Nie nadzorowane mapowanie różnorodności drzew miejskich z użyciem przestrzennie świadomego wizualnego grupowania

Dlaczego drzewa miejskie i inteligentne mapy mają znaczenie

Miasta polegają na drzewach, by pozostać znośnymi do życia. Drzewa przyuliczne ochładzają rozgrzane dzielnice, oczyszczają powietrze i codziennie zapewniają mieszkańcom kontakt z przyrodą. Tymczasem większość władz miejskich ma co najwyżej przybliżone pojęcie, ile gatunków drzew rośnie w mieście i gdzie są one skupione. Tradycyjne inwentaryzacje drzew wymagają ekspertów odwiedzających każdą ulicę — to kosztowne i czasochłonne. W tym badaniu przedstawiono metodę mierzenia różnorodności drzew miejskich przy użyciu zwykłych zdjęć ulicznych i sztucznej inteligencji, bez potrzeby wcześniejszego oznaczania gatunków.

Postrzeganie miasta przez codzienne obrazy

Naukowcy wychodzą od prostej idei: jeśli potrafimy wykrywać drzewa na zdjęciach z usług takich jak Google Street View, możemy zacząć rozumieć miejski las w skali całego miasta. Wykorzystują istniejący zestaw danych, w którym drzewa w ośmiu miastach Ameryki Północnej zostały automatycznie wykryte i powiązane z lokalizacjami. Zamiast prosić algorytm o określenie gatunku każdego drzewa, nowa metoda poszukuje wzorców w wyglądzie drzew i w miejscach, gdzie są sadzone. Przekształca te wzorce w numeryczne „odciski” każdego drzewa, obejmujące zarówno jego wygląd wizualny, jak i pozycję wzdłuż ulic i w sąsiedztwach.

Grupowanie podobnych drzew bez znajomości ich nazw

Dysponując tymi odciskami, system grupuje drzewa w klastry pełniące rolę zastępczych jednostek biologicznych. Drzewa w tym samym klastrze wyglądają podobnie na zdjęciach i zwykle mają podobne konteksty nasadzeń. Proces przebiega etapami. Najpierw model przestrzenny porządkuje drzewa sadzone w rozpoznawalnych wzorcach, takich jak rzędy wzdłuż bulwaru. Następnie metoda odrzuca wizualne odstępstwa w obrębie każdej grupy, zachowując tylko drzewa silnie podobne do sąsiadów. Odrzucone drzewa są ponownie analizowane i — jeśli przypominają siebie nawzajem — formowane w nowe grupy lub przypisywane do lepiej pasujących klastrów. Na koniec klastry, które okazują się praktycznie identyczne, są łączone, aby system nie był zwodniczo rozdzielony przez drobne, nieistotne różnice.

Przekształcanie klastrów w mapy różnorodności

Gdy wszystkie drzewa zostaną przypisane do tych pseudo-grup, miasto dzieli się na siatkę lokalnych obszarów o bokach 500 metrów, reprezentujących społeczność drzew na poziomie sąsiedztwa. W każdej komórce siatki badacze zliczają, ile klastrów się pojawia i jak równomiernie drzewa rozkładają się między nimi. Z tych zliczeń obliczają standardowe wskaźniki różnorodności stosowane przez ekologów do opisu zarówno bogactwa (ile rodzajów drzew), jak i równowagi (czy jeden rodzaj dominuje). Następnie porównują te wskaźniki z wynikami szczegółowych badań terenowych, które rejestrują rzeczywiste rodzaje drzew. W miastach system bez nadzoru w dużej mierze odtwarza wzorce rzeczywistej różnorodności, zwłaszcza dla miar podkreślających pospolite typy drzew bardziej niż rzadkie. Zachowuje też przestrzenne rozmieszczenie różnorodności, wychwytując zarówno jednolite nasadzenia, jak i bardziej zróżnicowane bloki.

Mocne strony, ograniczenia i dalsze kierunki

Podejście najlepiej działa w miastach, gdzie społeczności drzew nie są zdominowane przez zaledwie kilka gatunków i gdzie jakość zdjęć jest wysoka. Ma większe trudności z rzadkimi rodzajami, silnym rozmyciem z powodów prywatności oraz w miejscach, gdzie zdjęć ulicznych jest niewiele lub są przestarzałe. Ponieważ metoda koncentruje się na tym, co widać z ulicy, drzewa ukryte na podwórkach czy we wnętrzach parków są niedoszacowane. Autorzy proponują przyszłe ulepszenia, takie jak łączenie tych widoków ulicznych z obrazami satelitarnymi i danymi lidarowymi, albo wykorzystanie modeli łączących język i obraz, które lepiej wychwycą subtelne różnice między podobnie wyglądającymi drzewami.

Co to oznacza dla bardziej zielonych i sprawiedliwych miast

Dla odbiorców niebędących specjalistami kluczowy wniosek jest taki, że miasta nie muszą już polegać wyłącznie na wolnych i kosztownych inwentaryzacjach terenowych, aby rozumieć swoje zasoby drzewne. Wykorzystując potok istniejących zdjęć ulicznych, ta metoda może wytwarzać szczegółowe, sąsiedzkie mapy różnorodności drzew tanio i powtarzalnie, gdy pojawi się nowa dokumentacja fotograficzna. Planiści miejscy mogliby użyć tych map, by wykrywać obszary zdominowane przez jeden wrażliwy typ drzewa, identyfikować dzielnice pozbawione zróżnicowanej roślinności oraz projektować programy nasadzeń zwiększające odporność na szkodniki, choroby i stres klimatyczny. Krótko mówiąc, badanie pokazuje, jak połączenie codziennej fotografii z inteligentnym grupowaniem może przekształcić samo miasto w żywą, regularnie aktualizowaną mapę miejskiej przyrody.

Cytowanie: Abuhani, D.A., Seccaroni, M., Mazzarello, M. et al. Unsupervised mapping of urban tree diversity using spatially-aware visual clustering. Sci Rep 16, 10440 (2026). https://doi.org/10.1038/s41598-026-37043-7

Słowa kluczowe: różnorodność drzew miejsckich, obrazy z widoku ulicy, niezależne grupowanie, mapowanie bioróżnorodności, odporność miejska