Ненаблюдаемое картирование разнообразия городских деревьев с использованием пространственно-осознанной визуальной кластеризации

Почему городские деревья и «умные» карты важны

Города зависят от деревьев, чтобы оставаться комфортными для жизни. Уличные деревья охлаждают горячие районы, очищают воздух и обеспечивают людям ежедневный контакт с природой. Тем не менее большинство городских властей располагают лишь приблизительными оценками о том, сколько у них разных типов деревьев и где эти деревья сосредоточены. Традиционные инвентаризации деревьев требуют выезда экспертов в каждую квартальную зону — это дорого и занимает много времени. В этом исследовании предложен способ измерять разнообразие городских деревьев, используя обычные уличные фотографии и искусственный интеллект, без предварительных пометок видов деревьев.

Видеть город через повседневные изображения

Исследователи опираются на простую идею: если мы можем обнаруживать деревья на снимках из сервисов вроде Google Street View, мы можем начать понимать городские леса в масштабе всего города. Они используют существующий набор данных, в котором деревья в восьми североамериканских городах автоматически обнаружены и привязаны к координатам. Вместо того чтобы просить алгоритм называть каждый вид дерева, новый метод ищет закономерности во внешнем виде деревьев и в том, где их высаживают. Эти закономерности превращаются в числовые «отпечатки» для каждого дерева, фиксирующие как его визуальные признаки, так и положение вдоль улиц и в районах.

Группировка похожих деревьев без знания их названий

Обладая такими отпечатками, система группирует деревья в кластеры, которые действуют как условные биологические группы. Деревья в одном кластере похожи по внешнему виду на изображениях и обычно находятся в похожем посадочном контексте. Процесс проходит несколько этапов. Сначала пространственная модель организует деревья, посаженные узнаваемыми схемами, например рядами вдоль бульвара. Затем метод отбрасывает визуальные выбросы внутри каждой группы, оставляя только те деревья, которые сильно похожи на соседей. Отброшенные деревья рассматриваются повторно и, если они похожи друг на друга, формируют новые группы или переназначаются в более подходящие. Наконец, кластеры, оказавшиеся почти идентичными, объединяются, чтобы система не была введена в заблуждение несущественными малыми различиями.

Преобразование кластеров в карты разнообразия

Когда все деревья отнесены к этим псевдогруппам, город разбивается на сетку локальных участков размером по 500 метров, представляющих сообщества деревьев на уровне квартала. В каждом квадрате сетки исследователи подсчитывают, сколько кластеров встречается и насколько равномерно деревья распределены между ними. По этим данным они вычисляют стандартные показатели разнообразия, которые используют экологи, чтобы описать богатство (сколько типов деревьев) и равномерность (преобладает ли какой‑то один тип). Затем эти показатели сопоставляют с результатами подробных наземных обследований, фиксирующих реальные роды деревьев. По всем городам ненаблюдаемая система в целом точно воспроизводит реальные паттерны разнообразия, особенно для мер, акцентирующихся на распространённых типах деревьев, а не на редких. Она также сохраняет пространственное распределение разнообразия, фиксируя как однородные посадки, так и более смешанные кварталы.

Сильные и слабые стороны, и что дальше

Подход показывает лучшие результаты в городах, где сообщества деревьев не доминируются несколькими типами и где качество изображений высоко. Он хуже справляется с редкими родами, сильным размытием для защиты приватности и в местах, где уличных фотографий мало или они устарели. Поскольку метод ориентирован на то, что видно с улицы, деревья во дворах или в удалённых парках учитываются в меньшей степени. Авторы предлагают будущие улучшения: объединять уличные виды с космическими снимками и данными лидарного сканирования или применять языково‑визуальные модели, которые лучше различают тонкие отличия между похожими деревьями.

Что это значит для более зелёных и справедливых городов

Для неспециалистов основная мысль такова: города больше не обязаны полагаться только на медленные и дорогие полевые обследования, чтобы понять свою древесную среду. Исследуя поток уже имеющихся уличных изображений, этот метод может давать подробные карты разнообразия деревьев на уровне кварталов с низкой стоимостью и обновлять их по мере появления новых снимков. Градостроители могут использовать такие карты, чтобы выявлять районы, доминируемые уязвимым типом деревьев, определять кварталы с недостатком разнообразия растительности и планировать посадки, повышающие устойчивость к вредителям, болезням и климатическим стрессам. Иными словами, исследование показывает, как объединение повседневной фотографии с умной кластеризацией может превратить сам город в живую, регулярно обновляемую карту городской природы.

Цитирование: 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

Ключевые слова: разнообразие городских деревьев, уличные панорамные изображения, ненаблюдаемая кластеризация, картирование биоразнообразия, устойчивость городов