DOI: https://doi.org/10.1038/s41598-026-36541-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41559312
تاريخ النشر: 2026-01-20
المؤلف: Mai Viet Hoang وآخرون
الموضوع الرئيسي: الاستشعار عن بعد وتطبيقات LiDAR
نظرة عامة
تقدم البحث طريقة جديدة، TreeCoG، لتجزئة كائنات الأشجار باستخدام صور RGB الملتقطة بواسطة الطائرات بدون طيار، مع معالجة التحديات التي تواجهها البيئات الغابية الكثيفة حيث تكافح الطرق التقليدية للتجزئة. تستخدم TreeCoG عملية من ثلاث خطوات: (1) استخراج الحدود من صور الطائرات بدون طيار، (2) استخراج وتمثيل ميزات الحدود، و(3) دمج الحدود باستخدام شبكة الالتفاف البيانية (GCN). تتيح هذه الطريقة تحديد تيجان الأشجار الفردية بشكل فعال من خلال تقسيم الصور بشكل مفرط ثم دمج الحدود لتحسين الدقة.
بالإضافة إلى ذلك، يقدم الدراسة مجموعة بيانات ForestSeg، التي تتكون من 2,944 صورة موضحة تم جمعها في مواسم مختلفة من الغابات الاستوائية الكثيفة في فيتنام. هذه المجموعة، التي تم تقسيمها إلى أربع مجموعات فرعية، تلتقط التغيرات الزمنية في مظهر الأشجار، مما يسهل التقييم القوي لطرق التجزئة. تظهر النتائج التجريبية أداءً متفوقًا لـ TreeCoG، حيث تحقق 57.01% دقة متوسطة (AP) على مجموعة بيانات ForestSeg و53.21% AP على مجموعة بيانات BAMFORESTS، متفوقة على أحدث الطرق. ستركز الأعمال المستقبلية على تحسين النموذج من خلال التعلم الذاتي، وتعزيز دقة دمج الحدود، وتوسيع مجموعة البيانات لتشمل بيئات غابية متنوعة لتحسين رسم خرائط التنوع البيولوجي.
طرق
في هذا القسم، يقيم المؤلفون طرق توليد الحدود المختلفة ضمن إطارهم المقترح لتجزئة كائنات الأشجار. يقارنون بين ثلاث طرق للكشف عن الحواف العميقة—PiDiNet وDexiNed وEDTER—مركزين على فعاليتها في توليد الحدود التي تحدد تيجان الأشجار. تشير النتائج، الملخصة في الجدول 3، إلى أن طريقة EDTER تتفوق على كل من PiDiNet وDexiNed من حيث دقة التصنيف (65.37%) ودقة متوسطة (AP) (57.01%). من الجدير بالذكر أن EDTER تظهر تحسينات كبيرة مقارنة بـ PiDiNet، مما يعزز عملية بناء الكائنات اللاحقة من خلال توفير تهيئات حدود أكثر دقة. بينما DexiNed، على الرغم من أنه أفضل من PiDiNet، إلا أنه لا يزال أقل من EDTER، خاصة تحت معايير التقييم الأكثر صرامة.
بالإضافة إلى ذلك، يتم مقارنة الطريقة المقترحة ضد نماذج التجزئة الحديثة، بما في ذلك Mask-RCNN وDetectree2 وYOLOv11 وMask2Former، باستخدام مجموعة بيانات ForestSeg-T1. تحقق الطريقة المقترحة أعلى أداء عبر جميع المقاييس، مع AP قدره 57.01%، مع الحفاظ على وقت استدلال سريع قدره 6.2 مللي ثانية لكل صورة، مما يجعلها النموذج الأكثر كفاءة الذي تم تقييمه. بالمقابل، تظهر Mask-RCNN (SwinT) وYOLOv11، على الرغم من أدائها التنافسي، تعقيدات حسابية أعلى وأوقات استدلال أبطأ. تؤكد النتائج قدرة الطريقة المقترحة على تحقيق توازن بين الدقة والكفاءة، مما يجعلها مناسبة بشكل خاص للتطبيقات في البيئات ذات الموارد المحدودة. توضح النتائج المرئية أيضًا قدرات الطريقة المتفوقة في تحديد الكائنات واكتشاف الحدود.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج المقاسة، حيث تكشف التحليلات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى وجود دليل قوي ضد فرضية العدم.
بالإضافة إلى ذلك، تظهر النتائج أن النموذج المستخدم للتنبؤات حقق معدل دقة قدره 85%، مما يدل على قوته في التنبؤ بالمتغير التابع. توضح التمثيلات الرسومية، مثل الرسوم البيانية المتناثرة وخطوط الانحدار، العلاقات الملاحظة، مما يوفر تأكيدًا بصريًا للنتائج الكمية. بشكل عام، تساهم هذه النتائج في فهم الظاهرة المدروسة وتبرز فعالية المنهجيات المستخدمة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم والتحديات في تطبيق تقنيات الاستشعار عن بعد ورؤية الكمبيوتر لمراقبة الغابات والتنوع البيولوجي. تعتبر المهام الرئيسية مثل الكشف والتجزئة والتتبع ضرورية لتحليل بيانات الاستشعار عن بعد على نطاق واسع، خاصة في فهم ديناميات الغابات وتغيرات النظام البيئي. غالبًا ما تكافح الطرق التقليدية لاكتشاف تيجان الأشجار في البيئات الغابية الكثيفة، مما يؤدي إلى التحول نحو أساليب التعلم العميق، التي أظهرت أداءً متفوقًا في استخراج الميزات والدقة. من الجدير بالذكر أن نموذج MOPAD وشبكة التكيف متعددة المستويات (MADAN) تم تطويرهما لمعالجة التحديات المتعلقة بمراقبة حالة الأشجار بالتفصيل وقابلية التوسع الجغرافية، على التوالي.
تناقش الورقة أيضًا طرق التجزئة المختلفة، مع التأكيد على فعالية الأطر مثل Mask R-CNN وYOLO لتحديد تيجان الأشجار الفردية من صور الطائرات بدون طيار. بينما تحقق هذه الطرق دقة عالية، إلا أنها تواجه قيودًا في التاجات الكثيفة حيث تتداخل تيجان الأشجار. تعالج طريقة TreeCoG المقترحة هذه التحديات من خلال تأطير تجزئة تيجان الأشجار كمشكلة بناء رسم بياني، باستخدام تقنيات استخراج الحدود ودمجها لتعزيز دقة التجزئة. تقدم الدراسة مجموعة بيانات ForestSeg، التي توفر صور UAV عالية الدقة لتدريب وتقييم نماذج التجزئة، مما يساهم في توفير موارد قيمة لتقدم مراقبة وإدارة الغابات المعتمدة على الطائرات بدون طيار.
DOI: https://doi.org/10.1038/s41598-026-36541-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41559312
Publication Date: 2026-01-20
Author(s): Mai Viet Hoang et al.
Primary Topic: Remote Sensing and LiDAR Applications
Overview
The research presents a novel method, TreeCoG, for tree instance segmentation using UAV-captured RGB images, addressing the challenges of dense forest environments where traditional segmentation methods struggle. TreeCoG employs a three-step process: (1) contour extraction from UAV images, (2) contour feature extraction and representation, and (3) contour merging using a Graph Convolutional Network (GCN). This approach allows for effective delineation of individual tree crowns by first over-segmenting the images and then merging contours to improve accuracy.
Additionally, the study introduces the ForestSeg dataset, which consists of 2,944 annotated images collected in various seasons from dense tropical forests in Vietnam. This dataset, divided into four subsets, captures temporal variations in tree appearances, facilitating robust evaluation of segmentation methods. Experimental results demonstrate TreeCoG’s superior performance, achieving 57.01% Average Precision (AP) on the ForestSeg dataset and 53.21% AP on the BAMFORESTS dataset, outperforming state-of-the-art methods. Future work will focus on refining the model through self-supervised learning, enhancing contour merging accuracy, and expanding the dataset to include diverse forest environments for improved biodiversity mapping.
Methods
In this section, the authors evaluate various contour generation methods within their proposed framework for tree instance segmentation. They compare three deep edge detection approaches—PiDiNet, DexiNed, and EDTER—focusing on their effectiveness in generating contours that delineate tree canopies. The results, summarized in Table 3, indicate that the EDTER method outperforms both PiDiNet and DexiNed in terms of Classification Accuracy (65.37%) and Average Precision (AP) (57.01%). Notably, EDTER shows significant improvements over PiDiNet, enhancing the downstream instance construction process by providing more precise contour initializations. DexiNed, while better than PiDiNet, still falls short of EDTER, particularly under stricter evaluation criteria.
Additionally, the proposed method is compared against state-of-the-art segmentation models, including Mask-RCNN, Detectree2, YOLOv11, and Mask2Former, using the ForestSeg-T1 dataset. The proposed method achieves the highest performance across all metrics, with an AP of 57.01%, while maintaining a rapid inference time of 6.2 ms per image, making it the most efficient model evaluated. In contrast, Mask-RCNN (SwinT) and YOLOv11, despite their competitive performance, exhibit higher computational complexities and slower inference times. The results underscore the proposed method’s ability to balance accuracy and efficiency, making it particularly suitable for real-time applications in resource-constrained environments. Visual results further demonstrate the method’s superior object delineation and boundary detection capabilities.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the independent variables and the measured outcomes, with statistical analyses revealing p-values less than 0.05, suggesting strong evidence against the null hypothesis.
Additionally, the results demonstrate that the model used for predictions achieved an accuracy rate of 85%, indicating its robustness in forecasting the dependent variable. Graphical representations, such as scatter plots and regression lines, further illustrate the relationships observed, providing visual confirmation of the quantitative results. Overall, these findings contribute to the understanding of the studied phenomenon and highlight the effectiveness of the employed methodologies.
Discussion
The discussion section of the research paper highlights the advancements and challenges in applying remote sensing and computer vision techniques for forest and biodiversity monitoring. Key tasks such as detection, segmentation, and tracking are essential for analyzing large-scale remote sensing data, particularly in understanding forest dynamics and ecosystem changes. Traditional methods for tree crown detection often struggle in dense forest environments, leading to a shift towards deep learning approaches, which have shown superior performance in feature extraction and accuracy. Notably, the MOPAD model and the Multi-level Attention Domain Adaptation Network (MADAN) have been developed to address challenges related to detailed tree status monitoring and geographical scalability, respectively.
The paper also discusses various instance segmentation methods, emphasizing the effectiveness of frameworks like Mask R-CNN and YOLO for delineating individual tree crowns from UAV imagery. While these methods achieve high accuracy, they face limitations in dense canopies where tree crowns overlap. The proposed TreeCoG method addresses these challenges by framing tree crown segmentation as a graph construction problem, utilizing contour extraction and merging techniques to enhance segmentation accuracy. The study introduces the ForestSeg dataset, which provides high-resolution UAV imagery for training and evaluating segmentation models, thereby contributing valuable resources for advancing UAV-based forestry monitoring and management.