Automatisk identifiering avstormfällda träd i vintermiljömed U-Net-baseradsegmentering av drönarbilder

Sammanfattning

Stormfällning orsakar stora ekonomiska och ekologiska konsekvenser och kräversnabb skadeinventering för att minska följdskador så som minskad kvalitet på virke,barkborreangrepp samt att möjliggöra effektiva åtgärder som snabb röjning för attminimera skadorna. Traditionell kartering av stormskador bygger ofta på manuellvisuell tolkning av bilder eller fältinventering, vilket är tidskrävande och svårt attskala upp till större områden. Identifiering av stormfällda träd är dessutom särskiltutmanande i vintermiljö, där snö, skuggor och andra visuella variationer försvårartolkning och kan öka risken för att skador missas. Samtidigt bidrar vintermiljön medförsvårad framkomlighet.Under denna studie utvecklades och validerades ett arbetsflöde för automatiskidentifiering av stormfällda träd i högupplösta drönarbilder med hjälp avdjupinlärningsbaserad identifiering. Studien fokuserade särskilt på vinterförhållandensamt på hur datakvalitet, annoteringsfel och val av tröskelvärden påverkademetodens tillförlitlighet.Metoden byggde på en tile-baserad inferens, där drönarbilder delades upp i mindrebildrutor (tiles) och analyserades av en djupinlärningsbaserad segmenteringsmodell,U-Net, för att utvärdera dess prestanda under vinterförhållanden. Resultatenutvärderades mot referensdata med pixelbaserade mått såsom precision, recall, F1och IoU. Särskild vikt lades vid referensdatas kvalitet, eftersom brister iannoteringar kunde påverka bedömningen av modellens faktiska prestanda.Studien visar att U-Net-baserad semantisk segmentering har potential att identifierastormfällda träd i högupplösta drönarbilder under vinterförhållanden, där en recall-fokuserad tröskel gav en skadeupptäckt på 92,09 %. Resultaten visar att metodensprestanda påverkas tydligt av val av tröskelvärde, referensdatans kvalitet ochvinterspecifika bildförhållanden. Metoden bedöms vara särskilt användbar sombeslutsstöd vid skadeinventering, där den kan bidra till att lokalisera potentiellastormskador och prioritera områden för vidare granskning.