Компьютеры помогают древесиноведам в идентификации древесины
Древесиноведение (анатомия древесины) — наиболее часто используемый метод для таксономической идентификации стволов деревьев. Число экспертов в этой области сокращается, а обучение занимает много лет. С помощью технологий специалисты по компьютерным наукам из Лейденского института передовых компьютерных наук (LIACS) в сотрудничестве с древесиноведами из Naturalis Biodiversity Center и международно признанными экспертами надеются разработать компьютерный инструмент для идентификации древесины.
Незаконные вырубки и идентификация древесины
Леса покрывают 30% площади суши Земли, что составляет около четырех миллиардов гектаров и три триллиона деревьев. За последние пятнадцать лет во всем мире были утрачены лесные регионы, сопоставимые по площади с совокупной территорией Франции, Испании и Великобритании. Эта потеря не только сокращает способность лесов накапливать углерод — один из наших главных буферов для CO2, извлеченного из атмосферы, — но и ведет к снижению биоразнообразия. Недавние оценки показывают, что вырубка лесов в тропиках в настоящее время происходит еще быстрее из-за неустойчивого сельского хозяйства, добычи полезных ископаемых и незаконных рубок. Однако незаконные вырубки редко приводят к судебному преследованию, поскольку существует мало эффективных судебно-медицинских инструментов для идентификации древесины.
Древесиноведение остается наиболее распространенным методом идентификации, но для становления экспертом требуются годы обучения, что ведет к сокращению числа опытных специалистов. Кроме того, древесиноведы обычно могут идентифицировать древесину на уровне рода, а не вида, в то время как Конвенция о международной торговле видами дикой фауны и флоры, находящимися под угрозой исчезновения (СИТЕС) часто требует идентификации на уровне вида. Поэтому древесиноведы и компьютерщики объединяют усилия для разработки более быстрых и точных методов идентификации образцов древесины с помощью компьютерной поддержки анализа микроскопических фотографий.
Классификация на уровне вида
На основе существующей базы данных микроскопических изображений поперечных срезов (рис. 1A-B), содержащей по 20 изображений для каждого из 112 исследованных видов древесины, ученые классифицировали изображения на уровне вида. Для этого использовались компьютерно-генерируемые признаки (рис. 1C-F), которые сравнивались с более продвинутыми методами на основе технологии глубокого обучения (Deep Learning) или сверточных нейронных сетей (CNNs).
Благодаря подходу глубокого обучения процент распознавания вида увеличился до 96,4%. Это открывает возможности для расширения доступного набора фотографий новыми изображениями поперечных и продольных срезов всех видов деревьев из списка СИТЕС, а также видов, демонстрирующих сильное анатомическое сходство древесины с видами СИТЕС.
Благодаря этой новой справочной базе данных в будущем станет возможным разработать инструмент, который позволит таможенным органам и другим заинтересованным сторонам идентифицировать образец древесины даже точнее, чем это делают опытные эксперты-древесиноведы.