Wissenschaftler an der Nanyang Technological University in Singapur (NTU Singapur) entwickeln eine neue, auf künstlicher Intelligenz basierende Innovation, die Hohlräume und Fäulnis im Inneren von Baumstämmen erkennen kann.
Geleitet wird dieses Projekt von einem Team der School of Electrical and Electronic Engineering (EEE) der NTU Singapur und vom National Parks Board (NParks) unterstützt. Im Rahmen dieses laufenden Projekts wurde in den Laboren der NTU ein Prototyp gebaut, einigen vorläufigen Feldtests unterzogen und derzeit feinabgestimmt.
Der Prototyp besteht aus einem Radar, das das Innere des Stammes mit Mikrowellen abtastet. Moderne Signalverarbeitungstechniken „bereinigen“ die vom Radar erfassten Daten, bevor ein Deep-Learning-Modell die Daten analysiert und eventuelle Defekte im Stamm lokalisiert. Dieser Vorgang dauert vom Scannen über die Analyse bis zur Erkennung drei bis vier Minuten.
Bei Tests an frisch gefällten Stämmen des Angsana-Baums – eines in Singapur häufig am Straßenrand vorkommenden Baums – stellten die Wissenschaftler fest, dass ihr Prototyp Defekte in Stammproben mit einer Genauigkeit von 96 % erkennen konnte.
Diese Erkenntnisse wurden in einem Forschungspapier in Transactions on Geoscience & Remote Sensing , einer Zeitschrift des Institute of Electrical and Electronics Engineers, veröffentlicht.
Nachdem das NTU-Team seine KI-gestützte Innovation im Labor mit Proben gefällter Baumstämme getestet und eine Genauigkeit von 96 % bei der Identifizierung von Proben mit Defekten erreicht hatte, wagte es sich als Nächstes ins Freie, um Tests an einer lebenden Araukarienkiefer mit einer bekannten Höhle durchzuführen.
Das Team machte vier unterschiedliche Scans des Baums, wobei das Radar jedes Mal auf eine andere Seite des Baums gerichtet war. Ihr System zeigte diesmal eine Genauigkeit von 75 % – ihr Deep-Learning-Modell erkannte in drei von vier Fällen das Vorhandensein einer Höhle.
Die Wissenschaftler sagten, dass diese verringerte Genauigkeit zu erwarten sei, da ihr Deep-Learning-Modell hauptsächlich mit Daten von gefällten Baumstämmen und nicht mit Daten von lebenden Bäumen trainiert wurde, da es schwierig ist, Bäume mit bekannten inneren Defekten zu finden. Der Datensatz stellt möglicherweise auch die große Vielfalt an Baumformen und inneren Defekten nicht vollständig dar. Infolgedessen spiegelt die bewertete Genauigkeit möglicherweise nicht das wahre Potenzial des Deep-Learning-Modells wider.
Ein weiterer Faktor ist die unterschiedliche Feuchtigkeit zwischen den Baumstammproben und lebenden Bäumen, die ebenfalls die Durchdringung des vom Radar gesendeten Signals beeinflusst und so die Genauigkeit verringert haben könnte.
https://www.mnd.gov.sg/newsroom/parliament-matters/q-as/view/written-answer-by-ministry-of-national-development-on-tree-failure-incident-reports-received-by-nparks
