Wykrywanie drzew 🌳 jest kluczowe w leśnictwie, ekologii, planowaniu miejskim czy monitoringu środowiska.
Dzięki nowoczesnym technologiom zdalnego wykrywania mamy dostęp do bogatych danych, które umożliwiają analizę lasów.
Jednym z najskuteczniejszych źródeł danych do detekcji drzew jest Canopy Height Model (CHM), czyli model wysokości koron drzew.
W tym artykule krok po kroku wyjaśnimy, jak wykrywa się drzewa z CHM, a także porównamy tę metodę z innymi podejściami, takimi jak LiDAR, obrazowanie optyczne czy metody sztucznej inteligencji.
Canopy Height Model (CHM)
CHM to raster, w którym każda komórka reprezentuje wysokość roślinności nad poziomem gruntu. CHM najczęściej powstaje na podstawie danych LiDAR, poprzez odjęcie Digital Terrain Model (DTM) od Digital Surface Model (DSM):
- DSM pokazuje wysokość wszystkich powierzchni – drzew, budynków, terenu.
- DTM reprezentuje wyłącznie teren bez roślinności i budowli.
- CHM izoluje wysokość roślinności, co jest idealne do wykrywania pojedynczych drzew.
CHM można także tworzyć na podstawie fotogrametrii (metoda Structure-from-Motion) lub zdjęć satelitarnych stereo, jednak LiDAR pozostaje najdokładniejszym źródłem.
Wykrywanie drzew z CHM?🛠️
1. Wstępne przetwarzanie CHM
CHM często zawiera szumy: drobne nierówności liści, podszyt czy cienie. Przetwarzanie wstępne redukuje te zakłócenia.Proces ten polega m.in. na:
- Downsampling 📉 - CHM o wysokiej rozdzielczości (np. 0,25 m/piksel) może być bardzo dużym plikiem. Zmniejszenie rozdzielczości redukuje czas obliczeń przy zachowaniu istotnych wierzchołków drzew.
- Wygładzanie 🌀 - najczęściej stosuje się filtr Gaussa, który wygładza drobne nierówności, np. sigma 2–3 piksele, aby połączyć małe piki liści w jeden szczyt drzewa.
2. Detekcja lokalnych maksimów
Wygładzony CHM jest analizowany pod kątem lokalnych maksimów, które odpowiadają czubkom drzew.
- Maximum filter 🔍 - każdy piksel jest porównywany z sąsiednimi w oknie o rozmiarze odpowiadającym minimalnej odległości między drzewami.
- Próg minimalnej wysokości 📏 - piki poniżej określonej wysokości (np. 5 m) są ignorowane, co eliminuje podszyt i niskie krzewy.
Wynikiem tego etapu jest lista punktów odpowiadających prawdopodobnym czubkom drzew.
3. Segmentacja koron drzew
Czasami lokalne maksima nie wystarczą, szczególnie gdy korony drzew zachodzą na siebie. Stosuje się wtedy segmentację:
- Watershed 🌊 - traktuje CHM jako powierzchnię, gdzie wierzchołki drzew to „szczyty”. Segmentacja przypisuje piksele do poszczególnych koron.
- Filtracja małych segmentów 🗑 - Segementy o powierzchni mniejszej niż ustalony próg (np. 3 m²) są odrzucane, co eliminuje fałszywe detekcje.
W przypadku prostszych zastosowań można ograniczyć się do samych punktów wierzchołków bez tworzenia poligonów koron.
Przykład tworzenia CHM w Pythonie: Trees Detection from CH - Soft-Data - Kaggle notebook
Porównanie metod detekcji drzew
Istnieje kilka sposobów wykrywania drzew, każdy z własnymi zaletami i ograniczeniami:
- 🌳 CHM / LiDAR - najdokładniejsza metoda do wykrywania czubków drzew i pomiaru ich wysokości. Dobrze sprawdza się w lasach naturalnych i zróżnicowanych strukturach. Wymaga danych LiDAR, które są kosztowne, ale dają wysoką precyzję.
- 🛰 Obrazowanie optyczne - wykorzystuje zdjęcia satelitarne lub z dronów. Pozwala na szybkie pokrycie dużych obszarów. Wadą jest brak informacji o wysokości drzew oraz trudności w gęstych lasach, gdzie cienie i nachylenie terenu mogą powodować błędy.
- 🤖 AI / Deep Learning - metody uczenia maszynowego potrafią automatycznie wykrywać drzewa i ich gatunki na podstawie obrazów RGB, multispektralnych lub CHM. Są bardzo obiecujące, ale wymagają danych treningowych i mogą nie działać dobrze w nowym środowisku, jeśli model nie był wcześniej nauczony na podobnych lasach.
- 📡 Klasyczny LiDAR - detekcja na podstawie chmur punktów LiDAR. Pozwala na pełną segmentację koron, analizę struktury lasu i dokładne pomiary wysokości. Wymaga jednak zaawansowanego przetwarzania i specjalistycznego oprogramowania.
Podsumowanie 🎨
Wykrywanie drzew z CHM to efektywna metoda dla lasów naturalnych i miejskich:
- CHM umożliwia detekcję punktów czubków drzew oraz segmentację koron.
- Wstępne wygładzenie i filtrowanie minimalnej wysokości pozwalają ograniczyć fałszywe detekcje.
- Metoda jest bardziej precyzyjna niż detekcja tylko z obrazów optycznych i pozwala uzyskać wysokość drzew, czego nie dają tradycyjne zdjęcia.
- Połączenie CHM z metodami AI lub klasycznym LiDAR pozwala jeszcze dokładniej analizować strukturę lasu i zdrowotność drzew.
Soft-Data specjalizuje się w detekcji, segmentacji, klasyfikacji drzew, krzewów oraz przeprowadzaniu analiz i symulacji drzewostanu.
