Identificação e contagem de árvores de Araucaria angustifolia em um fragmento florestal urbano utilizando imagens de UAV e a estrutura YOLOv7

Abstract

Resumo: As florestas urbanas são essenciais para a conservação da biodiversidade local e o bem-estar humano, mas enfrenta desafios devido à expansão urbana e à conversão do uso da terra para agricultura. Algumas espécies nativas, como a Araucaria angustifolia, estão criticamente ameaçadas, exigindo ações e estratégias para sua conservação. O objetivo deste estudo foi utilizar imagens de Veículo Aéreo Não Tripulado (VANT) e a técnica de visão computacional do modelo YOLOv7 para a identificação e contagem de indivíduos de A. angustifolia em um fragmento de floresta urbana, especificamente na Floresta Ombrófila Mista (FOM), em Curitiba, Paraná, Brasil. O YOLOv7, consiste numa arquitetura baseada em Redes Neurais Convolucionais (CNNs), foi escolhido por sua capacidade de detecção. O YOLOv7 é especialmente eficaz na detecção de uma ampla variedade de objetos, incluindo pessoas, veículos, animais, objetos domésticos, placas de sinalização e muito mais, tornando-o uma escolha ideal para identificar espécies de árvores em ambientes urbanos. Os dados foram obtidos por um VANT DJI Mavic 3, com o qual a área de estudo da floresta urbana foi sobrevoada, gerando uma ortomosaico que foi posteriormente dividido em 14 partes para treinamento, validação e teste. O modelo YOLOv7 foi treinado com as imagens para detectar árvores de A. angustifolia presentes na área. Além disso, no âmbito da investigação de métodos de predição do DAP da A. angustifolia com base na área da copa, utilizando modelos de regressão linear, foi realizado um estudo comparativo dos modelos propostos. Os resultados mostram que o modelo alcançou uma precisão de 79,3% (proporção de detecções corretas entre todas as detecções feitas), recall de 86,8% (capacidade de identificar corretamente todas as instâncias positivas) e precisão média de 87% (média da precisão para várias classes e limiares de confiança) durante o treinamento. A pontuação F1, que combina as medidas de precisão e recall em um único valor, evidenciou um valor médio de 77,16%, com 91,01% das imagens obtendo valores superiores a 60%. A análise comparativa com dados de inventário florestal revela desempenho promissor na detecção de árvores de A. angustifolia. A confiança média da classificação do modelo foi de 76,18 ± 12,88%. Essa abordagem fornece uma ferramenta importante para estratégias de conservação voltadas para avaliar e gerenciar a biodiversidade de árvores em remanescentes de florestas urbanas. A análise comparativa dos modelos revelou que o modelo logarítmico atendeu adequadamente às suposições da regressão linear, demonstrando linearidade, homocedasticidade, normalidade dos resíduos e independência dos resíduos. A integração da tecnologia de VANT, modelo YOLOv7 e aprendizado profundo (CNNs) mostrou-se eficaz para detecção e quantificação de árvores, essencial para a conservação da biodiversidade em remanescentes de florestas urbanas.

Abstract: Urban forests are essential for the conservation of local biodiversity and human well-being, but they face challenges due to urban expansion and land-use conversion for agriculture. Some native species, such as Araucaria angustifolia, are critically endangered, requiring actions and strategies for their conservation. The objective of this study was to use Unmanned Aerial Vehicle (UAV) imagery and the YOLOv7 model computer vision technique to identify and count A. angustifolia individuals in an urban forest fragment, specifically in the Mixed Ombrophilous Forest (MOF) in Curitiba, Paraná, Brazil. YOLOv7, which is based on a Convolutional Neural Network (CNN) architecture, was chosen for its detection capabilities. YOLOv7 is especially effective in detecting a wide range of objects, including people, vehicles, animals, household items, and traffic signs, making it an ideal choice for identifying tree species in urban environments. The data were collected using a DJI Mavic 3 UAV, which flew over the urban forest study area, generating an orthomosaic that was later divided into 14 parts for training, validation, and testing. The YOLOv7 model was trained with the images to detect A. angustifolia trees present in the area. Furthermore, as part of the investigation into predicting the DBH of A. angustifolia based on canopy area, using linear regression models, a comparative study of the proposed models was conducted. The results show that the model achieved an accuracy of 79.3% (the proportion of correct detections among all detections made), a recall of 86.8% (the ability to correctly identify all positive instances), and an average precision of 87% (the mean precision across multiple classes and confidence thresholds) during training. The F1 score, which combines precision and recall into a single value, had an average of 77.16%, with 91.01 % of images scoring above 60%. Comparative analysis with forest inventory data reveals promising performance in detecting A. angustifolia trees. The model's average classification confidence was 76.18 ± 12.88%. This approach provides an important tool for conservation strategies aimed at assessing and managing tree biodiversity in urban forest remnants. The comparative analysis of the models revealed that the logarithmic model adequately met the assumptions of linear regression, demonstrating linearity, homoscedasticity, normality of residuals, and independence of residuals. The integration of UAV technology, the YOLOv7 model, and deep learning (CNNs) proved effective for tree detection and quantification, essential for biodiversity conservation in urban forest remnants.