Detekce kůrovce
Ve spolupráci s naší sesterskou organizací SVS Plzeň (stará se mimo jiné o městské lesy) jsme v průběhu dvou let pracovali na projektu detekce kůrovce v konkrétním stromě. Dokážeme kůrovce odhalit díky snímkům pořízených multispektrální kamerou, které následně zpracováváme v aplikaci MultispectralExplorer využívajícím AI, který jsme sami vyvinuli. Detekce konkrétního stromu je možná ještě před prvním jarním rojením.
Markdown
MultispectralExplorer je mobilní aplikace, která primárně slouží jako nástroj pro včasné rozpoznání a nalezení kůrovce. Umožňuje automatické rozpoznání podezřelých stromů dříve, než je problém rozpoznatelný pouhým okem.
Aplikace pracuje s daty z multispektrální kamery, která je nesená dronem. Kamera snímá v pěti spektrech (R, G, B, NIR, RedEdge), ze kterých dokáže detekovat, jaké množství světla/potravy strom přijímá. Porovnávací metodou pak aplikace zjistí, jestli daný strom nevybočuje z normálu. Pokud ano, označí ho jako podezřelou vegetaci a přidá na seznam stromů, které je třeba zkontrolovat správcem lesa.
Vzhledem k základnímu principu této metody je aplikace schopná kůrovce odhalit 14 až 28 dní předtím, než dojde ke zreznutí stromu a přerojení brouka. Zároveň tato metoda zjistí i jiný druh napadení, nemoci, či přirozené zasychání stromů.
Aplikace je přímo napojená na náš cloud a všechna data jsou kdykoliv k dispozici online. Uživatel si může vybrané projekty stáhnout přímo do aplikace v tabletu. Díky tomu ho může aplikace vést k podezřelým stromům i bez přístupu k mobilním datům.
Mimo generování seznamu podezřelé vegetace, včetně GPS koordinátů jednotlivých stromů, poslouží aplikace i jako navigace nebo jako prohlížečka ostatních vegetačních indexů a spekter, které odborníkům pomáhají určit celkový stav lesa.
V současné chvíli probíhá vývoj řešení založeného na strojovém učení. V tomto případě se algoritmus sám učí rozpoznávat podezřelé oblasti. Není tedy nutné určovat pravidla, podle kterých jsou tyto oblasti definovány.
Systému jsou postupně předkládány různé vzorky dat společně s informací, zda se jedná o napadenou oblast či nikoliv. Tato fáze se nazývá trénovací a systém si sám hledá parametry, ve kterých se napadené a nenapadené oblasti odlišují. Po ukončení trénování je systém schopen na základě naučených pravidel sám rozhodovat.
Na přesnost tohoto přístupu má vliv několik faktorů z nichž pravděpodobně nejdůležitější je množství dat, která jsou použita pro trénování. Aby bylo možné mluvit o dostatečně obecné schopnosti rozlišovat mezi napadenou a nenapadenou oblastí, je třeba systému dodat řádově stovky až tisíce vzorků. Ideální je, aby množství napadených a nenapadených vzorků bylo přibližně stejné. Největší úskalí je tedy shromažďování těchto dat, jelikož dosud neexistuje veřejně dostupná databáze, která by tato data obsahovala.
V současné době máme k dispozici první verzi učícího se systému. S každým dalším rokem, kdy se nám podaří nasbírat nová data, je možné tento systém přetrénovat a zvýšit tak jeho přesnost i robustnost.
Ke zpracování nově nasnímaných dat bude sloužit server s operačním systémem Linux. Jakmile dojde k nalétání nové oblasti a získaná data se nahrají na předem určené místo, aplikace na serveru data automaticky zpracuje a výsledky v podobě pravděpodobnostních map zpřístupní aplikaci.
Plate JSON
MultispectralExplorer je mobilní aplikace, která primárně slouží jako nástroj pro včasné rozpoznání a nalezení kůrovce. Umožňuje automatické rozpoznání podezřelých stromů dříve, než je problém rozpoznatelný pouhým okem.
Aplikace pracuje s daty z multispektrální kamery, která je nesená dronem. Kamera snímá v pěti spektrech (R, G, B, NIR, RedEdge), ze kterých dokáže detekovat, jaké množství světla/potravy strom přijímá. Porovnávací metodou pak aplikace zjistí, jestli daný strom nevybočuje z normálu. Pokud ano, označí ho jako podezřelou vegetaci a přidá na seznam stromů, které je třeba zkontrolovat správcem lesa.
Vzhledem k základnímu principu této metody je aplikace schopná kůrovce odhalit 14 až 28 dní předtím, než dojde ke zreznutí stromu a přerojení brouka. Zároveň tato metoda zjistí i jiný druh napadení, nemoci, či přirozené zasychání stromů.
Aplikace je přímo napojená na náš cloud a všechna data jsou kdykoliv k dispozici online. Uživatel si může vybrané projekty stáhnout přímo do aplikace v tabletu. Díky tomu ho může aplikace vést k podezřelým stromům i bez přístupu k mobilním datům.
Mimo generování seznamu podezřelé vegetace, včetně GPS koordinátů jednotlivých stromů, poslouží aplikace i jako navigace nebo jako prohlížečka ostatních vegetačních indexů a spekter, které odborníkům pomáhají určit celkový stav lesa.
V současné chvíli probíhá vývoj řešení založeného na strojovém učení. V tomto případě se algoritmus sám učí rozpoznávat podezřelé oblasti. Není tedy nutné určovat pravidla, podle kterých jsou tyto oblasti definovány.
Systému jsou postupně předkládány různé vzorky dat společně s informací, zda se jedná o napadenou oblast či nikoliv. Tato fáze se nazývá trénovací a systém si sám hledá parametry, ve kterých se napadené a nenapadené oblasti odlišují. Po ukončení trénování je systém schopen na základě naučených pravidel sám rozhodovat.
Na přesnost tohoto přístupu má vliv několik faktorů z nichž pravděpodobně nejdůležitější je množství dat, která jsou použita pro trénování. Aby bylo možné mluvit o dostatečně obecné schopnosti rozlišovat mezi napadenou a nenapadenou oblastí, je třeba systému dodat řádově stovky až tisíce vzorků. Ideální je, aby množství napadených a nenapadených vzorků bylo přibližně stejné. Největší úskalí je tedy shromažďování těchto dat, jelikož dosud neexistuje veřejně dostupná databáze, která by tato data obsahovala.
V současné době máme k dispozici první verzi učícího se systému. S každým dalším rokem, kdy se nám podaří nasbírat nová data, je možné tento systém přetrénovat a zvýšit tak jeho přesnost i robustnost.
Ke zpracování nově nasnímaných dat bude sloužit server s operačním systémem Linux. Jakmile dojde k nalétání nové oblasti a získaná data se nahrají na předem určené místo, aplikace na serveru data automaticky zpracuje a výsledky v podobě pravděpodobnostních map zpřístupní aplikaci.
