DeepForest (https://deepforest.readthedocs.io/en/latest/) — это пакет на языке Python для обнаружения и классификации объектов на RGB-снимках (сверх)высокого пространственного разрешения. Он использует сети глубокого обучения и построен на основе модуля обнаружения объектов из пакета torchvision.
DeepForest предназначен для упрощения обучения моделей обнаружения природных объектов, в частности, деревьев. Разработчики старались сделать его простым, настраиваемым и модульным, скрывая ненужные сложности от пользователя. Вот, например, как выглядит разметка снимка предобученной моделью:
DeepForest содержит две предобученные модели: Bird Detection и Tree Crown Detection.
Пакет неплохо документирован, снабжен примерами использования, а также советами по настройке, обучению и расширению возможностей.
🖥 Пример работы DeepForest в Google Colab (с инсталляцией пакетов)
В документах есть ссылки на публикации с описанием DeepForest, использованные для обучения снимки находятся в открытом доступе. Есть и “сторонние” примеры использования DeepForest:
🔗 Tree crown detection using DeepForest
#нейронки #python #лес
DeepForest предназначен для упрощения обучения моделей обнаружения природных объектов, в частности, деревьев. Разработчики старались сделать его простым, настраиваемым и модульным, скрывая ненужные сложности от пользователя. Вот, например, как выглядит разметка снимка предобученной моделью:
from deepforest import main
from deepforest import get_data
import matplotlib.pyplot as plt
model = main.deepforest()
model.use_release()
sample_image_path = get_data("OSBS_029.png")
img = model.predict_image(path=sample_image_path, return_plot=True)
plt.imshow(img[:,:,::-1])
DeepForest содержит две предобученные модели: Bird Detection и Tree Crown Detection.
Пакет неплохо документирован, снабжен примерами использования, а также советами по настройке, обучению и расширению возможностей.
🖥 Пример работы DeepForest в Google Colab (с инсталляцией пакетов)
В документах есть ссылки на публикации с описанием DeepForest, использованные для обучения снимки находятся в открытом доступе. Есть и “сторонние” примеры использования DeepForest:
🔗 Tree crown detection using DeepForest
#нейронки #python #лес
Выпущен глобальный набор данных высоты растительности по наблюдениям космических лидаров GEDI и ICESat2
Первая версия Global Vegetation Height Metrics from GEDI and ICESat2 содержит значения относительных показателей высоты растительности по данным GEDI уровня 2A и данным ICESat-2 уровня 3A с пространственным разрешением 100-, 200-, 500- и 1000 метров.
Метрики включают относительные высоты RH98, RH90, RH75 и RH50, соответствующие высотам, на которых достигается 98-й, 90-й, 75-й и 50-й процентиль возвращенной энергии относительно земли. Эти метрики позволяют оценить высоту и структуру растительного полога. Выполнена взаимная калибровка метрик по области перекрытия данных (50–52° с.ш.).
Данные GEDI были собраны в период с 2019 по 2022 год, а данные ICESat-2 — в период с 2019 по 2021 год. Данные предоставлены в формате Cloud Optimized GeoTIFF.
🔗 Saatchi, S.S., and S. Favrichon. 2023. Global Vegetation Height Metrics from GEDI and ICESat2. ORNL DAAC, Oak Ridge, Tennessee, USA. https://doi.org/10.3334/ORNLDAAC/2294
#растительность #лидар #лес #данные
Первая версия Global Vegetation Height Metrics from GEDI and ICESat2 содержит значения относительных показателей высоты растительности по данным GEDI уровня 2A и данным ICESat-2 уровня 3A с пространственным разрешением 100-, 200-, 500- и 1000 метров.
Метрики включают относительные высоты RH98, RH90, RH75 и RH50, соответствующие высотам, на которых достигается 98-й, 90-й, 75-й и 50-й процентиль возвращенной энергии относительно земли. Эти метрики позволяют оценить высоту и структуру растительного полога. Выполнена взаимная калибровка метрик по области перекрытия данных (50–52° с.ш.).
Данные GEDI были собраны в период с 2019 по 2022 год, а данные ICESat-2 — в период с 2019 по 2021 год. Данные предоставлены в формате Cloud Optimized GeoTIFF.
🔗 Saatchi, S.S., and S. Favrichon. 2023. Global Vegetation Height Metrics from GEDI and ICESat2. ORNL DAAC, Oak Ridge, Tennessee, USA. https://doi.org/10.3334/ORNLDAAC/2294
#растительность #лидар #лес #данные
Бинарная карта классификации леса TanDEM-X 50m Forest/Non-Forest Map [ссылка].
Эта глобальная карта лесов создана на основе интерферометрических данных миссии TanDEM-X. Пара спутников миссии собирали данные для создания глобальной цифровой модели рельефа в период с 2011 по 2015 год в режиме съемки с поляризацией HH. Карта лесов с пространственным разрешением 50 м находится в общем доступе и является пространственно усредненной версией оригинальных (платных) данных, имеющих разрешение 12 м.
#лес #данные
Эта глобальная карта лесов создана на основе интерферометрических данных миссии TanDEM-X. Пара спутников миссии собирали данные для создания глобальной цифровой модели рельефа в период с 2011 по 2015 год в режиме съемки с поляризацией HH. Карта лесов с пространственным разрешением 50 м находится в общем доступе и является пространственно усредненной версией оригинальных (платных) данных, имеющих разрешение 12 м.
#лес #данные
Демонстрация, показывающая, как оценить выбросы углерода, связанные с обезлесением, используя данные, предоставленные Vizzuality на Source Cooperative, и размещенные на бесплатном уровне Hugging Face [ссылка]. На карте будут показаны тонны углерода, потерянные в период с 2002 по 2022 год.
#данные #лес
#данные #лес
Оценка высоты растительного полога и содержания углерода по спутниковым данным из Google Earth Engine [ссылка]
В работе выполняется оценка высоты полога и содержания углерода в районе Малайского университета (Куала-Лумпур, Малайзия) в период с 1 апреля 2021 года по 30 июня 2021 года. На территории кампуса находится заповедный лес Римба Ильму (Лес знаний), площадью около 80 гектаров
Модели высоты полога строятся на данных Sentinel-1, Sentinel-2, NASA SRTM Digital Elevation 30m, GEDI L2A Raster Canopy Top Height и GEDI L4B Gridded Aboveground Biomass Density. Для классификации типов земного покрова используются данные ESA WorldCover 10m.
Все данные взяты из Google Earth Engine (GEE). Все вычисления также выполнены в GEE и находятся в общем доступе.
Точность результатов невысока. Но это — точка отсчёта, с которой можно начинать изучать подобные задачи.
#лес #AGB #GEE
В работе выполняется оценка высоты полога и содержания углерода в районе Малайского университета (Куала-Лумпур, Малайзия) в период с 1 апреля 2021 года по 30 июня 2021 года. На территории кампуса находится заповедный лес Римба Ильму (Лес знаний), площадью около 80 гектаров
Модели высоты полога строятся на данных Sentinel-1, Sentinel-2, NASA SRTM Digital Elevation 30m, GEDI L2A Raster Canopy Top Height и GEDI L4B Gridded Aboveground Biomass Density. Для классификации типов земного покрова используются данные ESA WorldCover 10m.
Все данные взяты из Google Earth Engine (GEE). Все вычисления также выполнены в GEE и находятся в общем доступе.
Точность результатов невысока. Но это — точка отсчёта, с которой можно начинать изучать подобные задачи.
#лес #AGB #GEE
The BioMassters — соревнование по оценке надземной биомассы леса методами машинного обучения [ссылка].
Задача BioMassters заключалась в оценке годовой биомассы участков леса размером 2560 х 2560 м, расположенных в Финляндии, с помощью ежемесячных снимков Sentinel-1 и Sentinel-2, полученных на тех же участках. В качестве исходных, использовались данные воздушного лидара и натурных измерений, ежегодно проводимых Финским лесным центром.
Соревнование состоялось в прошлом году, но его результаты находятся в открытом доступе.
🛢 Репозиторий моделей-победителей
#AGB #лес #нейронки
Задача BioMassters заключалась в оценке годовой биомассы участков леса размером 2560 х 2560 м, расположенных в Финляндии, с помощью ежемесячных снимков Sentinel-1 и Sentinel-2, полученных на тех же участках. В качестве исходных, использовались данные воздушного лидара и натурных измерений, ежегодно проводимых Финским лесным центром.
Соревнование состоялось в прошлом году, но его результаты находятся в открытом доступе.
🛢 Репозиторий моделей-победителей
#AGB #лес #нейронки
Карты высоты древесного полога с разрешением 1 метр
Глобальные данные Global Canopy Height Maps содержат информацию о высоте древесного полога с пространственным разрешением 1 м. Данные получены Meta и World Resources Institute на основе спутниковых снимков с 2009 по 2020 год и модели искусственного интеллекта DiNOv2. Средняя абсолютная ошибка (mean absolute error) оценки высоты полога составляет 2,8 м.
🌐 Данные на Google Earth Engine
📖 Tolan, J. et al. 2024. Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on aerial lidar. Remote Sensing of Environment, 300, p.113888. https://doi.org/10.1016/j.rse.2023.113888
📸 Глобальная карта высоты полога
#лес #AGB #данные #GEE
Глобальные данные Global Canopy Height Maps содержат информацию о высоте древесного полога с пространственным разрешением 1 м. Данные получены Meta и World Resources Institute на основе спутниковых снимков с 2009 по 2020 год и модели искусственного интеллекта DiNOv2. Средняя абсолютная ошибка (mean absolute error) оценки высоты полога составляет 2,8 м.
🌐 Данные на Google Earth Engine
📖 Tolan, J. et al. 2024. Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on aerial lidar. Remote Sensing of Environment, 300, p.113888. https://doi.org/10.1016/j.rse.2023.113888
📸 Глобальная карта высоты полога
#лес #AGB #данные #GEE
This media is not supported in your browser
VIEW IN TELEGRAM
Tallo: глобальная база данных аллометрических показателей деревьев
Данные о размерах и форме деревьев, такие как диаметр ствола, высота и размер кроны, лежат в основе широкого спектра экологических исследований, от разработки и проверки моделей динамики лесов до оценки запасов углерода леса, а также интеграции снимков дистанционного зондирования в программы мониторинга лесов. Добыть такие данные, особенно по отдельным регионам мира и конкретным таксономическим группам, бывает весьма непросто. База данных Tallo призвана помочь в решении этой проблемы.
Tallo — это коллекция из 498 838 геопривязанных и таксономически стандартизированных записей об отдельных деревьях, для которых были измерены диаметр ствола, высота и/или радиус кроны. Эти данные были собраны на 61 856 глобально распределенных участках, охватывающих все основные лесные и безлесные биомы. Большинство деревьев в базе данных идентифицированы до вида (88%). Tallo содержит данные для 5163 видов, распределенных по 1453 родам и 187 семействам растений. База находится в открытом доступе под лицензией CC-BY 4.0.
🛢 Данные Tallo на Zenodo
🗺 Данные Tallo на GEE
📖 Jucker, T., Fischer, F. J., Chave, J., Usoltsev, V. et al. (2022). Tallo: A global tree allometry and crown architecture database. Global Change Biology, 28(17), 5254–5268. Portico. https://doi.org/10.1111/gcb.16302
#лес #данные
Данные о размерах и форме деревьев, такие как диаметр ствола, высота и размер кроны, лежат в основе широкого спектра экологических исследований, от разработки и проверки моделей динамики лесов до оценки запасов углерода леса, а также интеграции снимков дистанционного зондирования в программы мониторинга лесов. Добыть такие данные, особенно по отдельным регионам мира и конкретным таксономическим группам, бывает весьма непросто. База данных Tallo призвана помочь в решении этой проблемы.
Tallo — это коллекция из 498 838 геопривязанных и таксономически стандартизированных записей об отдельных деревьях, для которых были измерены диаметр ствола, высота и/или радиус кроны. Эти данные были собраны на 61 856 глобально распределенных участках, охватывающих все основные лесные и безлесные биомы. Большинство деревьев в базе данных идентифицированы до вида (88%). Tallo содержит данные для 5163 видов, распределенных по 1453 родам и 187 семействам растений. База находится в открытом доступе под лицензией CC-BY 4.0.
🛢 Данные Tallo на Zenodo
🗺 Данные Tallo на GEE
📖 Jucker, T., Fischer, F. J., Chave, J., Usoltsev, V. et al. (2022). Tallo: A global tree allometry and crown architecture database. Global Change Biology, 28(17), 5254–5268. Portico. https://doi.org/10.1111/gcb.16302
#лес #данные
Оценка уровня повреждения леса вредителями по временным рядам вегетационного индекса
При анализе повреждений леса вредителями по данным дистанционного зондирования возникают две задачи: 1) обнаружение древостоев, пострадавших от вредителей и 2) оценка уровня повреждения. Для решения первой задачи бывает достаточно единственного спутникового снимка. Для оценки уровня ущерба необходимо использовать сезонный временной ряд данных ДЗЗ.
Одним из наиболее распространенных в Северном полушарии вредителей леса является непарный шелкопряд (Lymantria dispar L). Гусеницы этого вида объедают листву лиственных деревьев. Тем не менее, значительная часть повреждённых деревьев впоследствии восстанавливается. Именно эта особенность позволила выделить очаги поражения непарным шелкопрядом.
Учёные из Института леса имени В. Н. Сукачева СО РАН (Красноярск) с коллегами из Института систематики и экологии животных СО РАН (Новосибирск) предложили выявлять очаги размножения непарного шелкопряда по временным рядам нормализованного разностного вегетационного индекса (NDVI), построенного по данным спутника Sentinel-2.
Оказалось, что у лесов, повреждённых вредителем, вегетационный индекс падает примерно на 25–50% в конце мая - начале июня — в период наибольшей активности гусениц непарного шелкопряда. В здоровых лесах такого не наблюдается. По тому, насколько снизился индекс в поражённых лесах, можно рассчитать нанесенный вредителями урон.
Исследователи сравнили данные, полученные с помощью такого подхода, с оценками, которые дали наземные наблюдения за состоянием деревьев, и определили, что точность дистанционного метода составляет 90%.
🌳 Источник
📊 Типичная кривая сезонной динамики NDVI для повреждённого вредителем (красный цвет) и контрольного участка здорового леса (зелёный цвет) (источник)
#лес
При анализе повреждений леса вредителями по данным дистанционного зондирования возникают две задачи: 1) обнаружение древостоев, пострадавших от вредителей и 2) оценка уровня повреждения. Для решения первой задачи бывает достаточно единственного спутникового снимка. Для оценки уровня ущерба необходимо использовать сезонный временной ряд данных ДЗЗ.
Одним из наиболее распространенных в Северном полушарии вредителей леса является непарный шелкопряд (Lymantria dispar L). Гусеницы этого вида объедают листву лиственных деревьев. Тем не менее, значительная часть повреждённых деревьев впоследствии восстанавливается. Именно эта особенность позволила выделить очаги поражения непарным шелкопрядом.
Учёные из Института леса имени В. Н. Сукачева СО РАН (Красноярск) с коллегами из Института систематики и экологии животных СО РАН (Новосибирск) предложили выявлять очаги размножения непарного шелкопряда по временным рядам нормализованного разностного вегетационного индекса (NDVI), построенного по данным спутника Sentinel-2.
Оказалось, что у лесов, повреждённых вредителем, вегетационный индекс падает примерно на 25–50% в конце мая - начале июня — в период наибольшей активности гусениц непарного шелкопряда. В здоровых лесах такого не наблюдается. По тому, насколько снизился индекс в поражённых лесах, можно рассчитать нанесенный вредителями урон.
Исследователи сравнили данные, полученные с помощью такого подхода, с оценками, которые дали наземные наблюдения за состоянием деревьев, и определили, что точность дистанционного метода составляет 90%.
🌳 Источник
📊 Типичная кривая сезонной динамики NDVI для повреждённого вредителем (красный цвет) и контрольного участка здорового леса (зелёный цвет) (источник)
#лес
Новая модель оценки высоты лесного полога [ссылка]
Предлагается модель оценки высоты лесного полога в глобальном масштабе, основанная на спутниковых данных. По словам авторов, “модель использует передовые методы предварительной обработки данных, прибегает к новой функции потерь, разработанной для борьбы с неточностями геолокации, присущими наземным измерениям высоты, и использует данные миссии Shuttle Radar Topography Mission для эффективной фильтрации ошибочных меток в горных районах, повышая надежность наших прогнозов в этих районах”. Сравнение результатов с наземными данными даёт MAE = 2,43 м и RMSE = 4,73 м в целом, а также MAE = 4,45 и RMSE = 6,72 метров для деревьев высотой более пяти метров, что лучше существующих глобальных карт — этой и этой. Полученная карта высот, а также лежащий в её основе подход, должны облегчить и улучшить экологический анализ в глобальном масштабе, в том числе крупномасштабный мониторинг лесов и биомассы.
В списке авторов есть Sassan Saatchi — известный специалист в данной области.
🛢 Код и документация
1️⃣ Схема расчёта глобальных карт высоты лесного полога.
2️⃣ Визуальное сравнение фрагментов различных глобальных карт высот лесного полога (предлагаемая — Ours).
#лес #AGB #данные
Предлагается модель оценки высоты лесного полога в глобальном масштабе, основанная на спутниковых данных. По словам авторов, “модель использует передовые методы предварительной обработки данных, прибегает к новой функции потерь, разработанной для борьбы с неточностями геолокации, присущими наземным измерениям высоты, и использует данные миссии Shuttle Radar Topography Mission для эффективной фильтрации ошибочных меток в горных районах, повышая надежность наших прогнозов в этих районах”. Сравнение результатов с наземными данными даёт MAE = 2,43 м и RMSE = 4,73 м в целом, а также MAE = 4,45 и RMSE = 6,72 метров для деревьев высотой более пяти метров, что лучше существующих глобальных карт — этой и этой. Полученная карта высот, а также лежащий в её основе подход, должны облегчить и улучшить экологический анализ в глобальном масштабе, в том числе крупномасштабный мониторинг лесов и биомассы.
В списке авторов есть Sassan Saatchi — известный специалист в данной области.
🛢 Код и документация
1️⃣ Схема расчёта глобальных карт высоты лесного полога.
2️⃣ Визуальное сравнение фрагментов различных глобальных карт высот лесного полога (предлагаемая — Ours).
#лес #AGB #данные