Resumen

La detección de copas de árboles individuales y la estimación de parámetros morfológicos se pueden utilizar para cuantificar el valor social, ecológico y paisajístico de los árboles urbanos, que desempeñan un papel cada vez más importante en las ciudades densamente construidas. En este estudio, se desarrolló una arquitectura novedosa basada en el aprendizaje profundo para detectar automáticamente las copas de los árboles y estimar el tamaño de las copas y la altura de los árboles a partir de un conjunto de imágenes rojo-verde-azul (RGB). La viabilidad de la arquitectura se verificó sobre la base de imágenes de alta resolución de vehículos aéreos no tripulados (UAV) utilizando una red neuronal llamada FPN-Faster R-CNN, que es una red unificada que combina una red piramidal de características (FPN) y una red neuronal convolucional basada en regiones más rápida (Faster R-CNN). Entre más de 400 copas de árboles, incluidas 213 copas de Ginkgo biloba, en 7 escenas de prueba complejas, se identificaron correctamente 174 copas de árbol de ginkgo, lo que arrojó un nivel de recuerdo de 0,82. La precisión y la puntuación F fueron de 0,96 y 0,88, respectivamente. El error medio absoluto (MAE) y el error medio porcentual absoluto (MAPE) de la estimación de la anchura de la copa fueron de 0,37 m y 8,71%, respectivamente. El MAE y el MAPE de la estimación de la altura del árbol fueron de 0,68 m y 7,33%, respectivamente. Los resultados mostraron que la arquitectura es práctica y puede aplicarse a muchas escenas urbanas complejas para satisfacer las necesidades de la gestión de inventarios de espacios verdes urbanos.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:r más rápido, copas de árboles, detección de copas de árboles individuales, muchas escenas urbanas complejas, gestión de inventarios de espacios verdes urbanos, error porcentual absoluto, escenas de prueba complejas, red neuronal convolucional, estimación de la anchura de las copas, red piramidal de características
• Keywords:faster r, tree crowns, individual tree crown detection, many complex urban scenes, urban green space inventory management, absolute percentage error, complex test scenes, convolutional neural network, crown width estimation, feature pyramid network