Low-Cost Tree Crown Dieback Estimation Using Deep Learning-Based Segmentation

要約

樹木の葉の枯死を特徴とする森林の枯死が観察される世界的な増加は、森林生態系の広範な衰退の前触れとなっている。
この劣化は、生息地の提供や炭素隔離などの生態系サービスや機能に重大な変化を引き起こしますが、これは従来のモニタリング技術では検出するのが困難なため、大規模かつ高頻度のモニタリングの必要性が浮き彫りになっています。
大規模にデータを収集して処理するための機器と方法の現代の発展により、この監視が可能になったことを意味します。
特に、低コストのドローン技術の進歩と消費者レベルのハードウェアでのディープラーニングは、新たな機会をもたらします。
ここでは、深層学習と植生インデックスに基づくアプローチを使用して、LiDAR などの高価な機器を必要とせずに、RGB 航空データから樹冠のダイバックを評価します。
私たちは反復アプローチを使用して、深層学習によって予測された樹冠のフットプリントを、干ばつによる枯れを示す地中海の生態系からのフィールドベースのインベントリデータと照合し、専門家のフィールドベースの樹冠枯れの推定値と植生指数ベースの推定値を比較します。
基盤となるマスク R-CNN モデルの追加の技術開発を必要とせずに、高い全体的なセグメンテーション精度 (mAP: 0.519) が得られ、専門家以外の使用に対するこれらのアプローチの可能性が強調され、現実世界の保全への適用可能性が証明されました。
また、色座標に基づいたダイバックの推定値は、専門家の現場ベースの推定値とよく相関していることもわかりました。
マスク R-CNN モデル予測の代わりにグラウンド トゥルースを使用すると、ダイバック推定への影響は無視できることが示され、堅牢性が示されました。
私たちの調査結果は、深層学習の適用を含む自動化されたデータ収集と処理が森林枯死監視の対象範囲、速度、コストを改善する可能性を示しています。

要約(オリジナル)

The global increase in observed forest dieback, characterised by the death of tree foliage, heralds widespread decline in forest ecosystems. This degradation causes significant changes to ecosystem services and functions, including habitat provision and carbon sequestration, which can be difficult to detect using traditional monitoring techniques, highlighting the need for large-scale and high-frequency monitoring. Contemporary developments in the instruments and methods to gather and process data at large-scales mean this monitoring is now possible. In particular, the advancement of low-cost drone technology and deep learning on consumer-level hardware provide new opportunities. Here, we use an approach based on deep learning and vegetation indices to assess crown dieback from RGB aerial data without the need for expensive instrumentation such as LiDAR. We use an iterative approach to match crown footprints predicted by deep learning with field-based inventory data from a Mediterranean ecosystem exhibiting drought-induced dieback, and compare expert field-based crown dieback estimation with vegetation index-based estimates. We obtain high overall segmentation accuracy (mAP: 0.519) without the need for additional technical development of the underlying Mask R-CNN model, underscoring the potential of these approaches for non-expert use and proving their applicability to real-world conservation. We also find colour-coordinate based estimates of dieback correlate well with expert field-based estimation. Substituting ground truth for Mask R-CNN model predictions showed negligible impact on dieback estimates, indicating robustness. Our findings demonstrate the potential of automated data collection and processing, including the application of deep learning, to improve the coverage, speed and cost of forest dieback monitoring.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google