电池连接器和 7405 的接地。

动力

 

在这里，我使用跳线连接器连接电源部分和主要电子设备。这就是结果！

通电的主要电子设备（有点乱，但工作正常）

 

现在进入软件工作！

软件工作

对于Photon ，可以在链接的 Github 存储库中找到代码。建议通过 Particle Web IDE 进行编程，详细信息请参见此处。该代码非常不言自明。基本上，程序设置了一些变量，等待 2 分钟让 MQ135 传感器升温，然后从 Garden PH 计读取模拟读数。然后将其转换为 2 个模拟 PH 值（100 或 4000）之一，以指示土壤的性质。然后它通过它的 DAC 引脚输出该信号。然后它读取结果从 Quickfeather 上运行的 ML 模型，对其进行处理并输出 ML 模型推荐的树的名称，可以通过Particle IOT App或通过您的粒子帐户的用户控制台读取。

 

对于软件的 Quickfeather 方面，您有必要在此处阅读 Quicklogic 人员提供的指南。然后通过这个Hackster 项目实际尝试如何使用 Quickfeather 的软件。此外，要更好地了解 SensiML 软件，请查看他们的教程系列。

• 首先下载给定的 Qorc-Sdk 并执行完整的设置。我们将使用 qf_apps 文件夹中的 qf_ssi_ai_app 项目。
• 下一步是为树识别 ML 模型执行数据收集和标记。我们首先需要对 qf_ssi_ai_app 项目的文件进行一些修改。您可以按照说明简单地替换我在下面的 GitHub 中提供的文件。
• 在更改之后，构建可执行文件并将其刷新到 Quickfeather（如Quicklogic 的优秀人员在此处提供的详细 GitHub 文档中给出的那样）。
• 无需更改设备插件文件，因为我们使用 3 个模拟通道，与板载 IMU 相同。
• 将 USB-TTL（套件中提供的 CP2101）转换器连接到 Quickfeather 的 UART 引脚，以将传感器数据流式传输到 SensiML 数据采集实验室。
• 接收到传感器数据后，继续记录数据并将其保存在您的 SensiML 项目中。
• 继续为您所针对的不同类型的树标记数据。

 

 

 

 

1 / 3 •榕树

 

• 然后继续打开您的 Analytics Studio，根据 SensiML 文档准备数据，构建模型，然后以库格式下载最终生成的知识包。

 

 

 

 

1 / 2

 

• 使用这个库，并替换 qf_ssi_ai_app 目录中的现有知识包。然后再次构建项目并在 Quickfeather 上刷新可执行文件。
• 最终结果将如下所示

 

然后您可以移除 USB-TTL 转换器并连接 Quickfeather 和 Photon 的 UART 端口以完成该过程。

在行动

完成的原型

和一个工作演示

进一步的工作

以下是我认为可以改进的地方

• 将 GPS 添加到 ML 模型预测中
• 质量更好的传感器
• 更多数据和更广泛的参数集，使套件更加通用