Nokta bulutu verilerinde ağaç türü sınıflandırması için 3B biçim betimleyicilere dayalı topluluk tespiti çerçevesi

Gökyüzünden Ağaçları Ayırmanın Neden Önemli Olduğu

Ormanlar şehirleri serinletir, yamaçları sabitler, karbon depolar ve yaban hayatına barınak sağlar—ama tüm ağaçlar aynı rolü oynamaz. Hangi türlerin nerede büyüdüğünü bilmek genellikle zaman alan saha çalışmaları gerektirir. Bu makale, uçak, drone veya yer tabanlı tarayıcılarda kullanılan lazerlerle toplanan 3B ölçümlerden ağaç türlerini otomatik olarak tanımanın bir yolunu sunuyor. Yazarlar, makine öğrenmesi modelleri için büyük, elle etiketlenmiş eğitim setlerine dayanmaktansa ağaçların yalnızca üç boyutlu şekillerine göre kendiliğinden anlamlı gruplara ayrılabileceğini gösteriyor.

Ormanlara 3B Olarak Bakmak

Güncel lazer tarama, genellikle LiDAR olarak anılır, ormanları yoğun "nokta bulutları" olarak yakalar: gövde ve taç hatlarını çizen milyonlarca küçük nokta. Bu veriler ağaç yüksekliği, taç genişliği ve genel biçim gibi bilgileri açığa çıkarabilir. Sorun şu ki, aynı tür ağaçlar yaş, rekabet, rüzgâr ve ışık koşullarına bağlı olarak oldukça farklı görünebilirken, farklı türler bazen kafa karıştıracak derecede benzer görünebilir. Mevcut yöntemlerin çoğu bu sorunu denetimli makine öğrenmesi ile çözmeye çalışır; bu da her bölge ve sensör için özenle hazırlanmış geniş eğitim verileri gerektirir ve nadir ya da sıra dışı ağaçlarla zorlanabilir.

Ağaçların Kendi Gruplarını Oluşturmasına İzin Vermek

Yazarlar farklı bir strateji öneriyor: ham veriden doğrudan tür tahmini yapmak yerine önce ağaçların şekil benzerliklerine göre "topluluklar" oluşturmasına izin veriyorlar. Her bireysel ağaç, 3B tacının kompakt bir betimiyle temsil ediliyor. Bu betimi oluşturmak için noktaların üç ana yönde nasıl dağıldığını analiz ediyor, ardından bulutu küçük 3B bloklardan oluşan bir ızgaraya dönüştürüyorlar. Ağacı dikey ekseni etrafında döndürüp orijinal ve döndürülmüş sürümleri dilim dilim karşılaştırarak hem tacın simetriselliğini hem de farklı yüksekliklerde ne kadar geniş ve yoğun olduğunu yakalıyorlar. Bu ölçümler birkaç eğri katsayısına düzgünleştirilerek, nokta bulutu gürültülü, seyrek veya döndürülmüş olsa bile kararlı kalan kısa bir özellik vektörü üretiyor.

Biçim Parmak İzlerinden Ağaç Topluluklarına

Her ağacın bir biçim parmak izi olduğunda, yöntem tüm ağaçları birbirleriyle karşılaştırır. Çok benzer özelliklere sahip çiftler güçlü bağlantılarla bağlanır; benzer olmayan çiftler zayıf bağlantılar alır. Bu, her ağacın bir düğüm olduğu ve bağlantıların gücünün tacın ne kadar benzer olduğunu yansıttığı bir ağ oluşturur. Sosyal ağlarda sıkı bağlı grupları bulmak için geliştirilen bir topluluk tespiti algoritması, grafiği geri kalanına göre birbirleriyle daha güçlü bağlara sahip ağaç kümeleri için tarar. Her bir topluluk çoğunlukla aynı türe ait ağaçlar içerme eğilimindedir; ancak sıra dışı bireyleri veya alışılmadık biçimli küçük grupları da izole edebilir.

Yapay ve Gerçek Ormanlarda Yöntemin Test Edilmesi

Bunun ne kadar iyi çalıştığını görmek için yazarlar çerçevelerini iki halka açık veri setine uyguladılar. İlki, bir büyüme simülatörü tarafından üretilen 10 türden 100 ağacı içeren sentetik bir koleksiyondur. Burada yöntem gerçek tür gruplarını kusursuz şekilde geri kazandı: her simüle tür kendi sıkı topluluğunu oluşturdu. İkinci veri seti ise Almanya ve ABD ormanlarında taranmış yedi türden yaklaşık 700 gerçek ağacı içerir. Bu daha gürültülü ve çeşitli ortamda topluluklar hâlâ büyük ölçüde türlerle eşleşti, ancak benzer şekle sahip bazı türler karışık gruplarda birleşti ve bazı türler birkaç biçim tabanlı topluluğa bölündü. Önemli olarak, çerçeve nokta bulutları inceltildiğinde, döndürüldüğünde veya biraz farklı ızgara boyutlarıyla işlendiğinde dahi dayanıklılığını korudu ve aynı özellikler üzerinde k‑means ve hiyerarşik kümeleme gibi standart kümeleme tekniklerini geride bıraktı.

İnsanların Daha Az Etiketleyip Daha Fazla Öğrenmesine Yardımcı Olmak

Son adım toplulukları tür etiketlerine dönüştürmektir. Yüzlerce bireysel ağacı elle etiketlemek yerine, bir kullanıcı her topluluktan yalnızca birkaç ağacı tanımlamak zorundadır. Çoğunluk etiketi daha sonra grubun geri kalanına atanır. Gerçek veri setinde bu yarı otomatik yaklaşım, çok daha fazla eğitim verisi ve ayar gerektiren bazı derin öğrenme yöntemlerine kıyasla yaklaşık %60’lık bir genel doğruluk seviyesine ulaştı. Aynı şekil özellikleri yeterli eğitim örneğiyle standart bir destek vektör makinesine verildiğinde doğruluk yaklaşık %80’e çıktı; bu da özelliklerin tür açısından anlamlı bilgiyi etkili şekilde yakaladığını gösteriyor.

Orman İzleme İçin Bunun Anlamı

Bir uzman olmayan için ana fikir şudur: ağaç türleri, benzerlik ağında ağaçların "kendi komşularını bulmasına" izin verilerek yalnızca 3B biçimden çıkarılabilir. Bu topluluk tabanlı yaklaşım gelişmiş makine öğrenmesini tamamen ikame etmez, ancak eğitim setlerini hazırlamak için gereken el emeğini önemli ölçüde azaltabilir ve ölü veya son derece sıra dışı ağaçlar gibi aykırı örnekleri ortaya çıkarabilir. Dünyada daha fazla LiDAR verisi kullanıma girdikçe, bu tür yorumlanabilir ve eğitim ihtiyacı az yöntemler ayrıntılı ağaç envanterlerinin oluşturulmasını hızlandırabilir; bu da daha iyi orman yönetimini, iklim modellemesini ve koruma planlamasını destekler.

Atıf: Kohek, Š., Žalik, B., Mongus, D. et al. Community detection framework based on 3D shape descriptors for tree species classification in point cloud data. Sci Rep 16, 12091 (2026). https://doi.org/10.1038/s41598-026-42392-4

Anahtar kelimeler: LiDAR ormanları, ağaç türü sınıflandırması, 3B nokta bulutları, topluluk tespiti, uzaktan algılama ekolojisi