מאגר תמונות רחפן לחלוקה סמנטית של כיסויי קרקע בגינות עירוניות במחקרי ביודיברסיטי

מדוע הגינות העירוניות נראות ממעל חשובות

כשמטיילים בגינה קהילתית רואים שטיח של שבילי דשא, ערוגות ירקות, כיסויי עשב (מלץ), אבנים ואדמה חשופה. כל אלה — "כיסויי קרקע" — משפיעים בשקט על היכולת של גינות לתמוך בדבורים, בשליטה טבעית על מזיקים ובבריאות הקרקע. עם זאת, במפות מסורתיות ובתמונות לוויין הפרטים העדינים האלה מטושטשים. המחקר הזה מראה כיצד רחפנים וטכניקות ניתוח תמונה מודרניות יכולים להתמקד בגינות עירוניות ברזולוציה מרשימה, ומספק מאגר נתונים פתוח חדש שעוזר לחוקרים ומתכננים להבין כיצד הקרקע מתחת לרגלינו תומכת בביודיברסיטי עירוני.

מגוון חבוי ברצפת הגינה

גינות עירוניות הן יותר מנקודות ירוקות דקורטיביות. כיסויי הקרקע השונים — כגון צמחי תבלין, דשא, כיסויי קש, שבבי עץ, אבנים ואדמה חשופה — מספקים מזון ומסתור למאביקים, שדות ציד לחרקים הטורפים של מזיקים ומרחב מחיה לאורגניזמים של הקרקע. יחד הם מטפלים במחזור חומרים מזינים, מונעים סחף ומחברים בתי גידול של חיות בר בשכונות בנייתיות. מאחר שהתכונות האלה משתנות במרחקים של כמה מטרים בלבד, קשה לתעד אותן בתמונות לוויין גסות או בסקרים שדה מעייפים, מה שמותיר פער מידע משמעותי עבור מי שמנסה לעצב ערים ידידותיות לחי ולצומח.

רחפנים כעדשות מגדלת מעופפות

כדי למלא את הפער הזה טסו החוקרים ברחפן קטן המצויד במצלמה על פני חמש גינות קהילתיות במינכן, גרמניה, בביקורים חוזרים ב־2021 וב־2022. מתוך 2,521 תמונות גולמיות תרמו ליצירת 24 "אורתומוזאיקות" חדות במיוחד — תמונות דמויות מפה שבהן כל פיקסל על הקרקע מייצג בין 3.2 ל־7.9 מילימטרים. מוזאיקות אלה חושפות צמחים בודדים, שבילים ושכבות מלץ בפירוט גבוה. הצוות אז עקב בעבודת יד אחר אלפי אזורים, וסימן שמונה סוגי כיסוי קרקע נפוצים: דשא, צמחים עשבוניים, פגר כגון עלים יבשים, אדמה חשופה, אבן, קש, עץ מוצק (לוחיות וגנבים) ושבבי עץ רופפים. שכבות התוויות שהתקבלו משמשות כמפות ייחוס למה שהמצלמה אכן רואה על הקרקע.

ללמד מחשבים לקרוא דפוסי גינה

עם התמונות המתויגות ביד, הצוות בחן עד כמה מודלים ממוחשבים שונים מסוגלים לזהות באופן אוטומטי כל סוג כיסוי קרקע, פיקסל אחר פיקסל. הם השוו טכניקות מסורתיות התלויות במאפייני מרקם וצבע שנבנו ידנית, לגישות למידה עמוקה שלומדות דפוסים ישירות מטלאי תמונה. כדי לשמור על מציאותיות חילקו את 24 המוזאיקות לקבוצות אימון, אימות ובדיקה נפרדות כך שהמודלים הוערכו תמיד על תמונות גינה שהם מעולם לא "ראו" במהלך האימון. שני מודלי למידה עמוקה — UNet ובמיוחד DeepLabV3+ — הציגו ביצועים טובים משמעותית על פני שיטות קלאסיות כמו יערות אקראיים ועצים מועצמים בגרדיאנט, והקצו נכון כ־93% מהפיקסלים בסך הכל וטיפלו טוב יותר בהבחנות חזותיות בעייתיות כגון אדמה לעומת אבן.

מה מציע מאגר הנתונים החדש

לב העבודה הזו הוא מאגר נתונים זמין לציבור ולא מפה אחת מושלמת. הוא כולל את המוזאיקות המלאות מרחפן, מסכות תווית תואמות, וגירסה מבוססת טלאים שקל יותר להזין לרשתות עצביות מודרניות. טבלת מטה־נתונים נלווית מפרטת פרטים כגון גובה טיסה, גודל תמונה והגדרות עיבוד, מה שהופך את הנתונים לשימושיים למגוון מטרות. חוקרים יכולים לבנות אלגוריתמים חדשים, להשוות אסטרטגיות מודלינג שונות, או לשלב מפות אלה עם מידע נוסף — כגון ספירות חרקים או דגימות קרקע — כדי לחקור כיצד תערובות ספציפיות של כיסויי קרקע תומכות ביתרונות אקולוגיים מסוימים.

מפיקסלים לערים ירוקות יותר

עבור לא־מומחים, המסקנה המרכזית היא שרחפנים כיום יכולים למפות את המרק הדק של גינות עירוניות ברזולוציה שמאפשרת למחשבים להבחין היכן נגמר הדשא והיכן מתחילים שבבי העץ. המחקר מראה שמודלים של למידה עמוקה יכולים לתרגם מוזאיקה ויזואלית זו למפות כיסוי קרקע אמינות, אשר בתורן יכולות להנחות עיצוב וניהול גינות טובים יותר לטובת ביודיברסיטי, בקרת מזיקים ובריאות הקרקע. על ידי פרסום הנתונים והקוד לציבור, המחברים מספקים בסיס לכלים עתידיים שיכולים לסייע לגננים, מתכנני ערים ואקולוגים לראות כיצד בחירות עיצוב קטנות על הקרקע מתרחבות למערכות עירוניות בריאות יותר.

ציטוט: Afrasiabian, Y., Lu, C., Belwalkar, A. et al. A drone imagery dataset for semantic segmentation of urban garden ground covers in biodiversity studies. Sci Data 13, 590 (2026). https://doi.org/10.1038/s41597-026-07152-z

מילות מפתח: גינות עירוניות, תמונות רחפן, חלוקה סמנטית, כיסוי קרקע, מעקב אחר ביודיברסיטי