Zbiór danych z teledetekcji gotowy dla sztucznej inteligencji do mapowania zniszczeń lasów o wysokiej rozdzielczości

Dlaczego uszkodzone lasy mają znaczenie dla nas wszystkich

W całej Europie lasy są pod rosnącą presją suszy, burz, owadów i wycinek. Zmiany te mogą przebiegać w małych łatach, trudnych do zauważenia z poziomu terenu, a mimo to wpływają na wszystko — od krajobrazów wędrownych po magazynowanie węgla i lokalny klimat. W tym badaniu przedstawiono nowy otwarty zbiór danych, który zamienia ultradokładne zdjęcia lotnicze lasów niemieckich w paliwo dla sztucznej inteligencji, znacznie ułatwiając wykrywanie gdzie, jak i dlaczego lasy ulegają uszkodzeniom.

Widzieć lasy z góry w drobiazgowej ostrości

Praca koncentruje się na Nadrenii-Palatynacie, gęsto zalesionym kraju związkowym w zachodnich Niemczech, który w ostatnich dekadach doświadczył silnego pogorszenia kondycji drzew, zwłaszcza świerków. Zamiast polegać na popularnych obrazach satelitarnych, które rozmazują powierzchnię ziemi do pikseli o boku 10–30 metrów, autorzy wykorzystują zdjęcia lotnicze o rozdzielczości zaledwie 20 centymetrów — wystarczająco ostre, by rozróżnić pojedyncze korony drzew i wąskie polanki. Każdą dużą scenę lotniczą dzieli się na standardowe kafelki 100 na 100 metrów, tworząc zbiór około 17 500 wycinków obrazu. Ten drobiazgowy widok pozwala zmapować małe, nieregularne łaty zniszczeń, które często umykają czujnikom o niższej rozdzielczości, z dużo większą precyzją.

Dodawanie niewidocznych barw i wysokości lasu

Zbiór danych to nie tylko zwykłe zdjęcia kolorowe. Każdy kafelek zawiera pięć warstw informacji: czerwoną, zieloną, niebieską, bliską podczerwień oraz przybliżenie wysokości obiektów. Bliska podczerwień ujawnia, jak intensywnie rośliny prowadzą fotosyntezę, dzięki czemu osłabione lub obumarłe drzewa odróżniają się od zdrowych. Warstwa wysokości, stworzona przez połączenie modeli wysokości powierzchni i terenu, pokazuje jak wysokie są obiekty, co pomaga rozróżnić stojące drzewa od wyrębów czy powalonych pni. Razem te warstwy oddają zarówno „kolor”, jak i „kształt” okapu leśnego, dostarczając modelom AI wskazówek potrzebnych do rozróżniania różnych typów zniszczeń.

Przekształcanie wiedzy ekspertów w dane treningowe

Dane treningowe wysokiej jakości to wąskie gardło wielu projektów AI, i monitoring lasów nie jest wyjątkiem. Aby oznakować obrazy, zespół połączył zapisy zniszczeń z terenu parku narodowego i ogólnostanowego systemu zgłoszeń z dokładną interpretacją wizualną. W pierwszym kroku obserwacje terenowe leśniczych zostały przekształcone ręcznie w szczegółowe poligony zniszczeń. Następnie nowoczesny model widzenia komputerowego został dopasowany, by pomóc w wygładzeniu często nieprecyzyjnych zarysów zniszczeń w szerokiej bazie regionalnej, dopasowując je do faktycznie uszkodzonych obszarów widocznych na zdjęciach. Specjaliści następnie przejrzeli tysiące kafelków za pomocą dedykowanego narzędzia webowego, korygując granice, klasy i pominięcia. Efektem jest zestaw masek segmentacyjnych, gdzie każdy piksel oznaczono jako uszkodzenie przez kornika, wyręb, powalenie przez wiatr lub tło, z akceptacją ekspercką przekraczającą 90 procent.

Jak dobrze AI potrafi czytać las

Aby pokazać możliwości zbioru danych, autorzy wytrenowali popularną architekturę uczenia głębokiego do automatycznej segmentacji typów zniszczeń. Korzystając ze wszystkich pięciu kanałów, model poprawnie sklasyfikował około 88 procent pikseli, szczególnie dobrze radząc sobie z wyrębami i uszkodzeniami przez kornika. Dodatkowy eksperyment systematycznie usuwał kanały wejściowe, aby sprawdzić, które z nich mają największe znaczenie. Usunięcie warstwy bliskiej podczerwieni lub wysokości spowodowało największy spadek wydajności, zwłaszcza przy wykrywaniu obumarłych lub wyciętych drzew oraz splątanych powaleń wiatrowych. Potwierdza to, że łączenie wskazań spektralnych ze strukturą 3D jest kluczowe do rozpoznawania subtelnych różnic w sposobach obumierania lub usuwania drzew.

Co to oznacza dla przyszłego monitoringu lasów

Dla osób niebędących specjalistami główny wniosek jest taki, że badanie dostarcza starannie wyselekcjonowane, otwarcie dostępne pole treningowe dla systemów AI „czytających” lasy z lotu ptaka. Łącząc ostre zdjęcia lotnicze z zaufanymi etykietami zniszczeń, ułatwia badaczom, agencjom, a nawet organizacjom ochrony przyrody budowanie i porównywanie zautomatyzowanych narzędzi do śledzenia kondycji lasów. Choć zbiór danych opiera się na jednym niemieckim kraju związkowym, jego konstrukcja — oraz kod wydany wraz z nim — stanowi wzorzec dla podobnych przedsięwzięć gdzie indziej. W dłuższej perspektywie zasoby tego typu mogą pomóc społeczeństwu szybciej zauważać i reagować na problemy w lasach, na skalach od pojedynczego drzewostanu po cały region.

Cytowanie: Rodríguez-Paulino, E., Stoffels, J., Schlerf, M. et al. An AI-ready remote sensing dataset for high-resolution forest disturbance mapping. Sci Data 13, 490 (2026). https://doi.org/10.1038/s41597-026-07084-8

Słowa kluczowe: zniszczenia lasu, teledetekcja, fotografia lotnicza, uczenie głębokie, kornik