Giliuoju mokymusi pagrįsto miško sveikatos klasifikavimo tyrimai naudojant įvairių duomenų analizę
Bucevičius, Justinas |
Miškų ekosistemas veikia įvairūs biotiniai ir abiotiniai veiksniai, o klimato kaita kelia papildomų iššūkių sukeliančių medžių ligas ir kenkėjų protrūkius. Miškininkystėje tradiciniai metodai, naudojami medžių sveikatos būklei vertinti, nėra pakankamai efektyvūs ir reikalauja daug išteklių, ypač siekiant operatyviai spręsti problemas didelėse teritorijose. Spartus technologinis tobulėjimas ir dirbtinio intelekto (DI) atsiradimas paskatino tirti naujus sprendimus pasitelkiant DI technologijas, kurios siūlo pažangius metodus ligų nustatymui, prognozavimui ir miškų sveikatos būklės valdymui. Šio magistro darbo tikslas – ištirti giliojo mokymosi metodus, skirtus miško medžių sveikatos būklei klasifikuoti, panaudojant įvairius duomenų šaltinius. Darbe aptariamos DI taikymo sritys miškininkystėje, nagrinėjamos kompiuterinės regos galimybės, konvoliuciniai neuroniniai tinklai (CNN), vizualiniai transformatoriai (ViT) ir jų deriniai, siekiant pagerinti ligų nustatymo tikslumą ir atsparumą aplinkos veiksniams. Tyrimų metu atlikta literatūros analizė atskleidė, kad DI metodai miškininkystėje padeda sumažinti kaštus, leidžia automatizuoti procesus ir tiksliau vertinti medžių sveikatos būklę. Praktinėje dalyje buvo modeliuoti ir testuojami įvairūs giliojo mokymosi algoritmai, įskaitant patobulintą InceptionV3-ViT modelį, kuris pasiekė 91 % tikslumą, analizuojant RGB tipo duomenis, maumedžių sveikatos būklės klasifikavimui. Išbandyti metodai parodo praktinio pritaikymo galimybes medžių sveikatos analizei taikant įvairius nuotoliu rinktus duomenis. Algoritmams įgyvendinti pasirinkta Visual Studio Code aplinka ir Python programavimo kalba bei giliojo mokymo bibliotekos tokios kaip Tensorflow ir Keras. Remiantis literatūros analize ir gautais bandymų rezultatais, pateikiami tiriamojo darbo rezultatai ir išvados.
Forest ecosystems are influenced by various biotic and abiotic factors, while climate change introduces additional challenges, leading to tree diseases and pest outbreaks. In forestry, traditional methods used to assess tree health are not sufficiently efficient and require significant resources, especially when addressing issues in large areas. The rapid technological advancement and emergence of artificial intelligence (AI) have spurred the exploration of new solutions utilizing AI technologies, which offer advanced methods for disease detection, forecasting, and forest health management. The aim of this master's thesis is to investigate deep learning methods for classifying the health condition of forest trees using various data sources. The thesis discusses the applications of AI in forestry, explores computer vision capabilities, convolutional neural networks (CNN), visual transformers (ViT), and their combinations to enhance disease detection accuracy and resistance to environmental factors. A literature review revealed that AI methods in forestry help reduce costs, automate processes, and provide more accurate assessments of tree health conditions. In the practical part of the research, various deep learning algorithms were modeled and tested, including an enhanced InceptionV3-ViT model, which achieved 91% accuracy in analyzing RGB data for larch tree health classification. The tested methods demonstrate the potential for practical application in tree health analysis using various remotely collected data sources. For algorithm implementation, the Visual Studio Code environment and the Python programming language was used, along with deep learning libraries such as TensorFlow and Keras. Based on the literature review and experimental results, the findings and conclusions of this research are presented.