DeepForest: Ein Python-Paket zur RGB-Datenanalyse der Kronen von Bäumen

Zusammenfassung Die Fernerkundung von bewaldeten Landschaften kann die Geschwindigkeit, den Umfang und die Kosten der Waldforschung revolutionieren. Die Abgrenzung einzelner Bäume in Fernerkundungsbildern ist eine wesentliche Aufgabe in der Waldanalyse. Hier stellen wir ein neues Python-Paket, DeepForest, vor, das einzelne Bäume in hochauflösenden RGB-Bildern mithilfe von Deep Learning erkennt. Während Deep Learning sich in einer Vielzahl von Aufgaben der Computer Vision als äußerst effektiv erwiesen hat, benötigt es große Mengen an Trainingsdaten, die in ökologischen Studien typischerweise schwer zu beschaffen sind. DeepForest überwindet dieses Limit, indem es ein Modell beinhaltet, das auf über 30 Millionen algorithmisch generierten Kronen aus 22 Wäldern vortrainiert und mit 10.000 manuell gekennzeichneten Kronen aus sechs Wäldern feinjustiert wurde. Das Paket unterstützt die Anwendung dieses allgemeinen Modells auf neue Daten, die Feinabstimmung des Modells auf neue Datensätze mit benutzerbeschrifteten Kronen, das Training neuer Modelle und die Bewertung der Modellvorhersagen. Dies vereinfacht den Prozess der Verwendung und des Retrainings von Deep Learning-Modellen für eine Vielzahl von Wäldern, Sensoren und räumlichen Auflösungen. Wir veranschaulichen den Workflow von DeepForest mit Daten des National Ecological Observatory Network, einem tropischen Wald in Französisch-Guayana, und Straßenbäumen aus Portland, Oregon.