4348
Команда науковців з Інституту інформаційних технологій лісових ресурсів Китайської академії лісового господарства разом із колегами з національного парку Ціляньшань представила нову систему штучного інтелекту SAMFormer. Вона поєднує дані з дронів та лазерного сканування LiDAR, щоб автоматично розпізнавати окремі дерева, визначати їх вид, структуру та обчислювати запас вуглецю. Про роботу повідомляє видання Newswise Science News.
Традиційно стан лісів оцінюють наземними обмірами, які потребують багато часу, людей і коштів та охоплюють обмежені площі. Дрони дають наддетальні зображення, але звичайні кольорові (RGB) фото погано розрізняють види дерев, що схожі між собою або ростуть дуже густо. LiDAR, навпаки, забезпечує тривимірну інформацію про структуру лісу, проте її складно об’єднати з двовимірними зображеннями.
Через це виникла потреба у єдиній продуманій системі, здатній одночасно опрацьовувати різні типи даних та точно виділяти окремі дерева й оцінювати їхні параметри в автоматичному режимі.
Як працює модель SAMFormer
SAMFormer (Self-Attention-guided Spectral-Structural Multimodal Fusion Transformer) описують як «цифрового лісівника». Модель будується на трансформерній архітектурі глибокого навчання і працює з двома потоками даних: звичайними RGB-знімками з дрона та структурною інформацією з LiDAR, зокрема моделлю висоти намету (Canopy Height Model, CHM).
У системі ключову роль відіграють два модулі. Перший – Adaptive Feature Enhancement Module (AFEM) – використовує просторову та канальну увагу, щоб підсилити ознаки крони дерев і придушити «шум» фону. Другий – Cross-Modal Fusion Module (CMFM) – відповідає за «переклад» між різними типами даних, дозволяючи візуальним і структурним ознакам доповнювати одна одну.
Такий підхід дає змогу моделі виконувати інстанс-сегментацію, тобто виділяти кожне дерево як окремий об’єкт, а не просто окреслювати загальний контур лісового масиву. Далі система оцінює структурні параметри, зокрема висоту, діаметр стовбура на рівні грудей (DBH) і біомасу.
Точність розпізнавання та нові екологічні висновки
За результатами випробувань SAMFormer продемонстрував високу точність: F1-міру 86,3% та [email protected] 88,0%. Модель суттєво перевершила варіанти з одним типом даних (лише RGB чи лише LiDAR), а також популярні підходи на кшталт Mask R-CNN.
Ця точність дозволила створювати карти, де для кожного виду дерев показано їхні структурні параметри й запас вуглецю. Аналіз таких карт виявив важливу закономірність: чим вищою є конкуренція між деревами, тим менше вуглецю вони накопичують. За інтенсивної конкуренції дерева пригнічують власний ріст, менше розгортають крону й формують меншу біомасу.
Ще один висновок стосується складу насаджень. Дослідники побачили, що деякі мішані ліси, наприклад із поєднанням хвойних і широколистяних порід, накопичують більше вуглецю, ніж одновидові насадження. Водночас неправильні комбінації видів можуть, навпаки, знижувати загальний запас вуглецю.
Нові можливості для управління лісами та кліматом
Автори роботи підкреслюють, що вперше з’явився інструмент, який дає змогу з повітря не лише локалізувати дерева, а й визначити їхній вид, детальну структуру та внесок у вуглецевий баланс. Метод є високопродуктивним і не руйнує екосистему, що робить його перспективним для фенотипування лісів та моніторингу у великому масштабі.
Завдяки детальним картам структурних показників для різних видів лісівники можуть бачити ділянки з надмірною конкуренцією й оптимізувати рубки чи інші заходи, щоб зменшити тиск на дерева. Це має сприяти кращому здоров’ю насаджень і стійкості лісів до змін клімату.
Здатність точно розрізняти види дерев і обчислювати їхню біомасу також створює основу для більш коректного обліку вуглецю. Такі дані потрібні для верифікації вуглецевих кредитів і довгострокового моніторингу. Дослідники розглядають SAMFormer як масштабований, об’єктивний та ефективний інструмент, який може змінити підхід до інвентаризації, управління й охорони лісів у глобальних зусиллях зі збереження клімату.
Дрони й ШІ навчилися точно вимірювати вуглець у лісах з’явилася спочатку на Цікавості.
