Un dataset RGB da UAV e un metodo per la segmentazione delle chiome arboree a livello di istanza per il monitoraggio della biodiversità

Perché contare gli alberi dal cielo è importante

Le foreste sane regolano silenziosamente il nostro clima, immagazzinano carbonio e ospitano innumerevoli specie. Tuttavia monitorare la crescita, la mortalità o le malattie di alberi singoli su vaste aree è estremamente difficile affidandosi soltanto a osservazioni da terra. Questo studio mostra come droni con telecamere commerciali e un'analisi intelligente delle immagini possano delineare automaticamente le singole chiome in foreste tropicali dense. Questa capacità è un passo fondamentale verso un monitoraggio della biodiversità dettagliato ed economico e una gestione forestale migliore in un mondo che si riscalda.

Riconoscere gli alberi individuali in un mare di verde

Visti dall'alto, boschi maturi spesso appaiono come un tappeto continuo di foglie. In realtà sono composti da molte chiome sovrapposte di specie e dimensioni diverse. Per valutare la salute della foresta o lo stoccaggio di carbonio, gli scienziati devono sapere dove finisce un albero e dove inizia il successivo. Questo compito, chiamato segmentazione delle chiome a livello di istanza, è particolarmente difficile nelle foreste tropicali dense, dove le chiome dei vicini si fondono tra loro e ombre, stagionalità e forme simili confondono sia gli umani sia gli algoritmi. I metodi tradizionali o non rilevano gli alberi, o uniscono più alberi in uno solo, o richiedono sensori costosi come i laser. Gli autori invece si concentrano sul fare di più con semplici fotografie a colori scattate da droni, molto più economiche e facili da impiegare in tutto il mondo.

Una nuova libreria di immagini delle foreste tropicali

Per addestrare e testare i loro algoritmi, i ricercatori hanno creato una nuova raccolta di immagini chiamata ForestSeg. Utilizzando due droni commerciali su una foresta ricca di biodiversità vicino ad Hanoi, Vietnam, hanno effettuato quattro campagne a diverse altezze e in mesi differenti. Da questi voli hanno generato immagini aeree ad alta risoluzione e le hanno poi suddivise in piccole tessere quadrate, ciascuna di 1024 per 1024 pixel, che tipicamente contengono 6-10 alberi. Esperti umani hanno tracciato con cura il contorno di ogni chioma visibile, creando un totale di 2.944 tessere annotate distribuite in quattro sottoinsiemi. Poiché i voli coprono stagioni e altitudini diverse, ForestSeg cattura variazioni di illuminazione, colore delle foglie e dimensione apparente degli alberi, rendendolo un banco di prova impegnativo per qualsiasi metodo che dichiari affidabilità nel tempo.

Spezzare gli alberi in pezzi per ricostruire le chiome intere

Piuttosto che tentare di disegnare i contorni degli alberi in un unico passaggio, il team ha progettato una strategia in due fasi chiamata TreeCoG. Prima, ha deliberatamente "sovra-segmentato" la chioma. Una rete moderna per il rilevamento dei bordi individua confini fini nell'immagine da drone, suddividendo la foresta in molti piccoli frammenti di contorno che è improbabile contengano parti di più alberi contemporaneamente. Secondo, questi frammenti vengono trasformati in nodi di un grafo, dove i pezzi vicini sono connessi e confrontati. Per ogni frammento il metodo misura proprietà geometriche semplici come area ed elongazione, e analizza anche quanto due patch adiacenti siano simili in colore e texture. Una rete neurale grafica impara quindi, a partire da molti esempi etichettati, quali frammenti vicini appartengono allo stesso albero e dovrebbero essere uniti, e quali appartengono ad alberi diversi e devono rimanere separati. Il risultato è un insieme di maschere che delineano le singole chiome in modo più pulito rispetto ad approcci precedenti.

Quanto funziona bene il metodo nella pratica

Per valutare le prestazioni, gli autori hanno confrontato TreeCoG con popolari strumenti di deep learning per la segmentazione di oggetti, inclusi Mask R-CNN e i più recenti modelli YOLO. Su ForestSeg, TreeCoG ha ottenuto l'accuratezza più elevata pur operando più rapidamente dei concorrenti, rendendolo interessante per indagini su aree estese. Ha inoltre mostrato buone prestazioni su un dataset di benchmark europeo indipendente conosciuto come BAMFORESTS, dimostrando che l'approccio può trasferirsi a foreste di altre regioni. Analizzando i risultati attraverso i quattro sottoinsiemi di ForestSeg, lo studio rivela inoltre come ora del giorno, stagione e quota di volo influenzino il successo: immagini più nitide e angoli solari più bassi tendono a fornire confini delle chiome più chiari, ma il metodo resta robusto anche quando le condizioni sono meno che ideali.

Cosa significa tutto ciò per le foreste e la biodiversità

In termini semplici, questo lavoro dimostra che droni economici e algoritmi intelligenti possono identificare in modo affidabile alberi singoli in alcune delle foreste più complesse del pianeta. Il dataset ForestSeg offre ai ricercatori un nuovo benchmark esigente, e TreeCoG propone una ricetta pratica per trasformare foto aeree grezze in mappe dettagliate delle chiome. Queste mappe possono alimentare fasi successive come il riconoscimento delle specie, il monitoraggio della crescita e la valutazione dello stato di salute, aiutando infine scienziati e gestori forestali a monitorare più frequentemente e su aree più vaste la biodiversità e gli stock di carbonio rispetto a quanto fosse possibile con sole indagini sul campo.

Citazione: Do, M.V.H., Phung, DT., Pham, H.D.L. et al. A UAV RGB dataset and method for instance tree crown segmentation for biodiversity monitoring. Sci Rep 16, 5788 (2026). https://doi.org/10.1038/s41598-026-36541-y

Parole chiave: foresta con droni, mappatura delle chiome, monitoraggio della biodiversità, telerilevamento, segmentazione con deep learning