Набор данных с дронов для семантической сегментации покрытий почвы в городских садах в исследованиях биоразнообразия

Почему городские сады важны при взгляде сверху

Пройдитесь по общественному саду, и вы увидите лоскутное покрывало из травяных дорожек, грядок, мульчи, камней и оголённой почвы. Все эти «покрытия почвы» незаметно определяют, насколько хорошо сады поддерживают пчёл, естественный контроль вредителей и здоровье почвы. Однако на традиционных картах и спутниковых снимках эти тонкие детали сливаются в одно. В этом исследовании показано, как дроны и современные методы анализа изображений позволяют подробно рассматривать городские сады, а также представлен новый открытый набор данных, помогающий учёным и планировщикам понять, как покрытие земли под нашими ногами поддерживает городское биоразнообразие.

Скрытое разнообразие на поверхности сада

Городские сады — это не просто декоративные зелёные пятна. Их разнообразные покрытия почвы — такие как травы, травянистые растения, соломенная мульча, древесная щепа, камни и оголённая почва — предоставляют пищу и укрытие для опылителей, охотничьи угодья для хищных насекомых и жизненное пространство для почвенных организмов. В совокупности они способствуют круговороту питательных веществ, удержанию почвы и соединяют дикую природу в пределах застроенных районов. Поскольку такие особенности меняются на расстояниях всего в несколько метров, их трудно зафиксировать с помощью грубых спутниковых снимков или трудоёмких полевых обследований, что оставляет значительный информационный пробел для тех, кто проектирует города, благоприятные для дикой природы.

Дроны как летающие увеличительные стёкла

Чтобы закрыть этот пробел, исследователи летали небольшим дроном с камерой над пятью общественными садами в Мюнхене, Германия, во время нескольких визитов в 2021 и 2022 годах. Из 2521 исходной фотографии они собрали 24 ультра-резких «ортомозаики» — картоподобных изображения, в которых каждый пиксель на земле соответствует всего 3,2–7,9 миллиметра. Эти мозаики выявляют отдельные растения, дорожки и слои мульчи с высокой детализацией. Команда затем вручную аккуратно обвела тысячи областей, помечая восемь распространённых типов покрытий почвы: траву, травянистые растения, опад (например, сухие листья), оголённую почву, камень, солому, цельную древесину (доски и бревна) и рыхлую древесную щепу. Полученные слои разметки служат эталонными картами того, что камера действительно видит на земле.

Обучение компьютеров распознавать узоры сада

Имея эти размеченные изображения, команда проверила, насколько хорошо разные компьютерные модели могут автоматически распознавать каждый тип покрытия почвы по пикселям. Они сравнили традиционные методы, основанные на вручную разработанных признаках текстуры и цвета, с методами глубокого обучения, которые извлекают шаблоны прямо из фрагментов изображений. Чтобы сохранить реалистичность задачи, 24 мозаики разделили на отдельные наборы для обучения, валидации и тестирования, так что модели всегда оценивались на изображениях садов, которых они не видели во время обучения. Две модели глубокого обучения — UNet и особенно DeepLabV3+ — заметно превзошли классические методы, такие как случайные леса и градиентный бустинг, правильно классифицируя около 93% пикселей в целом и гораздо лучше справляясь с визуально сложными различиями, например между почвой и камнем.

Что даёт новый набор данных

Сердцем этой работы является открыто доступный набор данных, а не один готовый картографический продукт. Он включает полные дроновые мозаики, соответствующие маски разметки и версию, разбитую на патчи, которую легче подать в современные нейронные сети. Сопроводительная таблица метаданных содержит сведения о высоте полёта, размере изображений и настройках обработки, что делает данные пригодными для повторного использования в различных целях. Исследователи могут разрабатывать новые алгоритмы, сравнивать разные стратегии моделирования или сочетать эти карты с другими данными — например, с учётом насекомых или проб почвы — чтобы изучать, как конкретные смеси покрытий почвы поддерживают те или иные экологические преимущества.

От пикселей к более зелёным городам

Для неспециалистов главный вывод таков: дроны теперь могут картировать тонкую структуру городских садов с таким уровнем детализации, что компьютеры различают, где заканчивается трава и начинается древесная щепа. Исследование показывает, что модели глубокого обучения способны преобразовывать эту визуальную мозаику в надёжные карты покрытий почвы, которые, в свою очередь, могут помочь в лучшем проектировании и управлении садами в интересах биоразнообразия, контроля вредителей и здоровья почв. Публикуя свои данные и код, авторы создают основу для будущих инструментов, которые помогут садоводам, городским планировщикам и экологам увидеть, как небольшие решения на земле масштабируются до более здоровых городских экосистем.

Цитирование: 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

Ключевые слова: городские сады, съёмка с дрона, семантическая сегментация, покрытие почвы, мониторинг биоразнообразия