En planteskole med 50 000 traer brukte tre dager paa aa telle dem. Team gikk langs radene med klembrett, mistet tellingen i ettermiddagsvarmen og begynte paa nytt. Naa holder det med en droneflyging og en AI-modell som kartlegger hvert tre ovenfra.
Telling av traer og planter er en av de mest tidkrevende oppgavene i planteskoler, frukthager og skogplanteprosjekter. Forsikringsselskaper vil ha eksakte tall. Kjoepere maa bekrefte forsendelsesmengder. Forvaltere maa vite hva som overlevde vinteren. Manuell telling i denne skalaen er treg, inkonsistent og kostbar. AI-drevet lufttelling tilbyr en raskere vei til de samme svarene.
Hvorfor noeyaktige tretall er viktige
Aa telle traer er ikke bare lagerstyring. Det driver reelle finansielle beslutninger.
Planteskoler selger traer etter eksakt antall. En bestilling paa 10 000 planter maa oppfylles presist, og planteskolen maa vite om den har 10 000 eller 9 400 foer den gir loefter. Forsikringskrav etter stormer eller sykdommer krever dokumenterte tellinger for aa bevise tap. Frukthageforvaltere estimerer avkastning basert paa tretall, og en 5% feil i tellingen oversettes direkte til en 5% feil i hoesteplanleggingen.
For skogplanteprosjekter verifiserer telling av plantede traer samsvar med miljoereguleringer og karbonkredittforpliktelser. Disse tellingene maa ofte dekke hundrevis av hektar med ujevnt terreng der det er upraktisk aa gaa hver rad.
Hvordan luftbasert AI-telling fungerer
Prosessen har tre trinn: fly, fotografer og tell.
En drone utstyrt med et RGB-kamera flyr et rutemoenstrer over maalomraadet i 30 til 80 meters hoeyde, avhengig av treestoerrelse og tetthet. Flygingen fanger overlappende bilder som dekker hvert avsnitt av feltet. For en planteskole paa 10 hektar tar flygingen 15 til 30 minutter.
Bildene lastes opp i en AI-modell trent paa luftbasert tredeteksjon. Modellen skanner hvert bilde, identifiserer individuelle trekroner eller stammer og markerer dem med deteksjonspunkter. Overlappende bilder sys sammen slik at hvert tre telles bare en gang, uten duplisering mellom bilder.
Resultatet er et totalt antall pluss et georeferert kart som viser den eksakte posisjonen til hvert detektert tre. Planteskoleforvaltere kan zoome inn, verifisere deteksjoner og oppdage hull der traer mangler eller er doede.
Noeyaktighetsreferanser
Noeyaktigheten avhenger av kronetetthet, bildeopploesning og treavstand. Tallene fra nylige studier er oppmuntrende.
93 til 95% noeyaktighet under tette kroneforhold. Reduserer manuelt arbeid med over 70% og behandler bilder naesten 5 ganger raskere enn tradisjonelle metoder.
Et UAS-tellesystem i sanntid oppnaadde en F1-skaar paa 99,09%, korrekt identifisering av traer under flyging med resultater tilgjengelig sekunder etter avgang.
95% noeyaktighet for stammedeteksjon og en gjennomsnittlig presisjon paa 0,977, med en hastighetsforbedring paa 515% sammenlignet med manuelle metoder.
Moenstret er konsistent: godt plasserte traer i jevne rader oppnaar over 95% noeyaktighet. Tette, overlappende kroner senker noeyaktigheten til lave 90-tall fordi modellen sliter med aa skille individuelle kroner som smelter sammen visuelt ovenfra.
Beste praksis for luftbilder av traer
- Fly i 40 til 60 meters hoeyde for best balanse mellom dekning og opploesning
- Bruk 70 til 80% bildeoverlapp for aa sikre fullstendig dekning og noeyaktig sammenstilling
- Fly midt paa dagen eller ved overskyete forhold for aa minimere skygger som forstyrrer kronedeteksjon
- Unngaa vindfulle dager naar grener svinger og bilder blir uskarpe
- For tette kroner, fly lavere for aa oeke opploesningen per tre
- Ta bilder i konstant hoeyde for aa holde en jevn skala over hele datasettet
Utover telling: hva annet luft-AI avslorer
Tretelling fra dronebilder gir en nyttig bieffekt: et kart over hull. Manglende traer, doede traer og omraader med svak vekst dukker opp som hull i deteksjonsmoenstret. Planteskoleforvaltere bruker disse hullkartene til aa planlegge nyplanting, planlegge vanningsjusteringer og identifisere skadedyr- eller sykdomsutbrudd foer de sprer seg.
Noen systemer kombinerer telling med helseklassifisering, og bruker multispektrale bilder til aa flagge traer som viser tegn paa stress. En enkelt droneflyging kan levere en inventartelling, en helsevurdering og en hullanalyse, tre oppgaver som hver ville krevd separate manuelle innsatser paa bakken.
Begrensninger aa kjenne til
- Tette, overlappende kroner reduserer noeyaktigheten fordi individuelle traer smelter sammen visuelt ovenfra. Loevfellende arter i full bladdrakt er vanskeligere aa skille enn traer med bare greiner om vinteren.
- Svart unge froeplantar under 30 centimeter kan vaere for smaa til aa oppdages paalitelig fra standard dronehoeyde. Lavere flyginger hjelper, men reduserer dekningen.
- Blandede artsplantinger der ulike treestoerreelser overlapper kan forvirre modeller trent paa jevne rader.
- Regulatoriske begrensninger for droneflyging naer flyplasser, byomraader eller beskyttet luftrom kan begrense hvor du kan fly.
Konklusjonen
Dronebasert AI-tretelling gjor en flerdagers manuell jobb om til en enkelt flyging. Noeyaktigheten er hoey nok for forsikringskrav, salgsordrer og regulatorisk samsvar, og forbedres med hver ny modellgenerasjon.
Hvis driften din teller traer ved aa gaa rader med et klembrett, proev aa fly en drone over det samme omraadet. Tellingen vil vaere paa skjermen din foer dronen lander, og kartet vil vise deg ting ingen fottur paa bakkenivaa noensinne kunne avsloert.