Набор данных RGB с БПЛА и метод сегментации индивидуальных крон деревьев для мониторинга биоразнообразия

Почему важно считать деревья с высоты

Здоровые леса незаметно регулируют климат, накапливают углерод и служат убежищем для множества видов. Тем не менее отслеживать рост, гибель или болезни отдельных деревьев на больших территориях чрезвычайно трудно, если полагаться только на наземные наблюдения. В этом исследовании показано, как доступные коммерческие дроны с камерами и продвинутый анализ изображений могут автоматически выделять границы отдельных крон в плотных тропических лесах. Эта возможность — ключевой шаг к детальному и доступному мониторингу биоразнообразия и лучшему управлению лесами в условиях глобального потепления.

Распознавание отдельных деревьев в море зелени

Сверху зрелый лес часто выглядит как непрерывный ковер листвы. На самом деле он состоит из множества перекрывающихся крон разных видов и размеров. Чтобы понять состояние леса или запасы углерода, ученым нужно знать, где кончается одна крона и начинается другая. Эта задача, называемая инстанс-сегментацией крон деревьев, особенно сложна в плотных тропических лесах, где соседние кроны сливаются, а тени, сезонные изменения и похожие формы сбивают с толку как людей, так и алгоритмы. Традиционные подходы либо пропускают деревья, либо объединяют несколько деревьев в одну крону, либо требуют дорогих датчиков, таких как лазеры. Авторы сосредоточились на том, чтобы добиться большего при помощи простых цветных фотографий с дронов, которые гораздо дешевле и проще в развёртывании по всему миру.

Новая библиотека изображений тропических лесов

Для обучения и тестирования алгоритмов исследователи создали новый сборник изображений под названием ForestSeg. Используя два коммерчески доступных дрона над биологически богатым лесом неподалеку от Ханоя, Вьетнам, они провели четыре кампании съёмки на разных высотах и в разные месяцы. Из этих полётов построили высокоразрешённые ортоизображения и разрезали их на небольшие квадратные патчи размером 1024×1024 пикселей, каждый из которых обычно содержит 6–10 деревьев. Эксперты вручную аккуратно обвели контуры каждой видимой кроны, создав в общей сложности 2 944 аннотированных патча по четырем подмножествам. Поскольку полёты охватывают разные сезоны и высоты, ForestSeg фиксирует изменения освещения, окраски листвы и видимого размера деревьев, что делает его требовательной тестовой площадкой для методов, претендующих на надежную работу во времени.

Разбиение крон на фрагменты, чтобы найти целые деревья

Вместо того чтобы пытаться сразу вывести окончательные контуры деревьев, команда разработала двухэтапную стратегию под названием TreeCoG. Сначала они намеренно «пере-сегментируют» полог. Современная сеть обнаружения границ отмечает тонкие границы на снимке с дрона, разрезая лес на множество мелких контурных фрагментов, которые вряд ли содержат части нескольких деревьев одновременно. Затем эти фрагменты превращаются в узлы графа, где соседние кусочки соединяются и сопоставляются. Для каждого фрагмента метод измеряет простые геометрические характеристики, такие как площадь и вытянутость, а также оценивает, насколько похожи два соседних патча по цвету и текстуре. Графовая нейронная сеть затем обучается на множестве размеченных примеров, чтобы распознавать, какие соседние фрагменты принадлежат одной кроны и должны быть объединены, а какие — разным деревьям и должны оставаться отдельными. В результате получаются маски, которые аккуратнее очерчивают отдельные кроны по сравнению с ранними подходами.

Насколько хорошо метод работает на практике

Для оценки производительности авторы сравнили TreeCoG с популярными инструментами глубинного обучения для сегментации объектов, включая Mask R-CNN и современные модели YOLO. На ForestSeg TreeCoG показал наивысшую точность и при этом работал быстрее конкурентов, что делает его привлекательным для обследований больших территорий. Он также показал хорошие результаты на независимом европейском бенчмарке BAMFORESTS, что свидетельствует о переносимости подхода на леса других регионов. Анализ результатов по четырем подмножествам ForestSeg дополнительно выявил, как время суток, сезон и высота полёта влияют на успех: более чёткие изображения и низкие углы падения солнца обычно дают более ясные границы крон, но метод остаётся устойчивым даже при менее благоприятных условиях.

Что это значит для лесов и биоразнообразия

Проще говоря, работа демонстрирует, что недорогие дроны и умные алгоритмы могут надёжно выделять отдельные деревья в одних из самых сложных лесов на Земле. Набор данных ForestSeg предоставляет исследователям новую требовательную эталонную выборку, а TreeCoG предлагает практичный рецепт превращения сырых аэрофотоснимков в детализированные карты крон деревьев. Эти карты могут стать основой для последующих шагов, таких как распознавание видов, отслеживание роста и оценка состояния здоровья, в конечном счёте помогая учёным и лесоуправлениям чаще и на больших территориях мониторить биоразнообразие и запасы углерода, чем это возможно при одних лишь полевых обследованиях.

Цитирование: 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

Ключевые слова: лесоводство с дронами, картирование крон деревьев, мониторинг биоразнообразия, дистанционное зондирование, сегментация глубокими нейросетями