Zestaw danych obrazów z drona do segmentacji semantycznej pokrycia gruntu w miejskich ogrodach w badaniach bioróżnorodności

Dlaczego ogrody miejskie widziane z góry mają znaczenie

Przejdź się po ogrodzie społecznym, a zobaczysz mozaikę trawiastych ścieżek, grządek warzywnych, ściółki, kamieni i odsłoniętej gleby. Wszystkie te „pokrycia gruntu” w subtelny sposób wpływają na to, jak dobrze ogrody wspierają pszczoły, naturalną kontrolę szkodników i zdrowie gleby. Jednak na tradycyjnych mapach i zdjęciach satelitarnych te drobne szczegóły zlewają się ze sobą. Badanie pokazuje, jak drony i nowoczesne techniki analizy obrazów potrafią przybliżyć miejskie ogrody w zadziwiających szczegółach, dostarczając nowy, otwarty zestaw danych, który pomaga naukowcom i planistom zrozumieć, jak podłoże pod naszymi stopami wspiera miejską bioróżnorodność.

Ukryta różnorodność na podłożu ogrodu

Ogrody miejskie to coś więcej niż dekoracyjne zielone plamy. Różne pokrycia gruntu — takie jak zioła, trawa, ściółki ze słomy, zrębki drewniane, kamienie i odsłonięta gleba — oferują pożywienie i schronienie dla zapylaczy, miejsca łowów dla owadów zjadających szkodniki oraz przestrzeń życiową dla organizmów glebowych. Wspólnie pomagają krążyć składnikom odżywczym, utrzymywać glebę na miejscu i łączyć dziką faunę w ramach zabudowanych dzielnic. Ponieważ te cechy zmieniają się na odległościach rzędu zaledwie kilku metrów, trudno je uchwycić za pomocą gruboskalowych zdjęć satelitarnych lub czasochłonnych badań terenowych, co tworzy poważną lukę informacyjną dla osób projektujących przyjazne dla dzikiej przyrody miasta.

Drony jako latające lupy

Aby zamknąć tę lukę, badacze zlecieli mały dron wyposażony w kamerę nad pięcioma ogrodami społecznymi w Monachium w Niemczech podczas kilku wizyt w 2021 i 2022 roku. Z 2 521 surowych fotografii złożyli 24 ultraczyste „ortomozaiki” — obrazy przypominające mapy, w których każdy piksel na ziemi odpowiada zaledwie 3,2–7,9 milimetra. Te mozaiki ujawniają pojedyncze rośliny, ścieżki i warstwy ściółki w wysokiej rozdzielczości. Zespół następnie starannie odręcznie obrysował tysiące obszarów, oznaczając osiem powszechnych typów pokrycia gruntu: trawę, rośliny zielne, litter (np. martwe liście), odsłoniętą glebę, kamień, słomę, stałe drewno (takie jak deski i kłody) oraz luźne zrębki drewniane. Powstałe warstwy etykiet działają jako mapy odniesienia dla tego, co kamera rzeczywiście widzi na gruncie.

Nauczanie komputerów odczytywania wzorów w ogrodach

Mając te oznakowane obrazy, zespół sprawdził, jak dobrze różne modele komputerowe potrafią automatycznie rozpoznawać każdy typ pokrycia gruntu, piksel po pikselu. Porównali techniki tradycyjne, oparte na ręcznie opracowanych miarach tekstury i koloru, z podejściami uczenia głębokiego, które uczą się wzorców bezpośrednio z fragmentów obrazu. Aby zadanie było realistyczne, podzielili 24 mozaiki na oddzielne grupy treningowe, walidacyjne i testowe, tak aby modele zawsze były oceniane na obrazach ogrodów, których nie „widziały” podczas treningu. Dwa modele głębokiego uczenia — UNet i szczególnie DeepLabV3+ — wyraźnie przewyższyły klasyczne metody, takie jak Random Forests i drzewa zwiększające gradient, poprawnie przypisując około 93% pikseli ogółem i znacznie lepiej radząc sobie z wizualnie trudnymi rozróżnieniami, takimi jak gleba kontra kamień.

Co oferuje nowy zestaw danych

Rdzeniem tej pracy jest otwarcie dostępny zestaw danych, a nie pojedyncza gotowa mapa. Zawiera pełne mozaiki z drona, odpowiadające im maski etykiet oraz wersję opartą na fragmentach (patchach), łatwiejszą do wprowadzenia do nowoczesnych sieci neuronowych. Towarzysząca tabela metadanych podaje szczegóły takie jak wysokość lotu, rozmiar obrazu i ustawienia przetwarzania, co ułatwia ponowne wykorzystanie danych do różnych celów. Naukowcy mogą tworzyć nowe algorytmy, porównywać różne strategie modelowania lub łączyć te mapy z innymi informacjami — takimi jak liczenie owadów czy próbki gleby — aby badać, jak konkretne mieszanki pokryć gruntu wspierają określone korzyści ekologiczne.

Od pikseli do bardziej zielonych miast

Dla osób niebędących specjalistami główne przesłanie jest takie, że drony mogą dziś odwzorować drobną strukturę ogrodów miejskich z wystarczającą szczegółowością, by komputery mogły odróżnić, gdzie kończy się trawa, a zaczynają zrębki drewniane. Badanie pokazuje, że modele uczenia głębokiego potrafią przetłumaczyć tę wizualną mozaikę na wiarygodne mapy pokrycia gruntu, które z kolei mogą informować lepszy projekt i zarządzanie ogrodami w celu zwiększenia bioróżnorodności, kontroli szkodników i zdrowia gleby. Publikując swoje dane i kod publicznie, autorzy tworzą podstawę pod przyszłe narzędzia, które mogą pomóc ogrodnikom, planistom miejskim i ekologom zobaczyć, jak małe decyzje projektowe na poziomie gruntu przekładają się na zdrowsze ekosystemy miejskie.

Cytowanie: 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

Słowa kluczowe: ogrody miejskie, obrazowanie z drona, segmentacja semantyczna, pokrycie gruntu, monitoring bioróżnorodności