Detección de Huecos en el Dosel en Bosques Mixtos de Edad Desigual a Través del Uso Combinado de Imágenes de Vehículos Aéreos No Tripulados y Aprendizaje Profundo
Autores: Htun, Nyo Me; Owari, Toshiaki; Tsuyuki, Satoshi; Hiroshima, Takuya
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Detección de Huecos en el Dosel en Bosques Mixtos de Edad Desigual a Través del Uso Combinado de Imágenes de Vehículos Aéreos No Tripulados y Aprendizaje Profundo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Gaps en el dosel
Estructura del bosque
éxito de regeneración
Imágenes de UAV
Modelos de aprendizaje profundo
Modelo de altura del dosel
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Los huecos en el dosel y sus procesos asociados juegan un papel importante en la configuración de la estructura y dinámica del bosque. Comprender la información sobre los huecos en el dosel permite a los gestores forestales evaluar el potencial de regeneración y planificar intervenciones para mejorar el éxito de la regeneración. Las encuestas de campo tradicionales para los huecos en el dosel son lentas y a menudo inexactas. En este estudio, se detectaron huecos en el dosel utilizando imágenes de vehículos aéreos no tripulados (UAV) de dos subcompartimentos de un bosque mixto de edad desigual en el norte de Japón. Comparamos el rendimiento de los modelos de aprendizaje profundo U-Net y ResU-Net (U-Net combinado con ResNet101) utilizando datos de RGB, modelo de altura del dosel (CHM) y datos fusionados de RGB-CHM de imágenes de UAV. Nuestros resultados mostraron que el modelo ResU-Net, particularmente cuando fue preentrenado en ImageNet (ResU-Net_2), alcanzó los puntajes F1 más altos: 0.77 en el subcompartimento 42B y 0.79 en el subcompartimento 16AB, superando al modelo U-Net (0.52 y 0.63) y al modelo ResU-Net no preentrenado (ResU-Net_1) (0.70 y 0.72). ResU-Net_2 también logró valores de precisión general superiores de 0.96 y 0.97, superando métodos anteriores que utilizaron conjuntos de datos de UAV con metodologías variadas para la detección de huecos en el dosel. Estos hallazgos subrayan la efectividad del modelo ResU-Net_2 en la detección de huecos en el dosel en bosques mixtos de edad desigual. Además, cuando estos modelos entrenados se aplicaron como modelos de transferencia para detectar huecos causados específicamente por la cosecha selectiva utilizando imágenes de UAV antes y después, mostraron un potencial considerable, alcanzando puntajes F1 moderados de 0.54 y 0.56, incluso con un conjunto de datos de entrenamiento limitado. En general, nuestro estudio demuestra que la combinación de imágenes de UAV con técnicas de aprendizaje profundo, particularmente modelos preentrenados, mejora significativamente la precisión en la detección de huecos en el dosel y proporciona información valiosa para la gestión forestal y la investigación futura.
Descripción
Los huecos en el dosel y sus procesos asociados juegan un papel importante en la configuración de la estructura y dinámica del bosque. Comprender la información sobre los huecos en el dosel permite a los gestores forestales evaluar el potencial de regeneración y planificar intervenciones para mejorar el éxito de la regeneración. Las encuestas de campo tradicionales para los huecos en el dosel son lentas y a menudo inexactas. En este estudio, se detectaron huecos en el dosel utilizando imágenes de vehículos aéreos no tripulados (UAV) de dos subcompartimentos de un bosque mixto de edad desigual en el norte de Japón. Comparamos el rendimiento de los modelos de aprendizaje profundo U-Net y ResU-Net (U-Net combinado con ResNet101) utilizando datos de RGB, modelo de altura del dosel (CHM) y datos fusionados de RGB-CHM de imágenes de UAV. Nuestros resultados mostraron que el modelo ResU-Net, particularmente cuando fue preentrenado en ImageNet (ResU-Net_2), alcanzó los puntajes F1 más altos: 0.77 en el subcompartimento 42B y 0.79 en el subcompartimento 16AB, superando al modelo U-Net (0.52 y 0.63) y al modelo ResU-Net no preentrenado (ResU-Net_1) (0.70 y 0.72). ResU-Net_2 también logró valores de precisión general superiores de 0.96 y 0.97, superando métodos anteriores que utilizaron conjuntos de datos de UAV con metodologías variadas para la detección de huecos en el dosel. Estos hallazgos subrayan la efectividad del modelo ResU-Net_2 en la detección de huecos en el dosel en bosques mixtos de edad desigual. Además, cuando estos modelos entrenados se aplicaron como modelos de transferencia para detectar huecos causados específicamente por la cosecha selectiva utilizando imágenes de UAV antes y después, mostraron un potencial considerable, alcanzando puntajes F1 moderados de 0.54 y 0.56, incluso con un conjunto de datos de entrenamiento limitado. En general, nuestro estudio demuestra que la combinación de imágenes de UAV con técnicas de aprendizaje profundo, particularmente modelos preentrenados, mejora significativamente la precisión en la detección de huecos en el dosel y proporciona información valiosa para la gestión forestal y la investigación futura.