Jeden Tag scheinen Wissenschaftler eine neue Technologie oder einen neuen Algorithmus zu veröffentlichen. Künstliche Intelligenz und maschinelles Lernen sind allesamt leistungsstarke Werkzeuge, die Menschen weltweit helfen und die Forschung selbst beschleunigen können. Man könnte sich fragen, ob diese Ansätze noch eine gewisse menschliche Überwachung erfordern.
Eine arbeitsintensive Aufgabe für Ökologen und Naturschützer auf der ganzen Welt ist die Katalogisierung und Überwachung von Waldhabitaten. Terrestrisches Laserscanning (TLS) wird zu einem der gängigen Ansätze, einen 3D-Scan eines einzelnen Baums oder Waldstücks zu erstellen, um verschiedene Messungen (z. B. Anzahl der Bäume, Baumhöhe, Baumdurchmesser) zu extrahieren. Dieser rechentechnisch anspruchsvolle Ansatz ist anfällig für hohe Fehlerraten, da er auf Algorithmen beruht, die bestimmen, was ein Baum oder ein Baumteil in einer 3D-Punktwolke (dh einem Bild) ist.
Dr. Olivier Martin-Ducup von der University of Montpellier und Kollegen von der University of Yaoundé, der Aalto University und der Tampere University verglichen automatische und menschenbezogene Baummessungen auf einem ein Hektar großen Grundstück im Dja Faunal Reserve in Kamerun. Die Forscher fanden heraus, dass sie die Messfehler um den Faktor drei bis zehn reduzierten, wenn sie Bäume auf den Laserscans isolierten.
Im Jahr 2018 richteten Martin-Ducup und Kollegen im Dja Faunal Reserve ein 1 ha großes Waldgebiet ein. Das Team vermaß 391 Bäume und scannte das Grundstück in einem Schlangenmuster. Der Baum, Uapaca guineensis, war die häufigste Art, während Irvingia grandifolia hatte den größten Durchmesser (1.2 m).
Die Wissenschaftler testeten fünf vollautomatische Pipelines mit unterschiedlicher Software, Algorithmen und Einstellungen. Die drei Hauptschritte bestanden darin, zunächst einzelne Bäume aus der LIDAR-generierten 3D-Punktwolke zu lokalisieren und zu isolieren, die Blätter und das Holz zu segmentieren und Bäume mithilfe quantitativer struktureller Modellierung zu rekonstruieren.
Die Wissenschaftler testeten, ob menschliche Unterstützung in den verschiedenen Verarbeitungsstufen die Fehlerraten auf Parzellen-, Teilparzellen- und Baumebene reduzieren könnte. Baumhöhe, Durchmesser, Kronenfläche, Grundfläche und Holzvolumen wurden geschätzt und mit den manuellen Messungen verglichen.
Auf der Baumskala fand der Forscher heraus, dass das Isolieren von Bäumen mit menschlicher Hilfe den Fehler im Holzvolumen um den Faktor zehn reduzierte. Bei einer Parzellengröße von 1 ha reduzierte das Auffinden von Bäumen mit menschlicher Hilfe den Fehler um den Faktor drei.
„Die Ergebnisse zeigten, dass alle Pipelines wenig zuverlässige Ergebnisse lieferten, wenn sie vollautomatisch durchgeführt wurden“, schreiben Martin-Ducup und Kollegen.
„Diese Erkenntnis unterstreicht das Risiko der blinden Anwendung dieser automatisierten Behandlungen im Parzellenmaßstab. Wir haben jedoch gezeigt, dass die Bereitstellung menschlicher Unterstützung, auch begrenzter Unterstützung, bei kritischen Schritten in den automatisierten Pipeline-Methoden erheblich dazu beitragen kann, die Schätzfehler zu reduzieren.“
LIDAR-Scanning, maschinelles Lernen und künstliche Intelligenz sind aufregende neue Tools, die Wissenschaftlern, Naturschützern und Landbewirtschaftern helfen können. Aber das Erzählen von Bäumen in einem 3D-Bild kann von einer Person immer noch besser gemacht werden.
Neueste Kommentare