Biyoçeşitlilik izleme için örnek ağaç tepesi segmentasyonu yöntemine ve İHA RGB veri setine dair çalışma

Gökyüzünden ağaç saymanın önemi

Sağlıklı ormanlar sessizce iklimimizi düzenler, karbon depolar ve sayısız türe barınak sağlar. Ancak geniş alanlarda bireysel ağaçların nasıl büyüdüğünü, öldüğünü veya hastalıktan nasıl etkilendiğini yerdeki ekiplerle izlemek son derece zordur. Bu çalışma, hazır kamera taşınabilir İHA’lar ve akıllı görüntü analizinin yoğun tropik ormanlarda tek tek ağaç tepelerini otomatik olarak nasıl sınırlayabileceğini gösteriyor. Bu yetenek, ayrıntılı ve uygun maliyetli biyoçeşitlilik izlemenin ve ısınan bir dünyada daha iyi orman yönetiminin önemli bir adımıdır.

Yeşillikler denizinde bireysel ağaçları görmek

Yukarıdan bakıldığında olgun bir orman çoğu zaman kesintisiz bir yaprak halısı gibi görünür. Gerçekte ise farklı tür ve boylardaki birçok örtüşen ağaç tepesinden oluşur. Orman sağlığı veya karbon depolama bilgisini anlamak için bir ağacın nerede bittiğini ve diğerinin nerede başladığını bilmek gerekir. Örnek ağaç tepesi segmentasyonu denilen bu görev, komşu tepelerin birbirine karıştığı ve gölgeler, mevsimsellik ile benzer formların hem insanları hem de algoritmaları yanıltabildiği yoğun tropik ormanlarda özellikle zordur. Geleneksel yöntemler ya ağaçları kaçırır, birkaç ağacı tek bir nesne halinde birleştirir ya da lazer gibi pahalı sensörler gerektirir. Yazarlar bunun yerine dünya genelinde çok daha ucuz ve konuşlandırması kolay olan basit renkli drone fotoğraflarıyla daha fazlasını yapmaya odaklanıyor.

Tropik ormanların yeni bir görsel kütüphanesi

Algoritmalarını öğretmek ve test etmek için araştırmacılar ForestSeg adlı yeni bir görüntü koleksiyonu oluşturdular. Hanoi, Vietnam yakınlarındaki biyoçeşitlilik açısından zengin bir ormanda iki ticari drone kullanarak farklı yüksekliklerde ve aylarda dört kampanya uçuşu gerçekleştirdiler. Bu uçuşlardan yüksek çözünürlüklü örtüşen hava görüntüleri oluşturup bunları tipik olarak 6–10 ağaç içeren 1024x1024 piksel boyutunda küçük kare yamalara kestiler. İnsan uzmanlar görülebilen her bir tepenin sınırını dikkatle izleyerek dört alt küme boyunca toplam 2.944 anotasyonlu yama oluşturdular. Uçuşlar mevsimleri ve irtifaları kapsadığından ForestSeg, ışık koşullarındaki, yaprak rengindeki ve görünen ağaç boyutundaki değişimleri yakalar; bu da yöntemin zaman içinde güvenilir olduğunu iddia eden yaklaşımlar için zorlu bir test zemini sağlar.

Bütünü bulmak için ağaçları parçalara ayırmak

Ağaç sınırlarını tek seferde çizmeye çalışmak yerine ekip TreeCoG adını verdikleri iki aşamalı bir strateji tasarladı. İlk olarak, kasıtlı olarak örtüyü “aşırı segmentasyona” tabi tutuyorlar. Modern bir kenar algılama ağı drone görüntüsünde ince sınırları işaretleyerek ormanı tek bir ağaç parçası içermesi olası birçok küçük kontur parçasına ayırıyor. İkinci aşamada bu parçalar bir grafın düğümlerine dönüştürülüyor; yakın parçalar birbirine bağlanıyor ve karşılaştırılıyor. Her bir parça için alan ve uzama gibi basit şekil özellikleri ölçülüyor ve ayrıca iki komşu yamayı renk ve doku bakımından ne kadar benzer oldukları analiz ediliyor. Bir grafik sinir ağı, birçok etiketli örnekten hangi komşu parçaların aynı ağaca ait olup birleştirilmesi gerektiğini, hangilerinin farklı ağaçlara ait olup ayrı kalması gerektiğini öğreniyor. Sonuç, önceki yaklaşımlardan daha temiz biçimde bireysel tepeleri çizen bir dizi maskedir.

Yöntem pratikte ne kadar iyi işliyor

Performansı değerlendirmek için yazarlar TreeCoG’u Mask R-CNN ve en yeni YOLO modelleri dahil popüler nesne segmentasyon araçlarına karşı karşılaştırdılar. ForestSeg üzerinde TreeCoG en yüksek doğruluğu elde ederken rakiplerinden daha hızlı çalıştı; bu da onu geniş alan taramaları için cazip kılıyor. Ayrıca BAMFORESTS olarak bilinen bağımsız bir Avrupa kıyas veri setinde de güçlü performans gösterdi; bu da yaklaşımın diğer bölgelerdeki ormanlara transfer edilebileceğini gösteriyor. ForestSeg’in dört alt kümesi üzerindeki sonuçları analiz ederek çalışma, günün saati, mevsim ve uçuş yüksekliğinin başarıyı nasıl etkilediğini daha da ortaya koyuyor: daha keskin görüntüler ve daha düşük güneş açılarının genellikle daha net tepe sınırları verdiği, ancak koşullar ideal olmadığında bile yöntemin dayanıklı kaldığı gözlemleniyor.

Ormanlar ve biyoçeşitlilik için anlamı

Basitçe ifade etmek gerekirse, bu çalışma ucuz dronlar ve akıllı algoritmaların Dünya’daki en karmaşık ormanlardan bazılarında bile bireysel ağaçları güvenilir şekilde ayırt edebildiğini gösteriyor. ForestSeg veri seti araştırmacılara zorlu yeni bir kıstas sağlar ve TreeCoG ham hava fotoğraflarını ayrıntılı ağaç tepesi haritalarına dönüştürmek için pratik bir reçete sunar. Bu haritalar tür tanıma, büyüme takibi ve sağlık değerlendirmesi gibi sonraki adımlara besleme sağlayabilir; nihayetinde bilim insanlarına ve orman yöneticilerine saha çalışmalarıyla mümkün olandan daha sık ve daha geniş alanlarda biyoçeşitliliği ve karbon stoklarını izleme olanağı sunar.

Atıf: 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

Anahtar kelimeler: drone ormancılığı, ağaç tepesi haritalama, biyoçeşitlilik izleme, uzaktan algılama, derin öğrenme segmentasyonu