Skolka s 50 000 stromy venovala tri dny jejich scitovani. Tymy prochazely rady s podlozkami, v odpolednim vedru ztracely prehled a zacinaly znovu. Nyni staci jeden let dronem a model AI, ktery mapuje kazdy strom shora.
Pocitani stromu a rostlin patri k nejcasove narocnejsim ukolum ve skolkach, sadech a zalesnovacich projektech. Pojistovny chteji presna cisla. Kupujici potrebuji potvrdit mnozstvi zasilky. Spravci potrebuji vedet, co prezilo zimu. Rucni pocitani v tomto meritku je pomale, nekonzistentni a drahe. Letecke pocitani s AI nabizi rychlejsi cestu ke stejnym odpovedim.
Proc zalezi na presnych poctech stromu
Pocitani stromu neni jen sprava zasob. Ridi skutecna financni rozhodnuti.
Skolky prodavaji stromy na presny pocet. Objednavka na 10 000 sazenic musi byt splnena presne a skolka musi vedet, zda ma 10 000 nebo 9 400, nez ucini sliby. Pojistne naroky po bourich nebo nemocech vyzaduji zdokumentovane pocty k prokazani ztrat. Spravci sadu odhaduji vynosy na zaklade poctu stromu a 5% chyba v pocitani se primo premita do 5% chyby v planovani sklizne.
U zalesnovacich projektu overuje pocitani vysazenych stromu soulad s environmentalnimi predpisy a zavazky uhlikovych kreditu. Tyto pocty casto musi pokryt stovky hektaru nerovneho terenu, kde pruchod kazdym radem je neprakticky.
Jak funguje letecke pocitani s AI
Proces ma tri kroky: letat, zachytit a pocitat.
Dron vybaveny RGB kamerou leti v mrizkoveam vzoru nad cilovym uzemim ve vysce 30 az 80 metru, v zavislosti na velikosti a hustote stromu. Let zachycuje prekryvajici se snimky pokryvajici kazdy usek pole. Pro skolku o rozloze 10 hektaru trva let 15 az 30 minut.
Snimky se nahraji do modelu AI trenovanaho na leteckou detekci stromu. Model prohledava kazdy snimek, identifikuje jednotlive koruny nebo kmeny a oznacuje je detekkcnimi body. Prekryvajici se snimky se spojuji, aby byl kazdy strom pocitan pouze jednou, bez duplikace mezi snimky.
Vysledkem je celkovy pocet plus georeferencovana mapa ukazujici presnou polohu kazdeho detekovaneho stromu. Spravci skolky mohou priblizit, overit detekce a odhalit mezery, kde stromy chybi nebo jsou mrtve.
Srovnavaci hodnoty presnosti
Presnost zavisi na hustote korun, rozliseni snimku a rozestupech stromu. Cisla z nedavnych studii jsou povzbudiva.
93 az 95% presnost v podminkach huste koruny. Snizuje rucni usili o vice nez 70% a zpracovava snimky temmer 5krat rychleji nez tradicni metody.
System pocitani UAS v realnem case dosahl skore F1 99,09%, spravne identifikoval stromy behem letu s vysledky dostupnymi nekoilik sekund po startu.
95% presnost v detekci kmenu a prumerna presnost 0,977, se zlepsenim rychlosti o 515% oproti rucnim metodam.
Vzorec je konzistentni: dobre rozmistene stromy v jednotnych radach dosahuji presnosti pres 95%. Huste, prekryvajici se koruny snizuji presnost na nizke 90%, protoze model ma potize rozlisit jednotlive koruny, ktere vizualne splynou pri pohledu shora.
Doporucene postupy pro letecke fotografie stromu
- Letat ve vysce 40 az 60 metru pro nejlepsi rovnovahu mezi pokrytim a rozlisenim
- Pouzivat 70 az 80% prekryv snimku pro zajisteni uplneho pokryti a presneho sestaveni
- Letat v poledne nebo za zatazeneho pocasi pro minimalizaci stinu, ktere matou detekci korun
- Vyhybat se vetrnym dnum, kdy se vetve houpu a snimky jsou rozmazane
- Pri hustych korunach letat nize pro zvyseni rozliseni na strom
- Zachycovat snimky v konstantni vysce pro udrzeni jednotneho meritka v celem datasetu
Vice nez pocitani: co dalsiho letecka AI odhaluje
Pocitani stromu z dronovych snimku prinasi uzitecny vedlejsi efekt: mapu mezer. Chybejici stromy, mrtve stromy a oblasti se slabym rustem se objevi jako diry v detekcnim vzoru. Spravci skolek pouzivaji tyto mapy mezer k planovani dosazby, rozvrhovani uprav zavlahy a identifikaci ohnisek skudcu nebo chorob drive, nez se rozsiri.
Nektere systemy kombinuji pocitani s klasifikaci zdravi a vyuzivaji multispektralni zobrazovani k oznaceni stromu vykazujicich znamky stresu. Jediny let dronem muze poskytnout pocet zasob, hodnoceni zdravi a analyzu mezer, tri ukoly, ktere by vyzadovaly oddelene rucni vysili na zemi.
Omezeni, o kterych je treba vedet
- Huste, prekryvajici se koruny snizuji presnost, protoze jednotlive stromy vizualne splynou pri pohledu shora. Listnatee druhy v plnem olisteni jsou obtizneji odlisitelne nez stromy s holymi vetvemi v zime.
- Velmi mlade sazenice pod 30 centimetru mohou byt prilis male pro spolehliovuu detekci ze standardni vysky dronu. Nizsi lety pomahaji, ale snizuji pokryti.
- Smisene vysadby kde se ruzne velikosti stromu prekryvaji, mohou zmast modely trenovane na jednotne rady.
- Regulacni omezeni letu dronu v blizkosti letist, mestskyych oblasti nebo chranenych vzdusnych prostoru mohou omezovat, kde je mozne letat.
Zaver
Pocitani stromu z dronu pomoci AI promeni vicedenni rucni praci v jediny let. Presnost je dostatecna pro pojistne naroky, prodejni objednavky a regulacni soulad a zlepsuje se s kazdou novou generaci modelu.
Pokud vas provoz pocita stromy chozenim rad s podlozkou, zkuste nechat preletat dron nad stejnym uzemim. Pocet bude na vasem displeji drive, nez dron pristane, a mapa vam ukaze veci, ktere by zadna prochazka po zemi nikdy neodhalila.