In een recent gepubliceerd onderzoek in Sensoren , Onderzoekers van de Saint Louis University koppelden satellietbeeldgegevens aan machine learning-technieken om lokale boomsoorten en gezondheid in kaart te brengen. De gegevens die door het project worden gegenereerd, zullen helpen bij het informeren van best practices voor het beheer van gezonde groene ruimten en bij het trimmen van programma's om stroomuitval na stormen te voorkomen.

Vasit Sagan, doctoraat, universitair hoofddocent Aard- en Atmosferische Wetenschappen aan de Saint Louis University, zegt dat het beheer van gezond stedelijk groen een belangrijke strategie is om de opwarming van de aarde tegen te gaan.

"Met dit werk ons doel was om de kwaliteit van leven in St. Louis en wereldwijd te verbeteren, " zei Sagan. "Bomen en groene ruimten zijn van cruciaal belang bij het tegengaan van de effecten van de opwarming van de aarde. In het algemeen, steden zijn ongeveer vijf graden Celsius warmer dan landelijke gebieden. Om stedelijke hitte-eilanden en klimaatveranderingseffecten te verminderen, we kunnen groene ruimtes vergroten.

"In dit onderzoek, we brachten acht boomsoorten in kaart:moerascipres, katoenhout, groene as, zilveren esdoorn, suikeresdoorn, speld eiken, Oostenrijkse dennen en sycomoor. Het hebben van een diversiteit aan boomsoorten is geweldig. Anderzijds, sommige soorten zijn gevoeliger voor stormen, omdat verschillende boomsoorten verschillende toleranties voor stress hebben. Het algemene idee was om op de ruimte gebaseerde technologie te gebruiken om het type boomsoort en de gezondheidstoestand te identificeren."

In het bos, een boom die tijdens een storm wordt getroffen, kan zomaar omvallen zonder veel hinder te veroorzaken. Als er een boom valt in St. Louis, het kan een stroomstoring veroorzaken. Het begrijpen van de soort en de gezondheidstoestand van bomen is belangrijk om veiligheids- en economische redenen. Jaarlijks worden er miljoenen dollars uitgegeven aan het kappen van bomen.

"Met gegevens van dit project, we kunnen de groeisnelheid van verschillende bomen volgen, die agentschappen kunnen helpen bij het beheren van hun trimprogramma's, "Zei Sagan. "Deze informatie zal nuttig zijn voor organisaties zoals Ameren in hun proactieve programma voor het snoeien van bomen."

Sean Hartling, SLU afgestudeerde student en auteur op het papier, zegt dat bepaalde bomen kwetsbaarder zijn voor stress en stormen.

"Bradford-peren of zilveren esdoorns zijn over het algemeen snelgroeiend en goedkoop, dus mensen zetten ze graag in hun tuin, "Zei Hartling. "Maar, ze zijn problematisch in de buurt van hoogspanningslijnen. Eiken en walnoot, anderzijds, zijn sterkere bomen."

De onderzoekers gebruikten LiDAR (Light Detection and Ranging) systeembeeldvorming in de lucht samen met satellietbeeldvormingstechnieken om gegevens over bomen te verzamelen. Vervolgens, ze "trainden" een op machines gebaseerde analytische tool om bomen te identificeren op basis van die gegevens.

"Het hele punt van dit project was classificatie, "Zei Hartling. "Door een datafusie-aanpak te implementeren, we hebben gegevens van verschillende sensoren die verschillende nuances kunnen oppikken.

"LiDAR heeft een hoge resolutie en produceert goede beeldgegevenssets. Het geeft ons boomhoogte en structuur. Het zichtbare nabij-infrarood geeft ons informatie over de visuele spectrumkenmerken, zoals het veranderende pigment tussen soorten. Korte golf infrarood komt in de chemische eigenschappen, zoals water- en chlorofylgehalte. We hopen dat deze gegevens de classificatie zullen helpen verbeteren."

"Vervolgens, we onderzoeken ook diep leren, waarin de classifier de machine traint om bomen te identificeren. De mogelijkheid om veel trainingsvoorbeelden te verwerken is een hot topic in beeldclassificatie. Maar, je hebt nog steeds monsters nodig om het model te trainen."

Dus, in de loop van twee maanden, Hartling digitaliseerde bijna elke boom - ongeveer 4, 000 - in Forest Park om een ​​machinegebaseerd hulpmiddel te "leren" om de beeldgegevens te gebruiken om bomen te classificeren.

"We hebben een geospatiale analysetool ontwikkeld die informatie uit verschillende bronnen combineert om beter onderscheid te kunnen maken tussen boomsoorten, "Zei Sagan. "Dit is echt baanbrekend in die zin dat we aan de ene kant echt op sensorische basis gebaseerde datasets hebben die ons de hoogte kunnen vertellen, vorm van bomen, patronen, distributies. En we brengen dat samen met geospatiale modeltools met behulp van de nieuwste deep (machine) learning. Dat is de kern van dit onderzoek."

De volgende stap van de onderzoekers is om te kijken naar boomsoorten, boomgezondheidsgegevens en hulpprogramma-informatie, het overlappen van de gegevens en het doen van hotspotanalyse, experts helpen bij het maken van kaarten van buurten die het risico lopen op stroomuitval tijdens stormen en helpen om de stroom snel te herstellen. Terwijl het team hun werk voortzet, ze zullen hun datasets aanvullen met UAV's (Unmanned Aerial Vehicles), ook wel drones genoemd.

"Voor de eerste studie we gebruikten satellietbeelden, ' zei Hartling. 'Vervolgens, we gebruiken kleine sensorische UAV's voor een hogere resolutie en nauwkeurigheid.

"We kunnen in een vlucht van 15 minuten met een UAV ongeveer 80 hectare bestrijken. We kunnen bomen identificeren die het risico lopen op schade of ziekte. We kunnen bruin worden aan de bovenkant van een bladerdak of een verandering van de schors. We zullen zien of we kunnen een methode vinden die we op grotere schaal kunnen gebruiken."

"We hebben eigenlijk LiDAR-gegevens voor elke tak van de bomen die we hebben bestudeerd, ' zei Sagan. 'Nu, we gebruiken UAV's om erop uit te gaan en onze eigen gegevens te creëren. De kracht van UAV's is dat we onze eigen hypothese kunnen opzetten en testen, en vervolgens opschalen naar satellieten."

"Net zoals een arts afbeeldingen kan gebruiken om te zien of je longen gezond zijn, we gebruiken beelden om te diagnosticeren of een plant gezond is of niet, ' zei Sagan.

De wetenschappers hebben samenwerkingsverbanden met verschillende organisaties in St. Louis. Het huidige project bracht bomen in Forest Park in kaart. Samenwerken met de begraafplaats van Bellefontaine, het team helpt het milieu en het arboretumniveau op de begraafplaats te verbeteren voor zeldzame planten en de gezondheid van bomen door een 3D digitaal park te creëren, evenals het in kaart brengen van invasieve en zeldzame plantensoorten.