Enhancing Image Processing Techniques for Tree Counting in Aerial Photography in European area

Niniejsza praca podejmuje wyzwanie dokładnego zliczania drzew w lasach europejskich z wykorzystaniem zdjęć lotniczych, skupiając się na ograniczonej zdolności istniejących modeli do generalizacji na różnorodną charakterystykę tych krajobrazów. Po przeprowadzeniu oceny istniejących zbiorów danych i modeli, w tym DeepForest, i uznaniu ich za niewystarczające do tego zadania, stworzono nowy zbiór danych składający się z ortofotomap wysokiej rozdzielczości oraz danych LiDAR z różnorodnych obszarów leśnych w Polsce. Chociaż dostrajanie modelu DeepForest na tym zbiorze danych poprawiło wyniki, pozostały one suboptymalne. Dlatego opracowano nowatorskie podejście wykorzystujące estymację map gęstości z wykorzystaniem architektury U-Net oraz własnej konwolucyjnej sieci neuronowej do regresji. Metoda ta uzyskała znacznie lepsze wyniki niż DeepForest, osiągając niższy wskaźnik sMAPE i wykazując potencjał podejść opartych na mapach gęstości dla dokładnego i wydajnego zliczania drzew w złożonych europejskich środowiskach leśnych. Niniejsze badanie stanowi cenne narzędzie do monitoringu ekologicznego, gospodarki leśnej oraz ochrony różnorodności biologicznej, co ma również znaczenie dla szacowania sekwestracji węgla i praktyk zrównoważonej gospodarki leśnej.

This thesis addresses the challenge of accurate tree counting in European forests using aerial photography, focusing on the limitations of existing models in generalizing to the diverse characteristics of these landscapes. After evaluating existing datasets and models, including DeepForest, and finding them insufficient for the task, a new dataset of high-resolution orthophotos and LiDAR data from diverse Polish forest sites was created. While fine-tuning DeepForest on this dataset improved performance, it remained suboptimal. Therefore, a novel approach utilizing density map estimation with a U-Net architecture and a custom convolutional neural network for regression was developed. This method significantly outperformed DeepForest, achieving a lower sMAPE and demonstrating the potential of density-based approaches for accurate and efficient tree counting in complex European forest environments. This research provides a valuable tool for ecological monitoring, forest management, and biodiversity conservation, with implications for carbon sequestration estimation and sustainable forestry practices.