Een UAV-RGB-dataset en methode voor instance tree crown-segmentatie voor biodiversiteitsmonitoring

Waarom bomen tellen vanuit de lucht ertoe doet

Gezonde bossen reguleren geruisloos ons klimaat, slaan koolstof op en bieden onderdak aan talloze soorten. Toch is het over grote gebieden extreem moeilijk om bij te houden hoe individuele bomen groeien, sterven of lijden aan ziekten als je alleen mensen op de grond inzet. Deze studie toont hoe kant-en-klare cameradrones en slimme beeldanalyse automatisch individuele boomkronen kunnen omlijnen in dichte tropische bossen. Die mogelijkheid is een belangrijke stap naar gedetailleerde, betaalbare monitoring van biodiversiteit en beter bosbeheer in een opwarmende wereld.

Individuele bomen zien in een zee van groen

Van bovenaf lijkt een volwassen bos vaak op een ononderbroken tapijt van bladeren. In werkelijkheid bestaat het uit vele overlappende boomkronen van verschillende soorten en groottes. Om bosgezondheid of koolstofopslag te begrijpen, moeten wetenschappers weten waar de ene boom eindigt en de volgende begint. Deze taak, instance tree crown-segmentatie genoemd, is vooral moeilijk in dichte tropische bossen, waar aangrenzende kronen in elkaar overlopen en schaduwen, seizoensvariatie en vergelijkbare vormen zowel mensen als algoritmen verwarren. Traditionele methoden missen bomen, smelten meerdere bomen tot één samen of vereisen dure sensoren zoals lasers. De auteurs richten zich in plaats daarvan op het doen van meer met eenvoudige kleurenfoto’s gemaakt met drones, die veel goedkoper en makkelijker inzetbaar zijn wereldwijd.

Een nieuwe beeldbibliotheek van tropische bossen

Om hun algoritmen te trainen en te testen, creëerden de onderzoekers een nieuwe afbeeldingscollectie genaamd ForestSeg. Met twee commercieel verkrijgbare drones boven een biodiversiteitsrijk bos nabij Hanoi, Vietnam, voerden ze vier campagnes uit op verschillende hoogtes en in verschillende maanden. Uit deze vluchten bouwden ze hoogresolutie luchtopnamen en sneden die vervolgens in kleine vierkante patches, elk 1024 bij 1024 pixels, die typisch 6 tot 10 bomen bevatten. Menselijke experts tekenden zorgvuldig de omtrek van elke zichtbare kroon, wat resulteerde in in totaal 2.944 geannoteerde patches verdeeld over vier subsets. Omdat de vluchten seizoenen en hoogtes omvatten, legt ForestSeg veranderingen vast in belichting, bladkleur en schijnbare boomgrootte, wat het een veeleisende testomgeving maakt voor elke methode die betrouwbaar in de tijd wil werken.

Bomen in stukjes hakken om hele kronen te vinden

In plaats van te proberen boomomtrekken in één keer te tekenen, ontwierp het team een tweestapsstrategie genaamd TreeCoG. Eerst voeren ze bewust een "over-segmentatie" van het bladerdak uit. Een modern randdetectienetwerk markeert fijne randen in de dronefoto en hakt het bos in vele kleine contourstukjes, die waarschijnlijk niet meerdere bomen tegelijk bevatten. Vervolgens worden deze stukjes omgezet in knopen in een graaf, waar nabijgelegen fragmenten verbonden en vergeleken worden. Voor elk fragment meet de methode eenvoudige vormeigenschappen zoals oppervlakte en verlenging, en analyseert ook hoe twee aangrenzende patches op kleur en textuur op elkaar lijken. Een graph neural network leert dan, uit vele gelabelde voorbeelden, welke aangrenzende fragmenten bij dezelfde boom horen en samengevoegd moeten worden, en welke bij verschillende bomen horen en gescheiden moeten blijven. Het resultaat is een set maskers die individuele kronen netter omlijnen dan eerdere benaderingen.

Hoe goed de methode in de praktijk werkt

Om de prestaties te beoordelen vergeleken de auteurs TreeCoG met populaire deep-learningtools voor objectsegmentatie, waaronder Mask R-CNN en de nieuwste YOLO-modellen. Op ForestSeg behaalde TreeCoG de hoogste nauwkeurigheid terwijl het ook sneller draaide dan concurrenten, wat het aantrekkelijk maakt voor grootschalige inventarisaties. Het presteerde ook goed op een onafhankelijke Europese benchmarkdataset bekend als BAMFORESTS, wat aantoont dat de aanpak overdraagbaar is naar bossen in andere regio’s. Door resultaten over de vier ForestSeg-subsets heen te analyseren, toont de studie verder aan hoe tijd van de dag, seizoen en vlieghoogte het succes beïnvloeden: scherpere beelden en lagere zonhoeken geven meestal duidelijkere kroonranden, maar de methode blijft robuust zelfs wanneer de omstandigheden minder ideaal zijn.

Wat dit betekent voor bossen en biodiversiteit

In eenvoudige termen laat dit werk zien dat goedkope drones en slimme algoritmen betrouwbaar individuele bomen kunnen herkennen in enkele van de meest complexe bossen op aarde. De ForestSeg-dataset biedt onderzoekers een uitdagende nieuwe benchmark, en TreeCoG biedt een praktische methode om ruwe luchtfoto’s om te zetten in gedetailleerde kaarten van boomkronen. Die kaarten kunnen weer worden gebruikt voor volgende stappen zoals soortherkenning, groeitracking en gezondheidsbeoordeling, en helpen uiteindelijk wetenschappers en bosbeheerders om biodiversiteit en koolstofvoorraden vaker en over grotere gebieden te monitoren dan met veldonderzoek alleen mogelijk is geweest.

Bronvermelding: 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

Trefwoorden: drone bosbouw, boomkroon in kaart brengen, monitoring van biodiversiteit, remote sensing, deep learning segmentatie