Wirtualne lasy uczą AI rozpoznawać pojedyncze drzewa

Badacze z University of Cambridge opracowali CAMP3D, system tworzący automatycznie oznaczone skany LiDAR wirtualnych lasów. Dane syntetyczne mogą ograniczyć czasochłonne ręczne opisywanie skanów potrzebnych do szkolenia modeli analizujących pojedyncze drzewa.

Każde drzewo otrzymuje własną etykietę

Dron wyposażony w LiDAR wysyła impulsy laserowe i na podstawie ich odbić tworzy trójwymiarową chmurę punktów. Podobna technologia LiDAR pozwala odkrywać obiekty ukryte pod koronami drzew. W przypadku badań lasu algorytm musi dodatkowo ustalić, które punkty należą do poszczególnych drzew. Proces ten nazywa się segmentacją instancji.

Prawidłowe rozdzielenie drzew pozwala później określać m.in. wysokość pnia, rozmiar korony i strukturę drzewostanu. Dane mogą wspierać szacowanie biomasy oraz ilości zmagazynowanego węgla, a także badania nad tym, jak zmiany klimatu wpływają na wysokość drzew.

Ręczne oznaczanie skanów jest jednak czasochłonne. Autorzy badania przywołują wcześniejszy projekt, w którym opisanie 2,79 ha lasu zajęło dwóm specjalistom sześć miesięcy.

Las zbudowany w silniku gier

CAMP3D łączy generowanie roślinności w Unreal Engine z programem Blender oraz fizycznym symulatorem skanowania laserowego HELIOS++. Badacze przygotowali 12 wirtualnych scen leśnych o łącznej powierzchni 75 ha. Symulowany dron przelatuje nad nimi i tworzy chmurę punktów podobną do danych zbieranych w terenie.

Dzięki temu, że wszystkie obiekty zostały wcześniej zdefiniowane w środowisku cyfrowym, system automatycznie wie, do którego drzewa należy każdy punkt. Powstaje w ten sposób oznaczony zbiór gotowy do szkolenia modelu.

Autorzy wstępnie wytrenowali algorytm segmentacji na danych syntetycznych, a następnie dostroili go przy użyciu niewielkiej liczby rzeczywistych skanów. W najbardziej oszczędnym wariancie wykorzystano działkę mniejszą niż 0,1 ha, odpowiadającą 2,2 proc. powierzchni zbioru FOR-Instance. Uzyskany wynik był konkurencyjny wobec rezultatu modelu szkolonego na pełnym zbiorze rzeczywistym.

Wynik dotyczy określonych warunków

Eksperyment obejmował jeden algorytm segmentacji i jeden rzeczywisty zbiór porównawczy. Wykorzystano też tylko dwie klasy semantyczne, podczas gdy zbiór realny zawierał ich pięć. Autorzy przyznają, że powodowało to pewną utratę jakości. Większość przygotowanych scen przedstawiała europejskie lasy liściaste i iglaste.

CAMP3D nie jest więc gotowym systemem, który bez dostosowania rozpozna drzewa w każdym lesie. Badanie pokazuje jednak, że dane syntetyczne mogą ograniczyć ilość ręcznego etykietowania potrzebnego do dostrojenia modelu. Kod oraz zbiór danych udostępniono publicznie, co umożliwia testowanie metody w innych regionach i łączenie jej z rozwiązaniami takimi jak satelitarne pomiary nadziemnej biomasy.

Szymon Ślubowski