Китайские исследователи разработали алгоритм DeepTree, который с высокой точностью определяет и измеряет каждое дерево на снимках с беспилотников. Новая технология позволяет картировать саванные редколесья на севере Китая, используя значительно меньше вычислительных мощностей, чем существующие аналоги. Результаты исследования, опубликованные в Smart Agricultural Technology, могут изменить подходы к мониторингу экологически уязвимых переходных зон между лесом и степью.
Объектом исследования стали саванные редколесья во Внутренней Монголии, расположенные на территориях песчаных массивов Хуньшаньдакэ и Хорчин. Эти экосистемы важны для сохранения биоразнообразия и служат резервуарами углерода. Однако изучать их сложно из-за неоднородности древесной растительности – деревья сильно различаются по форме и размеру, что затрудняет их автоматическую идентификацию. Стандартные методы обработки изображений в таких условиях неэффективны, а передовые нейросети, как Mask R-CNN, требуют больших вычислительных ресурсов.
В основе DeepTree лежит облегчённая архитектура нейросети, где стандартные компоненты заменили на более эффективные аналоги – MobileNet V3 и NAS-FPN. Это позволило сократить объём вычислений с 248 до 5,6 гигафлопс, а количество параметров модели – с 42,9 млн до 3,8 млн. При этом скорость обработки изображений выросла на 88%. Более точная версия алгоритма показала рост полноты обнаружения деревьев (Recall) с 62,4% до 81,2% по сравнению с базовой моделью.
Для обучения нейросети использовали тысячи фотографий, сделанных с дрона DJI Phantom 4 RTK в июле 2020 года на девяти участках. На их основе создали ортофотопланы с разрешением 10 см на пиксель, на которых вручную разметили 8724 кроны деревьев. Один из участков не использовали для обучения, чтобы проверить способность модели работать с совершенно новыми данными. Тест на этом участке подтвердил, что алгоритм эффективно переносит полученные навыки на незнакомую местность.
Проверка на практике показала, что DeepTree с высокой точностью определяет параметры крон: коэффициент детерминации для ширины и площади составил 0,98. Сравнение с наземными измерениями 166 вязов также подтвердило надёжность модели. Алгоритм эффективно работает как на участках с густой растительностью, так и в разреженных насаждениях, где небольшие деревья легко спутать с травой. Разработчики отмечают, что точность снижается при ухудшении качества снимков, а для дальнейшего совершенствования в модель планируют интегрировать данные лидаров и мультиспектральной съёмки.