BarkVisionAI: Hızlı ağaç türü tanımlaması için yeni veri seti

Neden ağaç kabuğu ve telefon kameraları önemlidir

Ormanda yürürken genellikle yaprakları, çiçekleri veya göğe uzanan tepeleri fark ederiz. Ancak yılın büyük bölümünde—ya da yoğun, gölgeli ormanlarda—bu ipuçları eksik olabilir. Bu çalışma, ağaçların pürüzlü, desenli derisi olan kabuk ile sıradan akıllı telefon kameralarını ve modern yapay zekâyı birleştirmenin Hindistan ve potansiyel olarak dünya genelinde ağaç türlerini hızlıca tanımlamak ve ormanların sağlığını izlemek için güçlü bir araç haline gelebileceğini gösteriyor.

Ormanları görmek için yeni bir yol

BarkVisionAI’nin arkasındaki araştırmacılar, ağaçları tanıma konusunda önemli bir boşluğu doldurmayı amaçladı. Mevcut fotoğraf koleksiyonlarının çoğu yapraklar veya diğer görünür parçalar üzerine odaklanıyor; kabuk görüntülerine ayrılan az sayıdaki veri seti ise genellikle küçüktür, sınırlı bölgelere aittir ve neredeyse aynı koşullarda çekilmiştir. Bu durum, bu verilerle eğitilen bilgisayar modellerinin gerçek, karmaşık ormanlarda iyi çalışmasını zorlaştırır. BarkVisionAI, Hindistan’daki çeşitli orman tipleri ve ekolojik bölgeler boyunca 13 önemli ağaç türünden 156.001 kabuk fotoğrafı toplayarak bunu değiştiriyor. Her fotoğraf yalnızca bir görüntü değil: kesin konum, zaman ve kamera bilgileriyle ilişkilendirilmiş olup ekoloji ve yapay zekâ için zengin bir kaynak oluşturuyor.

Görüntüler nasıl toplandı

Bu kadar çok faydalı fotoğraf toplamak, ormancılık personeliyle yakın iş birliği ve Himachal Pradesh ile Odisha adlı iki Hint eyaletinde özel alan çalışması gerektirdi; bu iki eyalet birlikte sekiz ana orman tipini ve dokuz ekolojik bölgeyi kapsıyor. Orman bekçileri ve görevliler, telefonlarında dijital veri toplama platformunu kullanmaları için eğitildi; gövdeye belirli bir mesafede durma, kamerayı kabuğa dik tutma ve doğru konum kaydı alma gibi uygulamalar gösterildi. Veri toplama Ocak ile Aralık 2024 arasında, kuru mevsimler, muson ve kışı kapsayacak şekilde yürütüldü. Görüntüler sabah, öğleden sonra ve akşam farklı ışık ve hava koşullarında ve 20 üreticiden 315 farklı kamera modeli kullanılarak çekildi. Bu kasıtlı çeşitlilik, veri setinin laboratuvarın kontrol koşullarından ziyade sahadaki gerçek zorlukları yansıtmasını sağlıyor.

Dağınık gerçekliği adil bir teste dönüştürmek

Gerçek ormanlar birçok ince önyargı barındırır: belki bir tür çoğunlukla belirli bir telefonla, günün belirli bir saatinde veya tek bir rakımda fotoğraflanmıştır. Saf bir yapay zekâ modeli, gerçek kabuk desenleri yerine bu kestirme yolları “öğrenerek” hile yapabilir. Bu tuzaktan kaçınmak için ekip dikkatli bir seçim süreci tasarladı. Tam koleksiyondan tür başına tam 2.800 fotoğraf olacak şekilde toplam 36.400 görüntüden oluşan dengeli bir alt küme oluşturuldu. Her türün görüntüleri yükseklik seviyeleri, mevsimler, yaprak durumu (ağacın tepesi yapraklı mı yoksa çıplak mı olduğu), günün saatleri ve kamera modelleri arasında dağıtıldı. Bu faktörler ince taneli bir ızgarada birleştirildi ve hiçbir tek ışık koşulu, cihaz veya yükseklik baskın olmaması için görüntüler örneklenerek seçildi. Sonuç yalnızca büyük bir veri seti değil, yapay zekâ sistemlerini doğrudan kabuğa dikkat etmeye zorlayacak şekilde hazırlanmış bir veri seti oldu.

Yapay zekâyı teste sokmak

Bu dengeli veri setiyle araştırmacılar, iyi bilinen konvolüsyonel sinir ağları ve modern bir “görsel dönüştürücü” (vision transformer) modeli dahil olmak üzere birkaç popüler görüntü tanıma modelini eğitti. Tüm görüntüler standart boyutlara yeniden boyutlandırıldı ve ardından eğitim, doğrulama ve test setlerine ayrıldı. Modeller arasında ResNet50 olarak bilinen ağ en iyi performansı gösterdi ve test görüntülerinin yaklaşık %87’sinde türleri doğru şekilde tanımladı. Daha yakından bakıldığında, doğruluk özellikle düşük akşam ışığında ve çevrelerin daha karmaşık olduğu yüksek rakımlarda düştü. Bu desenler, aydınlatma, mevsim ve rakımın yapay zekâ için gerçek engeller olduğunu ve veri setinde bu faktörlerin kontrolünün modellerin gerçekten nerede zorlandığını ortaya çıkarmak için gerekli olduğunu doğruladı.

Bu durum ormanlar ve gelecekteki araçlar için ne anlama geliyor

BarkVisionAI, sıradan araçların—bir akıllı telefon ve ormanda yapılan bir yürüyüşün—hızlı ağaç tanımlaması için sofistike bir sistemi besleyebileceğini gösteriyor. Koruma uzmanları ve orman yöneticileri için bu, türlerin daha hızlı haritalanmasına, biyoçeşitliliğin daha iyi izlenmesine ve çevresel değişimlerin daha zamanında takip edilmesine kapı açıyor. Yapay zekâ araştırmacıları için ise veri seti, ince dokuları, değişen mevsimleri ve çeşitli cihazları yakalayan zorlayıcı bir ölçüt sunuyor; bu da kabuk tabanlı tanımanın henüz çözülmüş bir sorun olmadığını vurguluyor. Çalışmanın uzman olmayanlar için ana mesajı net: veri ve algoritmaları dikkatle tasarlayarak, makinelerin ağaç kabuklarına yazılmış hikâyeleri okumayı öğrenmesini sağlayabilir ve böylece ormanları daha etkili biçimde anlamamıza ve korumamıza yardımcı olabiliriz.

Atıf: Chhatre, A., Saini, N., Parmar, A.K. et al. BarkVisionAI: Novel dataset for rapid tree species identification. Sci Data 13, 343 (2026). https://doi.org/10.1038/s41597-026-06711-8

Anahtar kelimeler: ağaç tanımlama, orman izleme, biyoçeşitlilik, bilgisayarlı görü, Hindistan ormanları