Na kůrovce s AI

Lesy v Česku zažívají v posledních letech děsivé období. V důsledku změn klimatu, působení škodlivých imisí a nevhodného hospodaření dochází k jejich oslabení. Snížená vitalita stromů dává příležitost k expanzi škůdců, kteří zpravidla stromy nejen napadnou ale i usmrtí. Plocha lesů rapidně ubývá. Vyvstávají tak obavy ohledně vlivů na životní prostředí, nedostatku dřeva i dopady na lidské zdraví. Mnohdy se však můžeme setkat se stromy, které se zdají být zdravé, avšak „to mají již za sebou“ či jsou již značně poškozené. Detekce poškozených stromů v raném stadiu není snadná, avšak je nepostradatelná. Robert Minařík spolu s Jakubem Langhammerem a Theodorou Lendzioch z Katedry fyzické geografie a geoekologie Přírodovědecké fakulty Univerzity Karlovy se na to rozhodli jít od lesa, tedy vlastně z ptačí perspektivy.

Jednou z možností, jak zjistit napadení stromů včas je terénní průzkum. Jedná se však o velice časově náročnou činnost, při které není možné postihnout dostatečně velkou oblast. Mnohem komplexnější se zdá využití dálkového průzkumu Země. Zde však dost často narážíme na nevhodné rozlišení snímků a nemožnosti odhalit konkrétní koruny napadených stromů. Zároveň k jejich zjištění je zapotřebí znalostí o interakcích mezi biochemickými a strukturními vlastnostmi stromu a elektromagnetickými signály detekovanými senzorem.

Nadějným nástrojem k určení napadených stromů je klasifikace obrazu pomocí algoritmů strojového učení (podoblast umělé inteligence, kde se počítačový systém sám „učí“ z předložených vzorů a jejich klíčových rysů). Jednou z možností, jak zpracovávat multispektrální snímky s velmi vysokým rozlišením je využití metody konvolučních neuronových sítí (=CNN, convolutional neural network). Použití tohoto moderních přístupu ke klasifikaci jednotlivých korun stromů se rozhodl i tým hyDRONE složený z fyzickogeografických odborníků a nadšenců pro drony. Svůj výzkum situoval do Klánovického lesa v Praze, neboť tento les od roku 2015 trpí suchem a souvisejícím masivním přemnožením kůrovci. Představuje tak ideální pilotní lokalitu. Celkově rozdělili koruny jednotlivých stromů do 4 hlavních kategorií: borovice, po delší dobu napadené smrky s již žlutými jehlicemi, právě napadené smrky s ještě zelenými jehlicemi (green attack) a nenapadené smrky. Spolu se snímkováním pomocí bezpilotních letadel proběhlo i terénní šetření.

Dalším krokem již byla analýza obrazu s využitím konvolučních neuronových sítí (CNN). O co se přesně jedná? CNN se skládá z řetězce tzv. konvolučních a pooling vrstev zakončených klasifikační vrstvou neuronů. Do sítě vstupují jednotlivé mini obrázky korun. V konvoluční vrstvě se zvýrazňují typické rysy korun pro danou kategorii násobením pixelů pohyblivým filtrem zvaným kernel. Pooling vrstva snižuje velikost obrázku a zahušťuje informaci vybráním maxima nebo výpočtem průměru z definovaného pole např. 3 x 3 pixely. Výsledkem jsou dominantní rysy vstupních dat ukryté v maticích, které vstupují do klasifikátoru. Podobně jako v biologii, i u CNN dochází pomocí pomyslných neuronů k předávání informací a k následným reakcím na daný stimul. Výhodou CNN je (na rozdíl ostatních metod strojového učení), že „sama“ hledá ve vstupních obrázcích klíčové rysy (vzory) pro rozpoznání jednotlivých kategorií a není nutné tyto vzory síti dodat prostřednictvím transformací obrazu.

Pomocí využití tří různých modelů konvolučních neuronových sítí a hojně využívaného modelu „náhodného lesa“ autoři zanalyzovali snímky různě poškozeného lesa. Nejvhodněji se projevily modely CNN využívající pouze RGB pásma, protože nejlepší spektrální oddělitelnost tříd byla v modrém a červeném pásmu. Docházelo pouze k pár chybným klasifikacím mezi dvěma kategoriemi smrků v různém stádiu napadení.

Včasné rozpoznání napadených stromů kůrovci je esenciální pro zastavení jeho šíření a páchání dalších škod v našich lesích. V nedávno vyšlé studii tým odborníků odhalil nové možnosti využití konvolučních neuronových sítí k jejich detekci. Uváděné modely lze využít nejen pro základní identifikaci napadených stromů, ale i pro sledování vývoje narušení kůrovcem. Autoři předpokládají další vylepšení modelů pomocí více tréninkových vzorků s opakováním za různých sezónních podmínek.