Готовый для ИИ набор данных дистанционного зондирования для картирования повреждений лесов с высоким разрешением

Почему поврежденные леса важны для всех

По всей Европе леса испытывают растущее давление из‑за засух, штормов, насекомых и рубок. Эти изменения часто развиваются в небольших участках, которые трудно заметить с земли, и при этом влияют на все — от туристических ландшафтов до запасов углерода и местного климата. В исследовании представлен новый открытый набор данных, который превращает ультрадетализированные аэрофотоснимки немецких лесов в ресурс для искусственного интеллекта, значительно упрощая выявление того, где, как и почему происходят повреждения лесных насаждений.

Смотреть на лесы сверху с высокой точностью

Работа сосредоточена на Рейнланд-Пфальце, густо лесистой земле на западе Германии, где в последние десятилетия наблюдается значительное снижение состояния деревьев, особенно ели. Вместо обычных спутниковых изображений с размытой поверхностью земли в пикселях 10–30 метров авторы используют аэрофотоснимки с разрешением всего 20 сантиметров — достаточно четкие, чтобы различать отдельные кроны деревьев и узкие просеки. Каждая крупная аэрофотосцена разрезается на стандартизованные плитки размером 100 на 100 метров, формируя коллекцию примерно из 17 500 фрагментов изображений. Такой детальный взгляд позволяет с гораздо большей точностью картировать мелкие, неправильной формы очаги повреждений, которые часто пропускаются более грубыми датчиками.

Добавление невидимых цветов и высоты леса

Набор данных содержит не только обычные цветные фотографии. Каждая плитка включает пять слоев информации: красный, зеленый, синий, ближний инфракрасный и оценку высоты объектов. Ближний инфракрасный слой показывает, насколько активно происходит фотосинтез у растительности, из‑за чего ослабленные или мертвые деревья выделяются по сравнению со здоровыми. Слой высоты, полученный путем объединения цифровых моделей поверхности и рельефа, показывает высоту объектов, что помогает отличать стоящие деревья от вырубок или поваленных стволов. Вместе эти слои передают и «цвет», и «форму» лесного полога, давая моделям ИИ подсказки для различения типов повреждений.

Преобразование экспертных знаний в обучающие данные

Качественные обучающие данные — узкое место для многих проектов ИИ, и мониторинг лесов не является исключением. Для разметки изображений команда объединила полевые записи о повреждениях из национального парка и государственной системы отчетности с тщательной визуальной интерпретацией. На первом этапе полевые наблюдения рейнджеров вручную переводились в подробные полигоны повреждений. Затем современная модель компьютерного зрения была дообучена, чтобы помочь уточнить часто грубые контуры повреждений в региональной базе данных, подгоняя их к фактически поврежденным участкам, видимым на снимках. Специалисты далее просмотрели тысячи плиток в пользовательском веб‑инструменте, исправляя границы, классы и пропущенные очаги. В результате получен набор масок сегментации, помечающих каждый пиксель как повреждение короедом, вырубку, повал деревьев ветром или фон, с долей экспертного одобрения выше 90 процентов.

Насколько хорошо ИИ «читает» лес

Чтобы продемонстрировать возможности набора данных, авторы обучили популярную архитектуру глубокого обучения автоматически сегментировать типы повреждений. При использовании всех пяти каналов модель правильно классифицировала около 88 процентов пикселей, особенно хорошо показав себя на вырубках и повреждениях короедом. Дополнительный эксперимент систематически исключал входные каналы, чтобы выяснить, какие из них важнее. Исключение ближнего инфракрасного или слоя высоты привело к наибольшему падению качества, особенно при обнаружении мертвых или вырубленных участков и спутанного повала от ветра. Это подтверждает, что сочетание спектральных признаков и 3D‑структуры критично для распознавания тонких различий в типах гибели или удаления деревьев.

Что это значит для будущего наблюдения за лесами

Для неспециалистов главный вывод таков: исследование предоставляет тщательно кураторованный, общедоступный тренировочный полигон для систем ИИ, «читающих» леса сверху. Сочетая острые аэрофотоснимки с проверенными метками повреждений, оно упрощает для исследователей, агентств и даже природоохранных групп создание и сравнение автоматизированных инструментов для мониторинга состояния лесов. Хотя набор данных основан на одной земле Германии, его концепция — и опубликованный вместе с ним код — служат шаблоном для аналогичных инициатив в других местах. В долгосрочной перспективе такие ресурсы помогут обществу раньше замечать и реагировать на проблемы лесов, от отдельного насаждения до целого региона.

Цитирование: 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

Ключевые слова: повреждение лесов, дистанционное зондирование, аэрофотосъемка, глубокое обучение, короед