Epsilon Archive for Student Projects

Abstract

Inom skogsskötseln är det av intresse av flera anledningar att veta hur många döda träd det finns och var de står. Syftet med denna studie har varit att träna en djupinlärningsmodell (Faster R-CNN) att detektera döda träd utifrån flygbilder och utvärdera dess träffsäkerhet. Modellen tränades på manuellt markerade datapunkter, så kallat väglett lärande, på en högupplöst ortofotomosaik i två vegetationsindex, NDVI (Normalized Difference Vegetation Index) och GNDVI (Green Normalized Difference Vegetation Index). Träningsdatat är från fastigheten Remningstorp i Västra Götaland, där modellen också validerats. Sedan applicerades samma modell på en liknande ortofotomosaik över Asa försökspark i Småland. Resultatet från Remningstorp var 0,79 F1-poäng men från Asa var F1-poängen 0,12. Resultaten visar på att man med djupinlärningsmodeller kan uppnå goda resultat av automatiserade analyser för att identifiera döda stående stammar, dock att modeller som tränats på data från ett område är svåra att använda på andra områden. Modeller som bygger på väglett lärande är beroende av manuellt kategoriserat träningsdata, vilket gör de tidskrävande att träna. Slutsatsen är att modeller för detektering av döda träd ännu inte är tillräckligt utvecklade för att vara praktiskt användbara på annat än mindre områden.

In forest management, it is of interest for several reasons to know how many dead trees there are and where they are located. The aim of this study was to train a deep learning model (Faster R-CNN) to detect dead trees from aerial images and evaluate its precision. The model was trained on manually marked data points, so-called supervised learning, on an 8 cm resolution orthophoto of two vegetation indices, NDVI (Normalized Difference Vegetation Index) and GNDVI (Green Normalized Difference Vegetation Index). The training data is from the Remningstorp property in Västra Götaland, where the model was also validated. The same model was then applied to a similar orthophoto of Asa experimental park in Småland. The results from Remningstorp gives a F1-score of 0,79 but from Asa the F1-score was 0,12. This shows that deep learning models can achieve good results from automated analyses to identify dead trees and snags, but that models trained on data from one area are difficult to apply to other areas. Models based on supervised learning rely on manually categorised training data, making them time-consuming to train. The conclusion is that dead tree detection models are not yet sufficiently developed to be practically useful in more than small areas.