⚡ electrical engineering

Self-Supervised Tree-level Biomass Estimation in Urban Environments From Airborne LiDAR and Optical Observations

Dit artikel presenteert een zelfgesuperviseerd deep learning-framework dat luchtgebaseerde LiDAR en optische beelden integreert om een hoogwaardige, bitemporale database van de biomassa van individuele stedelijke bomen over een landschap van 810 km² in Ontario te genereren, waarbij nauwkeurige schattingen op kroonniveau worden bereikt zonder handmatige annotatie en een netto koolstofwinst van 39 Gg C over vijf jaar wordt onthuld.

Oorspronkelijke auteurs: Jose Bermudez (McMaster University, Hamilton, Ontario, Canada), Zilong Zhong (McMaster University, Hamilton, Ontario, Canada), Dominic Cyr (, Environment and Climate Change Canada, Montreal, Quebec, C

Gepubliceerd 2026-06-26

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jose Bermudez (McMaster University, Hamilton, Ontario, Canada), Zilong Zhong (McMaster University, Hamilton, Ontario, Canada), Dominic Cyr (, Environment and Climate Change Canada, Montreal, Quebec, Canada), Camile Sothe (Planet Labs PBC, San Francisco, California, USA), Alemu Gonsamo (McMaster University, Hamilton, Ontario, Canada)

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een gigantisch, onzichtbaar bos voor dat niet in de wildernis groeit, maar midden in onze steden, buitenwijken en dorpen. Dit zijn de bomen die onze straten flankeren, in onze parken staan en onze buurten sieren. Lange tijd was het tellen van hoeveel "hout" (biomassa) en koolstof deze stedelijke bomen vasthouden, alsovergelijkbaar met het proberen te tellen van zandkorrels op een strand terwijl je dikke handschoenen draagt: we konden de totale hoeveelheid wel schatten, maar we konden de individuele korrels niet zien, en onze kaarten waren vaak wazig.

Dit artikel presenteert een nieuwe, hoogtechnologische manier om deze stadsbomen, één voor één, over een enorm gebied in Zuid-Ontario (ongeveer 810 vierkante kilometer) te tellen en te wegen. Hier is hoe ze het deden, eenvoudig uitgelegd:

1. De "Winterfoto"-strategie

Normaal gesproken, wanneer je een foto van een boom maakt in de winter (wanneer deze geen bladeren heeft), ziet deze eruit als een kaal, grijs skelet. Dit maakt het voor computers moeilijk om het verschil te zien tussen een boomtak en een dak van een gebouw.

De truc van het artikel: De onderzoekers gebruikten twee soorten "ogen" om tegelijkertijd naar de stad te kijken:
- Ogen die hoogte zien (LiDAR): Dit is een soort 3D-laser scanner die licht van de grond en bomen terugkaatst om een nauwkeurig 3D-model te bouwen. Het ziet de vorm van de boom, zelfs zonder bladeren.
- Ogen die kleur zien (Optisch): Dit zijn hoogresolutie foto's genomen in de winter.
De analogie: Denk aan het proberen te identificeren van een persoon in een donkere kamer. Als je alleen een zaklamp hebt (de foto), mis je misschien iemand. Maar als je ook een sonarapparaat hebt (de laser) dat je precies vertelt waar hun lichaam zich bevindt, kun je hen gemakkelijk vinden. Door de "vorm" van de laser te combineren met de "kleur" van de foto, kan de computer bomen herkennen, zelfs wanneer ze kaal zijn.

2. De computer leren zonder leraar

Normaal gesproken moeten mensen jarenlang omlijningen rond duizenden bomen in foto's tekenen om een computer te leren bomen te herkennen. Dit is traag en duur.

De truc van het artikel: Ze gebruikten een "zelf-gesuperviseerde" aanpak. In plaats van een leraar in te huren, gaven ze de computer een reeks ruwe, op regels gebaseerde vermoedens (zoals "als het plat en hoog is, is het een gebouw; als het bobbelig en groen is, is het een boom"). Deze vermoedens waren imperfect, zoals een eerste concept van een student.
De analogie: Stel je een student voor die leert tekenen door naar een slordig schetsboek te kijken. De computer begon met deze slordige, op regels gebaseende schetsen en oefende vervolgens miljoenen keren, waarbij hij zijn eigen fouten corrigeerde totdat hij zelfstandig de bomen perfect kon tekenen. Hij had geen mens nodig om elke individuele boom voor hem te tekenen.

3. Het "Bos" scheiden van de "Stad"

Een van de moeilijkste onderdelen van stedelijke cartografie is het onderscheid maken tussen een boom en een huis. Een plat dak kan vanuit een vogelperspectief lijken op een boomkruin.

De truc van het artikel: De computer leerde een zeer strikte uitsmijter te zijn. Het gebruikte de 3D-lasergegevens om te zien dat gebouwen plat en glad zijn, terwijl bomen bobbelig en onregelmatig zijn.
Het resultaat: De computer werd erg goed in dit proces en identificeerde gebouwen in 95% van de gevallen correct en scheidde ze van de bomen. Dit is cruciaal, want als je een dak voor een boom aanziet, probeer je misschien een huis te wegen!

4. De bomen wegen

Zodra de computer de bomen had gevonden en een cirkel om elk exemplaar had getekend (delineatie), moest hij raden hoe zwaar ze waren.

De truc van het artikel: Ze konden niet elke boom beklimmen om deze te meten. In plaats daarvan gebruikten ze een "recept" (een allometrische vergelijking). Ze wisten dat grotere kronen en hogere bomen over het algemeen meer hout betekenen. Ze kalibreerden dit recept met behulp van een lijst van 112.000 bomen uit Oakville die al door stadsmedewerkers waren gemeten.
De addertjes onder het gras: De computer is geweldig in het vinden van de bomen, maar is niet perfect in het tekenen van de exacte rand van elke kroon. Het artikel stelde vast dat de grootste bron van fouten niet het "recept" voor het wegen van de bomen was, maar eerder het feit dat de computer soms de exacte rand van een boomkroon miste (vooral bij grote, rommelige bomen).

5. De grote resultaten

Na het draaien van dit systeem over het 810 km² grote gebied voor twee verschillende jaren (2018 en 2023), vonden zij:

Totaal gewicht: In 2018 bevatten de bomen ongeveer 1,73 miljoen ton biomassa. Tegen 2023 was dit gegroeid naar 1,81 miljoen ton.
Koolstofwinst: De bomen hebben in die vijf jaar extra 39.000 ton koolstof opgenomen.
Waar de bomen staan: De zwaarste bomen werden gevonden langs de Niagara Escarpment (een rotsachtig klifgebied) en in rivierdalen. De lichtere, minder dichte bomen bevonden zich in woonwijken en commerciële gebieden.
Onzekerheidskaarten: De computer maakte ook een "vertrouwenskaart". Deze kaartte de gebieden uit waar de computer minder zeker was van zijn antwoorden (voornamelijk in landbouwgebieden of gemengde gebieden), wat toekomstige onderzoekers vertelt: "Controleer deze plekken eerst."

Samenvatting

Dit artikel heeft een slim, zelflerend computersysteem gebouwd dat winterse laser-scans en foto's gebruikt om individuele bomen in een stad te vinden, te omlijnen en te wegen, zonder dat mensen elke boom handmatig hoeven te tekenen. Het bewees dat we een zeer gedetailleerde, boom-voor-boom kaart van stedelijke biomassa kunnen maken, die ons precies laat zien waar onze stedelijke bossen groeien en hoeveel koolstof ze opslaan, wat steden helpt om beter voor de toekomst te plannen.

Technische Samenvatting: Zelfgesuperviseerde schatting van boombiomassa op kroonniveau in stedelijke omgevingen

Probleemstelling
Stedelijke bomen vormen een cruciaal onderdeel van terrestrische koolstofvoorraden, maar hun biomassa is minder ruimtelijk expliciet en consistent dan die van beheerde bossen. Bestaande schattingen vertrouwen vaak op steekproefsgewijze inventarisaties of grove remote sensing-producten (bijv. 10–30 m resolutie), die er niet in slagen individuele boomkronen te definiëren of fijnschalige heterogeniteit in complexe stedelijke weefsels vast te leggen. Bovendien wordt schaalbare mapping gehinderd door drie methodologische hiaten: (1) de afhankelijkheid van pixel-niveau handmatige annotatie voor supervised training, wat de dekking beperkt; (2) de onduidelijke relatieve bijdrage van fouten in automatische kroonafbakening versus fouten in allometrische modellen aan de totale onzekerheid; en (3) het gebrek aan multi-temporele producten voor kroonbiomassa op schaal van de kroon, vergezeld van ruimtelijk expliciete onzekerheidslagen.

Methodologie
De studie presenteert een zelfgesuperviseerd, multi-modaal fusiekader toegepast op een 810 km² groot stedelijk-ruraal landschap in zuidelijk Ontario, Canada, gebruikmakend van bi-temporele (2018 en 2023) luchtgestuurde LiDAR (8–10 pulsen m⁻²) en nabij-infrarood RGB-orthofotografie (0.16–0.20 m) verkregen onder bladloze condities.

Generatie van Pseudo-labels: Om de noodzaak van handmatige annotatie te elimineren, ontwikkelden de auteurs een regelgebaseerd kader om ruisgevoelige pseudo-labels te genereren. Dit omvatte:
- Gebouwdetectie: Rastergebaseerde planariteitsanalyse op het Canopy Height Model (CHM) gecombineerd met morfologische filtering.
- Vegetatieclassificatie: Het differentiëren tussen naaldhout en loofbomen met behulp van CHM-hoogtedrempels en spectrale indices (NDVI en HSV-kleurkriteria) onder bladloze condities, waarbij naaldhoutkronen een hoge NDVI behouden terwijl loofhoutkronen dat niet doen.
Zelfgesuperviseerd Neuraal Netwerk: Een dual-stream cross-attention ConvNeXtV2 U-Net werd getraind op deze pseudo-labels. De architectuur verwerkt optische (NIR, R, G, B) en structurele (CHM) inputs via parallelle encoders, waarbij cross-modale attention-blokken worden gebruikt om kenmerken te fuseren.
- Loss Function: Het model maakte gebruik van een multitask-doelstelling die landbedekkingsegmentatie, boomtypeclassificatie en hulp-inputreconstructie combineert. Cruciaal was het gebruik van een Active Negative Loss (ANL-CE) om overfitting op de ruisgevoelige pseudo-labels te beperken.
- Onzekerheidskwantificatie: Een deep ensemble van 25 modellen (variërend in folds en hyperparameters) werd gebruikt om per-pixel onzekerheidskaarten te genereren, waarbij onderscheid werd gemaakt tussen aleatorische (data) en epistemische (model) onzekerheid.
Kroonafbakening: Individuele boomkronen werden afgebakend met behulp van multiscale watershed-segmentatie op de CHM binnen geïdentificeerde boomgebieden. Drie schalen werden toegepast om oversegmentatie van kleine bomen en ondersegmentatie van grote, overlappende kronen aan te pakken.
Biomassaschatting: Een power-law proxy model ( $AGB = e^\alpha \cdot (CA \cdot H)^\beta$ $A GB = e^{α} \cdot (C A \cdot H)^{β}$ ) werd gekalibreerd tegen soortspecifieke allometrische vergelijkingen (Lambert et al., 2005) met behulp van 21.921 inventarisatiebomen uit Oakville.
- Selectie van Vergelijkingen: Kronen met een lage onzekerheid kregen functionele groep-specifieke vergelijkingen (loofhout versus naaldhout); onzekere kronen werden naar een samengevoegde "alle-bomen" vergelijking geleid om onbetrouwbare extrapolatie te voorkomen.
- Validatie: Nauwkeurigheid werd beoordeeld tegen een onafhankelijke testset van 90.726 bomen, waarbij voorspellingen afgeleid van inventarisatie-geometrie (bovengrens) werden vergeleken met operationele watershed-segmentatie.

Belangrijkste Resultaten

Segmentatieprestaties: Het ensemble-model verbeterde de initiële regelgebaseerde pseudo-labels op alle metrieken. Tegenover handmatig geannoteerde tegels behaalde het model een gemiddelde precisie van 0,86, recall van 0,83 en een Dice-coëfficiënt van 0,84. Gebouwdetectie was bijzonder robuust (Dice 0,95), terwijl segmentatie van naaldhout de meest uitdagende klasse bleef (Recall 0,66).
Biomassaschatting Nauwkeurigheid:
- Wanneer gebruik werd gemaakt van inventarisatie-afgeleide kroongeometrie (isolatie van allometrische fout), bereikte het model $R^2 = 0,609$ .
- Onder operationele omstandigheden met automatische segmentatie daalde de $R^2$ naar 0,570.
- Schattingen voor naaldhout waren nauwkeuriger ( $R^2 = 0,646$ ) dan die voor loofhout ( $R^2 = 0,553$ ), wat wordt toegeschreven aan de duidelijkere hoogtepieken van naaldhoutkronen in de CHM-data.
- De daling in prestaties van inventarisatie naar operationele geometrie identificeerde de fout in kroonafbakening als de dominante bron van onzekerheid, met name voor grote bomen die gevoelig zijn voor ondersegmentatie.
Ruimtelijke en Temporele Bevindingen:
- Totale bovengrondse biomassa (AGB) voorraden namen toe van 1,73 Tg (811 Gg C) in 2018 naar 1,81 Tg (850 Gg C) in 2023, wat een netto koolstofwinst van 39 Gg C vertegenwoordigt.
- Hoge biomassedichtheden (~140 Mg ha⁻¹) waren geconcentreerd langs de Niagara Escarpment en riviercorridors, terwijl residentiële en commerciële gebieden lagere dichtheden vertoonden.
- Deep-ensemble onzekerheidskaarten identificeerden succesvol regio's met een hoge epistemische onzekerheid (bijv. agrarische en transitiezones) waar trainingsdata ondervertegenwoordigd waren.

Betekenis en Claims
De auteurs stellen dat dit werk een schaalbare, prototype workflow biedt voor stedelijke biomassaschatting die uitsluitend werkt op standaard provinciale sensordata zonder handmatige annotatie. De belangrijkste bijdragen zijn:

Schaalbaarheid: Het aantonen dat regelgebaseerde pseudo-labeling gecombineerd met neurale netwerkverfijning een hoge nauwkeurigheid kan bereiken in heterogene stedelijke omgevingen, waardoor de bottleneck van handmatige labeling wordt overwonnen.
Foutkarakterisering: Het expliciet kwantificeren dat fouten in kroonafbakening, in plaats van allometrische modelfouten, de primaire beperking zijn in operationele AGB-schatting, met een specifieke focus op de ondersegmentatie van grote bomen.
Onzekerheidsbewuste Mapping: Het leveren van een bi-temporele database op kroonniveau met een bijbehorende onzekerheidslaag, waardoor gebruikers onderscheid kunnen maken tussen gebieden met een hoge betrouwbaarheid en gebieden die veldvalidatie vereisen.
Koolstofboekhouding: Het bieden van een ruimtelijk expliciet alternatief voor grove resolutie of steekproefgebaseerde methoden, wat resulteert in een publiekelijk beschikbare database die relevant is voor gemeentelijk beheer en regionale koolstofboekhouding voor "bomen buiten bossen".

De studie hanteert een bescheiden toon met betrekking tot absolute biomassawaarden, waarbij wordt erkend dat het gebruik van in bossen afgeleide allometrische vergelijkingen voor open groeiende stedelijke bomen systematische bias kan introduceren. De auteurs stellen echter dat de relatieve ruimtelijke en temporele patronen robuust blijven, wat een fundamentele stap vormt naar een meer consistente stedelijke koolstofboekhouding.