En drönarbildsdatamängd för semantisk segmentering av markskikt i stadsodlingar för biodiversitetsstudier

Varför stadsodlingar sedda från ovan spelar roll

Vandra genom en koloniträdgård och du ser ett lapptäcke av grässtigar, grönsaksbäddar, täckmaterial, stenar och bar jord. Alla dessa ”markskikt” påverkar i det dolda hur väl trädgårdarna stödjer bin, naturlig skadeinsektbekämpning och friska jordar. Men på traditionella kartor och satellitbilder suddas dessa fina detaljer ihop. Denna studie visar hur drönare och moderna bildanalystekniker kan zooma in på stadsodlingar med anmärkningsvärd detaljrikedom och tillhandahåller en ny öppen datamängd som hjälper forskare och planerare att förstå hur marken under våra fötter stödjer stadens biologiska mångfald.

Gömda variationer på trädgårdsgolvet

Stadsodlingar är mer än bara dekorativa gröna ytor. Deras olika markskikt — såsom örter, gräs, halmtäcken, flis, stenar och exponerad jord — erbjuder föda och skydd för pollinatörer, jaktmarker för skadeinsektätande insekter och livsrum för jordorganismer. Tillsammans bidrar de till näringscykler, håller jorden på plats och binder samman vilda arter över annars bebyggda kvarter. Eftersom dessa inslag varierar över bara några meter är de svåra att fånga med grovkorniga satellitbilder eller tidskrävande fältinventeringar, vilket lämnar en stor informationslucka för dem som försöker utforma djurvänliga städer.

Drönare som flygande förstoringsglas

För att täppa till denna lucka flög forskarna en liten kamerautrustad drönare över fem koloniträdgårdar i München, Tyskland, vid flera tillfällen 2021 och 2022. Av 2 521 råfotografier sydde de ihop 24 ultraskarpa ”ortomosaker” — kartliknande bilder där varje pixel på marken motsvarar endast 3,2 till 7,9 millimeter. Dessa mosaiker avslöjar enskilda växter, stigar och täcklager i hög detalj. Teamet ritade sedan noggrant ut tusentals regioner för hand och märkte åtta vanliga markskikt: gräs, örtvxter, litteratur såsom döda löv, bar jord, sten, halm, solitt trä (som brädor och stockar) och löst träflis. De resulterande märkta lagren fungerar som referenskartor för vad kameran faktiskt ser på marken.

Lära datorer att läsa trädgårdsmönster

Med dessa märkta bilder i handen testade teamet hur väl olika datoralgoritmer automatiskt kan känna igen varje markskikt, pixel för pixel. De jämförde traditionella tekniker, som förlitar sig på handgjorda textur- och färgmått, med djupinlärningsmetoder som lär sig mönster direkt från bildlappar. För att hålla uppgiften realistisk delade de upp de 24 mosaikerna i separata tränings-, validerings- och testgrupper så att modellerna alltid utvärderades på trädgårdsbilder de aldrig ”sett” under träning. Två djupinlärningsmodeller — UNet och särskilt DeepLabV3+ — presterade tydligt bättre än klassiska metoder som Random Forests och gradientförstärkta träd, och klassade korrekt omkring 93 % av pixlarna totalt samt hanterade visuellt svåra skillnader som jord kontra sten mycket bättre.

Vad den nya datamängden erbjuder

Kärnan i detta arbete är en öppet tillgänglig datamängd snarare än en enskild färdig karta. Den inkluderar de fullständiga drönarmosajerna, matchande etikettmasker och en patchbaserad version som är lättare att mata in i moderna neurala nätverk. En medföljande metadata-tabell listar detaljer såsom flyghöjd, bildstorlek och bearbetningsinställningar, vilket gör datan återanvändbar för många ändamål. Forskare kan bygga nya algoritmer, jämföra olika modelleringsstrategier eller kombinera dessa kartor med annan information — såsom insektsräkningar eller jordprover — för att utforska hur specifika markskiktsblandningar stödjer särskilda ekologiska fördelar.

Från pixlar till grönare städer

För icke-specialister är huvudslutsatsen att drönare nu kan kartlägga den finmaskiga strukturen i stadsodlingar med tillräcklig detalj för att datorer ska kunna avgöra var gräset slutar och träflisen börjar. Studien visar att djupinlärningsmodeller kan översätta denna visuella mosaik till tillförlitliga markskartor, vilket i sin tur kan informera bättre trädgårdsdesign och förvaltning för biologisk mångfald, skadedjurskontroll och jordhälsa. Genom att publicera sina data och sin kod öppet ger författarna en grund för framtida verktyg som kan hjälpa trädgårdsmästare, stadsplanerare och ekologer att se hur små designval på marknivå skalar upp till friskare urbana ekosystem.

Citering: 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

Nyckelord: stadsodlingar, drönarbilder, semantisk segmentering, markskikt, övervakning av biologisk mångfald