Zestaw danych RGB z UAV i metoda segmentacji pojedynczych koron drzew do monitorowania bioróżnorodności

Dlaczego liczenie drzew z nieba ma znaczenie

Zdrowe lasy cicho regulują nasz klimat, magazynują węgiel i stanowią schronienie dla niezliczonych gatunków. Jednak śledzenie, jak pojedyncze drzewa rosną, umierają lub chorują na rozległych obszarach, jest niezwykle trudne wyłącznie z pracy terenowej. W tym badaniu pokazano, jak powszechnie dostępne drony z kamerami i sprytna analiza obrazów mogą automatycznie wyznaczać zarysy pojedynczych koron drzew w gęstych lasach tropikalnych. Ta możliwość to kluczowy krok w kierunku szczegółowego, przystępnego cenowo monitoringu bioróżnorodności i lepszego zarządzania lasami w ocieplającym się świecie.

Dostrzeganie pojedynczych drzew w oceanie zieleni

Z lotu ptaka dojrzały las często wygląda jak nieprzerwany dywan liści. W rzeczywistości składa się z licznych nachodzących na siebie koron drzew różnych gatunków i rozmiarów. Aby zrozumieć stan zdrowia lasu lub magazynowanie węgla, naukowcy muszą wiedzieć, gdzie kończy się jedno drzewo, a zaczyna następne. To zadanie, zwane segmentacją instancji koron drzew, jest szczególnie trudne w gęstych lasach tropikalnych, gdzie sąsiadujące korony zlewają się ze sobą, a cienie, zmienność sezonowa i podobne kształty mylą zarówno ludzi, jak i algorytmy. Tradycyjne metody albo pomijają drzewa, łączą kilka drzew w jedno, albo wymagają drogich czujników, jak lasery. Autorzy koncentrują się natomiast na osiągnięciu więcej przy użyciu prostych zdjęć kolorowych wykonanych z dronów, które są znacznie tańsze i łatwiejsze do zastosowania na całym świecie.

Nowa biblioteka zdjęć lasów tropikalnych

Aby nauczyć i przetestować swoje algorytmy, badacze stworzyli nowy zbiór obrazów o nazwie ForestSeg. Używając dwóch komercyjnie dostępnych dronów nad lasem o wysokiej różnorodności biologicznej w pobliżu Hanoi w Wietnamie, przeprowadzili cztery kampanie na różnych wysokościach i w różnych miesiącach. Z tych lotów zbudowali obrazy o wysokiej rozdzielczości z lotu ptaka, a następnie podzielili je na małe kwadratowe łatki, każda o rozmiarze 1024 na 1024 pikseli, które zazwyczaj zawierają 6–10 drzew. Eksperci ludzie starannie odrysowali zarys każdej widocznej korony, tworząc łącznie 2944 adnotowane łatki w czterech podzbiorach. Ponieważ loty obejmują różne pory roku i wysokości, ForestSeg rejestruje zmiany oświetlenia, barwy liści i pozornego rozmiaru drzew, co czyni go wymagającym poligonem testowym dla każdej metody, która ma działać niezawodnie w czasie.

Dzieląc drzewa na fragmenty, by odnaleźć całe korony

Zamiast próbować narysować zarysy drzew za jednym zamachem, zespół zaprojektował dwuetapową strategię nazwaną TreeCoG. Najpierw celowo „nadsegmentują” koronę. Nowoczesna sieć wykrywania krawędzi zaznacza drobne granice na obrazie z drona, dzieląc koronę na wiele małych kawałków konturowych, które raczej nie zawierają części kilku drzew jednocześnie. Po drugie, te fragmenty są zamieniane na węzły w grafie, gdzie pobliskie kawałki są łączone i porównywane. Dla każdego fragmentu metoda mierzy proste właściwości kształtu, takie jak powierzchnia i wydłużenie, a także analizuje, jak podobne są dwa sąsiadujące fragmenty pod względem koloru i tekstury. Grafowa sieć neuronowa uczy się następnie, na podstawie wielu oznaczonych przykładów, które sąsiednie fragmenty należą do tego samego drzewa i powinny zostać połączone, a które należą do różnych drzew i muszą pozostać oddzielne. Wynikiem jest zestaw masek wyraźniej wyznaczających pojedyncze korony niż wcześniejsze podejścia.

Jak metoda sprawdza się w praktyce

Aby ocenić wydajność, autorzy porównali TreeCoG z popularnymi narzędziami do segmentacji obiektów opartymi na uczeniu głębokim, w tym Mask R-CNN i najnowszymi modelami YOLO. Na zbiorze ForestSeg TreeCoG osiągnął najwyższą dokładność, jednocześnie działając szybciej niż konkurencyjne metody, co czyni go atrakcyjnym do badań na dużych obszarach. Dobrze wypadł także na niezależnym europejskim zbiorze referencyjnym znanym jako BAMFORESTS, co pokazuje, że podejście można przenieść do lasów w innych regionach. Analiza wyników w czterech podzbiorach ForestSeg ujawnia ponadto, jak pora dnia, sezon i wysokość lotu wpływają na skuteczność: ostrzejsze obrazy i niższe kąty padania słońca zazwyczaj dają wyraźniejsze granice koron, ale metoda pozostaje odporna nawet wtedy, gdy warunki nie są idealne.

Co to oznacza dla lasów i bioróżnorodności

Mówiąc prosto, praca ta pokazuje, że niedrogie drony i inteligentne algorytmy mogą wiarygodnie wyodrębniać pojedyncze drzewa w niektórych z najbardziej złożonych lasów na Ziemi. Zbiór ForestSeg daje badaczom wymagający nowy punkt odniesienia, a TreeCoG oferuje praktyczną receptę na przekształcanie surowych zdjęć lotniczych w szczegółowe mapy koron drzew. Takie mapy mogą zasilać dalsze etapy, takie jak rozpoznawanie gatunków, śledzenie wzrostu i ocena stanu zdrowia, ostatecznie pomagając naukowcom i zarządcom lasów monitorować bioróżnorodność i zasoby węglowe częściej i na większych obszarach niż było to możliwe przy samych badaniach terenowych.

Cytowanie: 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

Słowa kluczowe: leśnictwo z dronów, mapowanie koron drzew, monitorowanie bioróżnorodności, teledetekcja, segmentacja z wykorzystaniem uczenia głębokiego