Расшифровка сезонов роста деревьев в Шэньчжэне с помощью умного дистанционного зондирования

Исследователи представили передовой метод для динамической оценки сезонной высоты деревьев в Шэньчжэне. Этот подход, интегрирующий данные мультиспектрального дистанционного зондирования с алгоритмами машинного обучения, значительно повышает точность измерений, предлагая более быструю и экономичную альтернативу традиционным наземным обследованиям.

По мере быстрого расширения городов, традиционные методы измерения высоты деревьев становятся недостаточно эффективными. Это создало потребность в инновационных исследованиях, сочетающих мультиспектральное дистанрование и машинное обучение для мониторинга городских лесов.

24 января 2025 года команда под руководством профессора Бин Сю из Университета Цинхуа опубликовала исследование в Journal of Remote Sensing. Используя данные LiDAR и спутников, объединённые с технологиями машинного и глубокого обучения, учёные решали задачи мониторинга городских лесов.

Ключевым элементом стал Seasonal Tree Height Neural Network (STHNN) — модель, достигшая высокой точности в оценке высоты деревьев (R² = 0.80, MAE = 1.58 метра). Использование SHAP (SHapley Additive exPlanations) для оптимизации признаков позволило исключить 23 несущественные переменные из 52, повысив точность и снизив вычислительные затраты.

Модель STHNN показала хорошую обобщающую способность, точно оценивая высоту деревьев в разные сезоны и в разных географических регионах. В основе исследования лежал обширный набор данных за 2018–2023 годы, включавший спектральные, вегетационные, текстурные, поляризационные, рельефные и сезонные признаки. Среди множества протестированных моделей STHNN показала наилучший результат.

Анализ выявил, что высота городских деревьев в Шэньчжэне преимущественно находится в диапазоне от 6 до 14 метров и демонстрирует сильную пространственную автокорреляцию. Важным открытием стало то, что высота крон зимой стабильно ниже, чем летом, что отражает естественные сезонные изменения роста. Это подчёркивает необходимость учёта сезонной динамики для эффективного управления городскими лесами.

Для достижения результатов команда протестировала ряд моделей, включая множественную линейную регрессию, метод опорных векторов, случайный лес, XGBoost и искусственные нейронные сети. Используя инструменты отбора признаков, они определили оптимальные наборы данных для максимальной точности прогнозирования.

Эксперты подчеркнули, что это исследование не только повышает точность оценки высоты деревьев, но и предоставляет новые инструменты для отслеживания динамики городских лесов. Модель STHNN может стать основой для будущих стратегий озеленения городов и экологической защиты.

В перспективе эта технология обладает потенциалом для трансформации городской экологии и управления ресурсами. Её интеграция в городское планирование может изменить подход к распределению зелёных зон и разработке стратегий посадки деревьев, способствуя созданию более устойчивой городской среды.