En UAV RGB-datamängd och metod för segmentering av individuella trädkronor för övervakning av biologisk mångfald

Varför det spelar roll att räkna träd från skyn

Friska skogar reglerar tyst vårt klimat, lagrar kol och skyddar otaliga arter. Att följa hur enskilda träd växer, dör eller drabbas av sjukdom över stora områden är dock oerhört svårt med enbart fältarbete. Denna studie visar hur kommersiellt tillgängliga kameradrönare och smart bildanalys automatiskt kan avgränsa individuella trädkronor i täta tropiska skogar. Den förmågan är ett viktigt steg mot detaljerad, prisvärd övervakning av biologisk mångfald och bättre skogsförvaltning i en värld som blir varmare.

Att urskilja enskilda träd i ett hav av grönt

Ovanifrån ser en mogen skog ofta ut som ett obrutet täcke av löv. I verkligheten består den av många överlappande trädkronor av olika arter och storlekar. För att förstå skogens hälsa eller kolinnehåll behöver forskare veta var ett träd slutar och nästa börjar. Denna uppgift, kallad segmentering av individuella trädkronor, är särskilt svår i täta tropiska skogar där grannkronor flyter ihop och skuggor, årstidsvariationer och liknande former förvirrar både människor och algoritmer. Traditionella metoder missar ofta träd, slår ihop flera träd till ett, eller kräver dyra sensorer som lasrar. Författarna satsar istället på att få mer gjort med enkla färgfoton tagna från drönare, som är långt billigare och enklare att använda över hela världen.

En ny bildsamling av tropiska skogar

För att lära upp och testa sina algoritmer skapade forskarna en ny bildsamling kallad ForestSeg. Med två kommersiellt tillgängliga drönare över en artfattighetsrik skog nära Hanoi, Vietnam, genomförde de fyra fältkampanjer på olika höjder och under olika månader. Från dessa flygningar byggde de högupplösta flygfoton som sedan delades i små kvadratiska patchar, vardera 1024 x 1024 pixlar, som typiskt innehåller 6 till 10 träd. Människliga experter ritade noggrant ut konturen för varje synlig krona och skapade totalt 2 944 annoterade patchar fördelade på fyra delmängder. Eftersom bilderna täcker olika säsonger och höjder fångar ForestSeg förändringar i ljus, lövfärg och upplevd trädstorlek, vilket gör det till ett krävande test för metoder som vill fungera tillförlitligt över tid.

Bryta ner träd i bitar för att hitta hela kronor

I stället för att försöka rita trädkronor i ett enda steg utvecklade teamet en tvåstegsstrategi kallad TreeCoG. Först genomför de medveten "översegmentering" av kronan. Ett modernt kantdetekteringsnätverk markerar fina gränser i drönarbilden och delar upp skogen i många små konturfragment som sannolikt inte innehåller delar av flera träd samtidigt. Därefter omvandlas dessa fragment till noder i en graf där närliggande bitar kopplas ihop och jämförs. För varje fragment mäter metoden enkla formegenskaper som area och avlånghet, och analyserar också hur lika två intilliggande patchar ser ut i färg och textur. Ett graf-neuralt nätverk lär sig då, från många markerade exempel, vilka intilliggande fragment som hör till samma träd och bör slås ihop, och vilka som tillhör olika träd och måste hållas isär. Resultatet blir en uppsättning masker som avgränsar individuella kronor mer prydligt än tidigare metoder.

Hur väl metoden fungerar i praktiken

För att bedöma prestanda jämförde författarna TreeCoG med populära djupinlärningsverktyg för objektsegmentering, inklusive Mask R-CNN och de senaste YOLO-modellerna. På ForestSeg uppnådde TreeCoG högst noggrannhet samtidigt som det kördes snabbare än konkurrenterna, vilket gör metoden attraktiv för undersökningar över stora områden. Den presterade också starkt på en oberoende europeisk referensdatamängd kallad BAMFORESTS, vilket visar att tillvägagångssättet kan överföras till skogar i andra regioner. Genom att analysera resultat över de fyra ForestSeg-delmängderna visar studien också hur tid på dygnet, årstid och flyghöjd påverkar framgång: skarpare bilder och lägre solvinklar tenderar att ge tydligare krongränser, men metoden är robust även när förhållandena är mindre idealiska.

Vad detta betyder för skogar och biologisk mångfald

Enkelt uttryckt visar detta arbete att prisvärda drönare och smarta algoritmer pålitligt kan urskilja enskilda träd i några av jordens mest komplexa skogar. ForestSeg-datamängden ger forskare en krävande ny referens, och TreeCoG erbjuder ett praktiskt recept för att omvandla råa flygfoton till detaljerade kartor över trädkronor. Dessa kartor kan användas i senare steg som artigenkänning, tillväxtövervakning och hälsobedömning, och hjälper i slutändan forskare och skogsförvaltare att övervaka biologisk mångfald och kolförråd oftare och över större områden än vad som varit möjligt med enbart fältinventeringar.

Citering: 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

Nyckelord: drönarskogbruk, kartläggning av trädkronor, övervakning av biologisk mångfald, fjärranalys, djupinlärningssegmentering