城市森林监测能够量化这种不平等并

ditihekhatun16

寻求其改善这是环境正义运动的一个关键方面。但机器学习结合街道和航空图像可以大大降低树木普查成本。这样的自动化系统可以实现城市森林监测的民主化特别是对于已经受到气候变化严重影响的资源贫乏城市。虽然之前已经努力从航空或街道图像中开发自动化的城市树种识别但主要的限制是缺乏大规模的标记数据集。今天我们介绍数据集这是一个多视图城市树木分类数据集约有万棵树和超过个属比之前的工作大两个数量级。为了构建数据集我们从个北美城市如上所示的公共树木普查中提取数据并将这些记录与街景和俯视图像合并。作为第一个覆盖多个城市的城市森林数据集我们详细分析了森林模型如何概括地理分布变化这对于构建可扩展的系统至关重要。

我们将公开发布所有万棵树的记录以及万棵树的空中和地面图像。数据集中的个城市遍布北美并分为西部中部和东部地区以便进行空间和层次概括分析。每个城市和每个区域的数据集中  格鲁吉亚电话号码列表 的树木记录和属的数量。每个地区的抵抗城市在以任何身份进行的训练中从未见过以粗体显示。自动树艺家数据集为了策划我们从许多城市在线提供的现有树木普查开始。对于每一次树木普查我们都验证了数据包含位置和属种标签并且可供公众使用。然后我们将这些数据解析为通用格式修复常见的数据输入错误例如翻转纬度经度并将真实属名及其常见拼写错误或备用名称映射到统一的分类法。我们选择将重点放在属预测而不是物种水平预测作为我们的首要任务以避免杂种和亚种引起的分类复杂性以及属名比种名有更多普遍共识的事实。



接下来使用为每棵树提供的地理位置我们查询以该树为中心的航空图像以及在其周围米范围内拍摄的所有街道图像。最后我们对这些图像进行了过滤以最大限度地提高从每个图像中看到感兴趣的树的机会以及保护用户隐私。后一个问题涉及许多步骤包括删除通过语义分割和手动模糊等确定的包含人物的图像。从数据集中选择的街景图像。绿色框代表树木检测使用在开放图像上训练的模型蓝色圆点代表标记树的投影位置。城市森林监测最重要的挑战之一是在不属于训练集的城市中表现良好。视觉模型必须应对分布变化其中训练分布与新城市的测试分布不同。属分布因地理位置而异例如加拿大西部的花旗松比加利福尼亚州多并且也可能因城市规模而异洛杉矶比圣莫尼卡大得多并且包含更多的属。