Долгие годы проведение инвентаризации городских деревьев было роскошью, доступной только крупным городам с развитой инфраструктурой. Новый подход на основе искусственного интеллекта не только делает эту возможность доступной для небольших городов, но и требует значительно меньше времени.
Ключевые выводы
Городские деревья играют критически важную роль в смягчении последствий ухудшения качества воздуха, чрезмерного эффекта «теплового острова» и неконтролируемого перелива дождевой воды, которые в совокупности могут привести к нежелательным экстремальным погодным условиям.Использование генеративного искусственного интеллекта позволяет применять новый вычислительный подход для локализации отдельных деревьев во всех городах, несмотря на их взаимное перекрытие и перекрытие.
Новый подход к мониторингу позволяет обновлять общенациональную базу данных, содержащую информацию о 278 миллионах городских деревьев в 330 городах США, менее чем за сутки вычислительных затрат.
Предоставление отдельным городам возможности регулярно обновлять данные об использовании деревьев имеет решающее значение для планирования устойчивых и пригодных для жизни городов.
Деревья играют сегодня важнейшую роль в городской среде. Рост городов США 9 происходил одновременно с увеличением числа экстремальных погодных условий 8 , вызванных такими критическими факторами, как плохое качество воздуха, чрезмерное образование тепловых островов и неконтролируемый перелив дождевой воды — все это можно частично смягчить с помощью городских деревьев. 31 Деревья также могут улучшить физическое и психическое здоровье городских жителей и обеспечить среду обитания для диких животных. 8
Исторически сложилось так, что данные о местонахождении городских деревьев собирались только в богатых ресурсами городах США, как правило, с помощью трудоемких ручных обследований или приблизительной оценки площади кроны. Однако значительная часть городских деревьев находится на частной территории, что затрудняет их количественную оценку с помощью обследований, хотя они вносят уникальный вклад в видовое разнообразие и распределение экосистемных услуг. 11 Кроме того, оценка площади кроны не может предоставить информацию о плотности деревьев, их местоположении на разных типах местности или изменениях в количестве деревьев. Города постоянно меняются, и средний уровень смертности городских деревьев вдвое выше, чем у сельских. 30 Таким образом, частое обновление данных об деревьях имеет решающее значение для устойчивого развития и комфортной городской среды.
Метод. Последние достижения в области вычислительной техники, в частности, генеративного искусственного интеллекта (ИИ), позволили нашей междисциплинарной команде, объединяющей специалистов в области информатики, инженерии и лесного хозяйства, разработать первый в своем роде вычислительный метод, позволяющий индивидуально определять местоположение и вести учет деревьев как минимум в 330 городах США (рис. 1 ). Используя спутниковые данные, этот подход позволяет завершить процесс инвентаризации менее чем за сутки автоматизированных вычислений. Отдельные деревья сложно различить на спутниковых снимках из-за перекрытия и ограничений разрешения, что, в свою очередь, ограничивает возможности традиционных подходов, основанных на сегментации. Наш подход использует несколько ключевых моментов для создания масштабируемого решения на основе генеративного ИИ. Во-первых, частая съемка спутниковых снимков (например, ежедневно, ежемесячно и т. д.) обеспечивает пространственно-временные данные о растительности, предоставляя более полную информацию, чем отдельные изображения. Наш метод включает в себя глубокую пространственно-временную классификацию растительного покрова с использованием спутниковых снимков, которая классифицирует город на деревья, траву и фон, за которой следует процесс создания кластеров, а затем локализация отдельных деревьев с использованием набора условных генеративных состязательных сетей (cGAN) . Кроме того, наш метод может применяться к текущим или архивным спутниковым снимкам, что позволяет выявлять изменения и проводить исторический анализ.
Инвентаризация деревьев: современное состояние. Существующие стратегии инвентаризации и мониторинга деревьев дорогостоящи; в результате малообеспеченные сообщества редко имеют доступ к этой информации и, следовательно, менее способны управлять своими городскими деревьями. 4 Кроме того, из-за исторических, систематических искажений и других социально-экономических факторов жители с низким доходом, как правило, имеют меньший доступ к городским деревьям и тем преимуществам, которые они предоставляют. 34 Признавая важность деревьев, предпринимаются все большие усилия по расширению городского древесного покрова во всем мире, одновременно делая его распределение более справедливым, включая инвестиции в размере 1,5 миллиарда долларов в городское и общинное лесоводство в США. 35 Исследователи также утверждают, что для достижения справедливого присутствия деревьев в городе необходимо, чтобы все сообщества могли позволить себе получить данные об инвентаризации деревьев на всех типах земель. Существует несколько продуктов, использующих аэрофотоснимки для извлечения данных о древесном покрове в рамках коммерческих бизнес-моделей для отдельных городов, но они недоступны для многих городов и не работают в национальном масштабе. 5 , 22 Крайне необходим доступный мониторинг деревьев, а именно вычислительный метод, требующий только спутниковых снимков, которые можно быстро приобрести для любого города и по относительно низкой цене.
Генеративный ИИ для локализации деревьев
В нашем методе мы вычисляем местоположение деревьев во всех городах континентальной части США с населением более 100 000 человек, согласно данным переписи 2020 года. 32 Для каждого из этих 330 городов мы получаем ежемесячную серию спутниковых снимков за 12 месяцев (используя спутниковые снимки Planet Labs, которые имеют глобальную и ежедневную съемку с 2010 года 27 ). Этот набор изображений позволяет зафиксировать пространственные и временные характеристики, которые невозможно получить с помощью подходов, основанных на сегментации по одному снимку и/или традиционном нормализованном разностном индексе растительности (NDVI) (Рисунок 2 ). На первом этапе мы обучаем глубокую сегментационную сеть на основе архитектуры U-NET 29 и используем кластеризацию для получения классификации четырех типов городской конфигурации. На втором этапе мы используем набор обученных cGAN для каждого из четырех типов конфигурации. В отличие от диких лесов, городские леса подчиняются правилам управления города. Таким образом, процесс обучения cGAN получает реалистичные синтетические данные от генератора, который использует многоуровневый подход к созданию примеров данных на основе городских процедурных правил для различных городских конфигураций. Затем генератор обучается и настраивается с помощью пакетной обработки, распределенной по 100 графическим процессорам в течение месяца обучения. Полный конвейер показан на рисунке 3 .
Сегментация. Мы используем модифицированную архитектуру на основе U-Net 29 и кластеризацию для пространственно-временной сегментации фрагментов спутниковых изображений — каждый размером 256 x 256 пикселей, с разрешением 3 м на пиксель — на области одного из трех классов: деревья , трава и фон . Мы дополнительно классифицируем класс деревьев на четыре типа конфигурации: жилые , придорожные , парковые и другие (рис. 1 , верхний левый угол). Наши эксперименты показывают, что использование данных спутниковых изображений за 12 месяцев значительно превосходит использование одного снимка для всех городов (рис. S2 в приложении). Это временное слияние фиксирует сезонные и структурные изменения, что приводит к лучшей обобщающей способности и точности сегментации растительности. Мы преобразуем входные фрагменты обучающих данных в 48 каналов (четыре канала на каждый ежемесячный снимок, в результате чего получаем 48D). Выход представляет собой сегментацию того же пространственного размера, но с тремя каналами, соответствующими каждому из классов регионов (см. рис. S3 в приложении для наглядного примера).
После сегментации мы автоматически присваиваем каждому объекту класса деревьев метку одного из четырех типов конфигурации. Типы определялись путем кластеризации набора признаков, описывающих объекты, здания и дороги в обучающих данных. Используя кластеризацию методом k-средних и метод «локтя», мы определили, что четыре типа конфигурации наилучшим образом представляют пространственную изменчивость внутри объектов класса деревьев. Четыре типа — жилые, придорожные, парковые и другие — были названы на основе эвристических методов и визуального анализа.
Условные генеративно-состязательные сети (GAN). Наша генеративная модель использует условную генеративно-состязательную сеть (cGAN) для сопоставления областей класса деревьев внутри тайлов с местоположением отдельных деревьев. Для облегчения обучения cGAN мы используем генератор синтетических данных для создания обучающих данных для каждого из четырех типов конфигураций (рис. 3 , верхний правый угол). Для генерации реалистичных обучающих данных мы используем иерархию правил, наблюдаемых в городах (например, универсальные и специфические для типа конфигурации правила) (см. таблицу 1 ). Мы извлекаем параметры правил из спутниковых снимков и из данных о городской структуре, таких как контуры зданий и дорожные сети (например, OpenStreetMap 26 ). Используя эту информацию, мы генерируем 100 000 пар образцов для каждого типа конфигурации. Каждая пара образцов содержит тайл с областями деревьев и соответствующий тайл с гауссовыми дисками, представляющими местоположение деревьев (с калибровкой, показанной на графиках поверхностей на рисунке S7 в приложении). Генератор учитывает как локальный, так и глобальный контекст древесных объектов, получая их форму, размер и пространственное расположение в сжатом скрытом представлении на основе выведенных городских правил для различных конфигураций (см. рисунки S5 и S6 в приложении для иллюстрации). Для вывода cGAN тип конфигурации каждого объекта входного тайла используется для определения наиболее вероятных местоположений деревьев (рисунок 3 , внизу; также рисунок S4).
| Универсальные правила ( U ) | ||||
|---|---|---|---|---|
| У 1 | Между деревьями нет перекрытия. | |||
| У 2 | Минимальное расстояние между деревьями равно половине поля соседства (FON) [4] = 4 м | |||
| U 3 | Минимальное расстояние от дерева до здания (ANSI A300) [6] — эвристически получено = 3,7 м | |||
| U 4 | Минимальное расстояние от дерева до улицы (ANSI A300) [6] — эвристически получено = 2,5 м | |||
| Правила, специфичные для кластера ( V ) | ||||
| Параметр | V res | В стр | Вот | В прк |
| здание d | 2 м | 2 м | 3м | 4м |
| улица д | 1м | 1м | 1м | 1м |
| угол | 0,5 | 0.9 | 0,6 | 0.7 |
| внутри | 0,5 | 0.1 | 0,4 | 0.3 |
Функция потерь и целевая функция. Модель cGAN предназначена для преобразования фрагментов с изображениями деревьев ( X ) в пространственно непрерывные карты вероятностей ( Y ), где каждое дерево представлено в виде гауссова диска. Эти мягкие активации обрабатываются с помощью обнаружения пиков для получения точных координат точек деревьев. Наша модель обучена создавать структурированные пространственные паттерны, отражающие наличие и относительное положение отдельных деревьев.
Функция потерь, используемая для обучения модели, следующая:
где
Функция потерь, основанная на состязательном взаимодействии, способствует генерации гауссовых дисков, представляющих деревья, и
Это попиксельная функция потерь, которая обеспечивает пространственное выравнивание и гауссову гладкость.
Обсуждение гиперпараметров. cGAN настроен с использованием гиперпараметров для преобразования входных данных в виде древовидных блоков в структурированные вероятностные выходные данные. Важным гиперпараметром является вес функции потерь L1 (λ), который гарантирует количественную точность выходных данных и их соответствие ожидаемым распределениям дерева. В наших экспериментах мы установили(где значение ниже 20 давало низкую точность, а значение выше 200 приводило к переобучению). 18 Размер плитки — еще один параметр (рисунок S8 в приложении), который, как было установлено, лучше всего работает при размере 256 x 256 пикселей (или 80 x 80 метров). Все модели оптимизированы с использованием оптимизатора Adam с заданной скоростью обучения иУстановлены значения 2× 10⁻⁴ и 0,5 соответственно. Для улучшения обобщающей способности в процессе декодирования генератора применяется отсеивание (dropout). В совокупности эти гиперпараметры гарантируют, что модель выдает пространственно выровненные, точечно-репрезентативные выходные данные, подходящие для дискретизации местоположений деревьев на основе постобработки.
Результаты и анализ
Мы проверили нашу модель, используя существующие, чрезвычайно трудоемкие наборы данных для проверки на местности для 19 городов США¹ и частичные статистические данные для проверки на местности для 79 городов США (источники в таблице 2 и дополнительных наборах данных S2 и S3), а также обеспечив охват всех экорегионов континентальной части США. Полный набор данных, включающий 330 городов, находится в наборе данных S1 (см. приложение). В среднем точность подсчета нашего метода составляет 92,5% (с высокой статистической значимостью R² = 0,998), а средняя ошибка локализации деревьев составляет 1,49 м со стандартным отклонением всего 0,42 м (рисунок 1 ). Используя метрику, предложенную исследователями для обнаружения отдельных деревьев на аэрофотоснимках высокого разрешения³⁷, наша локализация отдельных деревьев имеет высокую точность: полнота 0,95, точность 0,92, коэффициент ошибок 0,08 и коэффициент пропусков 0,04 для 19 городов, использованных для проверки. 1. В таблице 2 представлено табличное представление данных по каждому городу .
| Город | Считать | Обнаружено (| P j |) | Правильно (совпадение) | Отзывать | Комиссионная ставка | Коэффициент пропусков | Точность |
|---|---|---|---|---|---|---|---|
| Колумб | 5482 | 5669 | 5414 | 0,99 | 0,04 | 0,01 | 0,96 |
| Нью-Йорк | 1472 | 1517 | 1428 | 0,97 | 0,06 | 0,03 | 0,94 |
| Вашингтон, округ Колумбия | 3845 | 3680 | 3596 | 0,94 | 0,02 | 0,06 | 0,98 |
| Шарлоттсвилль | 2120 | 2232 | 2005 | 0,95 | 0.10 | 0,05 | 0,90 |
| Буффало | 5125 | 4829 | 4663 | 0,91 | 0,03 | 0,09 | 0,97 |
| Су-Фолс | 2865 | 3104 | 2787 | 0,97 | 0.10 | 0,03 | 0,90 |
| Питтсбург | 3070 | 3327 | 2991 | 0,97 | 0.10 | 0,03 | 0,90 |
| Лос-Анджелес | 2721 | 2981 | 2682 | 0,99 | 0.10 | 0,01 | 0,90 |
| Майами | 1427 | 1493 | 1391 | 0,97 | 0,07 | 0,03 | 0,93 |
| Санта-Моника | 1557 | 1721 | 1503 | 0,97 | 0,13 | 0,03 | 0,87 |
| Боулдер | 1281 | 1316 | 1202 | 0,94 | 0,09 | 0,06 | 0,91 |
| Искры | 1475 | 1512 | 1398 | 0,95 | 0,08 | 0,05 | 0,92 |
| Денвер | 3677 | 3873 | 3531 | 0,96 | 0,09 | 0,04 | 0,91 |
| Купертино | 1094 | 1042 | 995 | 0,91 | 0,05 | 0,09 | 0,95 |
| Сан-Хосе | 852 | 942 | 834 | 0,98 | 0.11 | 0,02 | 0,89 |
| Феникс | 965 | 1008 | 910 | 0,94 | 0.10 | 0,06 | 0,90 |
| Сан-Франциско | 8398 | 8768 | 8209 | 0,98 | 0,06 | 0,02 | 0,94 |
| Сиэтл | 816 | 932 | 797 | 0,98 | 0,14 | 0,02 | 0,86 |
| Сан-Антонио | 1363 | 1406 | 1296 | 0,95 | 0,08 | 0,05 | 0,92 |
Наш анализ дополнительно продемонстрировал устойчивость нашего подхода при различных пространственных разрешениях спутниковых данных. По мере снижения разрешения изображений мы неизменно наблюдаем относительно высокую точность локализации (рис. 4a ). Мы перешли от нашего исходного разрешения 3 метра на пиксель (PlanetScope) к 5 метрам на пиксель (Rapideye), 10 метрам на пиксель (Sentinel-2) и 30 метрам на пиксель (Landsat). Разница между нашей исходной точностью 0,91 и точностью самого грубого изображения (Landsat) составила 0,16 — гораздо меньшая разница по сравнению с конкурирующими моделями, даже при исходном разрешении (рис. 4b ).
Чтобы понять вычислительные затраты и эффективность различных моделей, мы сравнили эффективность нашей модели с 10 передовыми базовыми моделями, включающими как диффузионные, так и трансформерные модели. Используя одинаковые вычислительные ресурсы, мы обрабатывали 23 256 м² в минуту, в то время как следующая по эффективности модель обрабатывала 18 868 м² в минуту с точностью примерно на 30% ниже (см. рисунок 4b по горизонтальной оси).
Затем мы сравнили нашу модель с лучшими базовыми моделями SOTA по таким параметрам, как нормализованная точность локализации, точность подсчета и эффективность (см. рисунок 4b по вертикальной оси). Мы выбрали лучшие модели на основе трансформеров, диффузии и свертки, включая F-DETR, 20 Swin-Transformer-based MaskRCNN, 21 SegmentAnything2, 28 DiffusionDet, 2 Mask Scoring RCNN, 10 BBDM, 19 BoundaryFormer, 16 DenseDiffusion, 13 FlexIT, 3 и TransGAN. 12 Все модели использовали четыре графических процессора RTX 4090 для обработки/прогнозирования. Хотя случаи сбоев ограничены (например, пропуск некоторых деревьев, перекрывающихся со зданиями), наша модель превосходит модели на основе диффузии и трансформеров (рисунок 5 ). Этот анализ дополнительно подчеркивает сильные стороны нашей модели в обработке окклюзий и сложных случаях, таких как ограниченная видимость.
Urban Tree Analytics
В качестве демонстрации аналитических возможностей, которые предоставляет наш метод, а также возможности его легкого воспроизведения и обновления, мы приводим следующие примеры исследований.
Обзор городских деревьев в масштабах всей страны. Учитывая широкий масштаб, но при этом возможность локализации каждого дерева в отдельности, мы впервые предоставляем общенациональную статистику городских деревьев, которую можно регулярно обновлять (Рисунок 2 ). Мы разделили 330 городов на четыре географических региона: Северо-восток (СВ), Северо-запад (СЗ), Юго-восток (ЮВ) и Юго-запад (ЮЗ), используя географический центр материковой части США, установленный Национальной геодезической службой США (NGS) – 39°50’N 98°35’W. На рисунке 2 показаны данные по всем регионам.
Наш метод показал, что в северо-восточном регионе наблюдалась самая высокая средняя плотность городских деревьев — 41 дерево на акр, со стандартным отклонением 11 деревьев на акр. В этом регионе самая высокая плотность составила 69 деревьев на акр в Анн-Арборе, штат Мичиган, а самая низкая — в Ньюарке, штат Нью-Джерси, с 17 деревьями на акр. Вторым по величине регионом по средней плотности деревьев был северо-западный регион со средней плотностью 37 деревьев на акр и стандартным отклонением 8 деревьев на акр. В этом регионе максимальная плотность составила 63 дерева на акр в Сиэтле, штат Вашингтон, а минимальная — 20 деревьев на акр в Прово, штат Юта. Третьим регионом по средней плотности деревьев был юго-восточный регион со средней плотностью 31 дерево на акр и стандартным отклонением 10 деревьев на акр. В этом регионе городом с самой высокой плотностью деревьев был Сэнди-Спрингс, штат Колорадо, с 86 деревьями на акр. В отличие от этого, самая низкая плотность составила семь деревьев на акр в Корпус-Кристи, штат Техас. Наконец, регионом с самой низкой средней плотностью деревьев оказался юго-запад, где было 28 деревьев на акр со стандартным отклонением 11 деревьев на акр. В этом регионе самая высокая плотность составила 53 дерева на акр в Лейквуде, штат Колорадо, а самая низкая — восемь деревьев на акр в Инглвуде, штат Калифорния.
Мы также отметили, что в настоящее время города северо-восточного региона имеют наименьшее относительное количество деревьев в жилых районах (в среднем 19%), в то время как северо-западный регион имеет наибольшее относительное количество деревьев в жилых районах — 25%. Кроме того, в городах северо-восточного региона преобладают деревья в городских парках, их относительное количество составляет 25% в регионе, насчитывающем более 43 миллионов деревьев. Северо-западный регион занимает последнее место в этой категории, имея всего 17% деревьев в парках.
Социально-экономическое влияние городских деревьев. Наш подход позволяет сопоставить текущее местоположение деревьев с Инструментом оценки климатической и экономической справедливости (CEJST) 33 на основе текущей переписи населения США (Рисунок 6 ). Признавая ключевую роль деревьев в городской среде и в ответ на несоответствие количества деревьев между более богатыми и неблагополучными городскими районами, городские власти предприняли значительные инвестиции в расширение древесного покрова, особенно уделяя внимание маргинализированным районам. Наш метод впервые, насколько нам известно, позволяет количественно оценить и обновить тенденции. В настоящее время мы обнаружили сильные положительные коэффициенты корреляции Пирсона (КК) между доходом на душу населения и общим количеством деревьев (КК = +0,82), количеством деревьев в жилых районах (КК = +0,88), деревьями на улицах (КК = +0,69), деревьями в парках (КК = +0,73) и другими деревьями (КК = +0,66). Аналогичная тенденция наблюдалась с сильным КК +0,77 между доходом на душу населения и древесным покровом. На рисунке 6 представлена подробная проверка, проведенная в Чикаго. Она показывает, что в пределах 403 переписных участков Чикаго в неблагополучных районах наблюдается существенно более низкая медианная плотность деревьев: примерно на 42% меньше деревьев на гектар. Аналогичная тенденция наблюдается и для площади лесного покрова, показывая разницу в 11% в Чикаго. Помимо переписных участков, обозначенных как неблагополучные, аналогичная закономерность выявляется при оценке переписных участков в зависимости от уровня дохода в Чикаго: в районах с более высоким уровнем дохода постоянно наблюдается большее количество деревьев. Эти тенденции могут регулярно обновляться с помощью данных о деревьях, полученных с помощью нашего подхода.
Деревья после стихийных бедствий и инициатив по посадке деревьев. В качестве демонстрации мы выполнили детальный мониторинг в ответ на городские катастрофы и инициативы по посадке деревьев (Рисунок 7 ). Например, пожар «Кэмп Файр» в 2018 году стал самым смертоносным и разрушительным лесным пожаром в истории Калифорнии. С помощью нашего подхода мы локализовали и подсчитали количество деревьев до и после пожара, обработав соответствующие спутниковые снимки. Рисунок 7a иллюстрирует микромасштабную ситуацию анализа деревьев во временной перспективе для части города, а именно района жилого комплекса Килкриз-Серкл в Парадайзе, штат Калифорния, после пожара «Кэмп Файр». Для дальнейшего обобщения мы провели анализ «до/после» для всего города Вакавилл, штат Калифорния, который был охвачен пожарами LNU Lightning Complex 2020 года. Для всего города мы зафиксировали потерю 80 916 деревьев на его 7 975 акрах. В результате пожара площадь лесного покрова в городе сократилась с 41% в 2019 году до 35% в 2021 году. Эти оценки совпадают с результатами небольших наземных исследований, но представляют собой первый в своем роде инструмент для оценки потерь деревьев в таком масштабе и с минимальными усилиями.
В качестве еще одного примера можно привести одну из самых известных кампаний по посадке деревьев в городах — кампанию «Миллион деревьев в Нью-Йорке».<sup> 25</sup> Она впервые проводилась с 2007 по 2017 год, а затем была возобновлена и активирована с еще одной целью — посадить миллион деревьев к 2030 году. Эти кампании по посадке деревьев в значительной степени сосредоточены на посадке деревьев на улицах, поскольку они являются общественными и доступными. Наш метод — первый, позволяющий получать детальные аналитические данные для таких инициатив. Сообщалось, что в 2005 году в Нью-Йорке насчитывалось около 5,2 миллиона деревьев.<sup> 25</sup> В том же отчете указывалось, что более 2000 волонтеров потратили в общей сложности 30 000 часов на подсчет деревьев на улицах Нью-Йорка. Позже, в 2017 году, Министерство сельского хозяйства США опубликовало данные о количестве деревьев в Нью-Йорке на уровне отдельных участков — около семи миллионов, на основе агрегированных данных с 296 земельных участков. 24 Мы обработали данные по более чем 500 км² территории Нью-Йорка и обнаружили приблизительно 6 795 102 дерева, из которых 688 088 были уличными деревьями. Повторный анализ за 2024 год дал 6 985 902 дерева, из которых 720 839 были уличными деревьями (увеличение количества уличных деревьев на 4,75% по сравнению с 2017 годом, но также снижение количества деревьев в жилых районах на 5,3%). Наша плотность совпала с недавней работой Низе и др. 23 Поэтому деревья были не только подсчитаны, но и разделены на четыре категории, среди которых уличные деревья представляют особый интерес в связи с кампанией «Миллион деревьев Нью-Йорка». В целом, наш метод показал (и локализовал) чистое увеличение количества деревьев на 2,3% по всему Нью-Йорку в период с 2017 по 2024 год. На рисунке 7b показана локализованная картина уличных деревьев в Ист-Виллидж, Нью-Йорк, в 2017 и 2024 годах. Наш автоматический подход занял менее пяти часов (и, следовательно, намного меньше, чем 30 000 часов работы человека, о которых сообщалось ранее) для локализации и категоризации городских деревьев по всему городу, демонстрируя эффективное применение нашего новаторского подхода для извлечения детальной аналитической информации из кампаний по посадке деревьев.
Двигаясь вперед
В условиях продолжающейся урбанизации крайне необходимо понимание количества и распределения городских деревьев для устойчивого и эффективного управления и разработки политики. Используя наш метод на основе ИИ, мы впервые можем по своему усмотрению обновлять данные об инвентаризации городских деревьев как на государственных, так и на частных землях с точностью позиционирования 1,5 м и точностью подсчета 92,5%, охватывая не менее 330 городов США с населением более 100 000 человек. Вместо того чтобы полагаться исключительно на высокое пространственное разрешение, наш подход использует пространственно-временные данные и генеративное моделирование на основе ИИ для преодоления проблем, связанных с перекрытием, соседними деревьями, состоянием листвы (наличие/отсутствие листьев) и предположениями об осенней окраске. Система позволяет обновлять тенденции в распределении деревьев и выявлять различия в плотности деревьев и сомкнутости крон в разных экорегионах, предоставляя мощный инструмент для обнаружения аномалий, а также для многих других применений. Наш подход является автоматическим и воспроизводимым, что означает, что мониторинг для любого города может быть выполнен за несколько часов и быстро повторен по желанию. Обработка данных по одному и тому же городу может занять в среднем от трех до пяти часов (в зависимости от местности), при этом средняя точность определения местоположения каждого дерева составит 1,5 м. Обработка данных по всей стране может быть выполнена менее чем за сутки с использованием нескольких компьютеров.
Мы признаем существование данных высокоточных облаков точек, таких как LiDAR, но они либо получены с воздуха, либо с помощью портативных устройств и охватывают ограниченные пространственные области и имеют ограниченную временную частоту. Именно поэтому наша работа хорошо масштабируется в национальном масштабе. Однако для мест, представляющих особый интерес (где возможен сбор данных с высокой степенью детализации), мы видим значительный потенциал для объединения нашей методологии определения местоположения с воздуха с определением местоположения на основе стволов деревьев (подлеска) с помощью мультимодальных подходов.
Также следует отметить, что наш метод может эффективно использоваться для быстрой разработки политики городского планирования и моделирования последствий с использованием сценариев «что если». Это имеет значение, особенно в небольших городах с ограниченными бюджетами на анализ деревьев и планирование. Поскольку современные подходы создают готовые к моделированию наборы данных 3D-реконструкции из отдельных изображений, 17 наша работа может служить одним из ключевых источников для фотореалистичного моделирования городских двойников. В дальнейшем, при поддержке гранта NSF на кибер-инфраструктуру, мы интегрируем наши методы в веб-портал для своевременной оценки инвентаризации деревьев в национальном масштабе и инструментов планирования сценариев «что если».
В перспективе мы предполагаем, что своевременные данные об инвентаризации и локализации деревьев также могут быть использованы для улучшения моделирования погоды/климата, опираясь на наши предыдущие работы 6 , 7 и интегрируясь, например, с WRF Urban 15 , 36, моделями качества воздуха (например, Kim et al., 14 Li et al. 18 ), а также моделями поглощения и рассеивания твердых частиц (PM). Мы предполагаем, что новаторский и масштабируемый характер этой работы будет внедрен по всему миру для достижения общей цели создания более экологичных и устойчивых городов.
Для доступа к дополнительным материалам, пожалуйста, нажмите здесь.
Благодарности
Данная работа стала возможной благодаря грантам NSF 1835739, 2106717, 2417510, 2412928 и 2411273, грантам USDA NIFA 1032672 и 2023-68012-38992, а также Институту цифрового лесоводства Университета Пердью.
