Mendeteksi pohon satu per satu dari citra drone atau udara tampak seperti masalah yang sudah selesai. Paket gratis dengan dokumentasi lengkap sudah tersedia, dan beberapa baris kode sudah cukup untuk menggambar kotak di sekitar tajuk. Masalahnya ada pada apa yang dikatakan para penulis paket tersebut.
Apa Kata Angka
0,57 vs 0,52
F1 Detectree2 vs DeepForest dalam satu validasi hutan beriklim sedang
97,28%
F1 YOLOv3 untuk mendeteksi kelapa sawit, tanaman satu spesies dengan pola teratur
62%
akurasi segmentasi metode tajuk superpiksel pada hutan tropis campuran
Dua alat gratis, keduanya berlisensi MIT
DeepForest adalah paket Python untuk melatih dan memprediksi objek ekologis pada citra udara. Paket ini menyediakan model tajuk pohon dan burung satu kelas, serta dapat dikembangkan untuk klasifikasi spesies. Paket ini dirilis dengan lisensi MIT. Model tajuk bawaannya dilatih dalam dua tahap: jutaan anotasi berkualitas sedang yang dihasilkan algoritma deteksi pohon LiDAR tanpa pengawasan, lalu anotasi manual pada citra RGB dari lokasi terpilih. Model spesies opsionalnya memiliki 148 kelas spesies yang dilatih dengan sekitar 16.000 potongan tajuk tanpa duplikat, dengan model genus berisi 54 kelas. Keduanya menggunakan backbone ResNet-18 dan dijalankan sebagai tahap kedua setelah deteksi tajuk. Data pelatihannya mencakup tajuk beranotasi manual dari 29 lokasi NEON di seluruh Amerika Serikat.
Detectree2 adalah paket berbasis Mask R-CNN untuk menggambar batas tajuk pohon pada citra udara RGB dan multispektral. Paket ini dirancang untuk hutan tropis yang rapat, dengan model terlatih di "model garden", dan juga berlisensi MIT.
Keduanya terbuka, sehingga sangat cocok untuk belajar, membuat prototipe, dan dikembangkan lebih lanjut. Tidak ada yang mengklaim sebagai alat yang sudah jadi.
Apa Kata Para Pengelola
Dokumentasi DeepForest menyatakan bahwa model bawaannya ditujukan sebagai titik awal untuk pelatihan lanjutan, bukan sebagai alat serbaguna untuk citra baru. Repositorinya menyebut model bawaan kecil kemungkinan memprediksi sebuah citra dengan sempurna. Dokumentasi juga mencatat bahwa demo daring hanya menangani citra tunggal.
Itu deskripsi yang bertanggung jawab. Model yang dilatih pada hutan beriklim sedang di AS, dengan resolusi dan musim terbang tertentu, akan menemui cahaya, spesies, dan struktur tajuk yang berbeda di agroforestri petani kecil di Indonesia.
Validasi independen di hutan beriklim sedang di Jepang memberi Detectree2 nilai F1 0,57 dan DeepForest 0,52. F1 menggabungkan berapa banyak tajuk nyata yang ditemukan dengan berapa banyak deteksi yang benar, pada skala 0 sampai 1. Kedua angka itu tidak tinggi, dan keduanya tidak berasal dari lokasi tropis. Perbandingan ini menunjukkan bahwa kedua alat berada pada kisaran yang sama, bukan bahwa salah satunya akan cocok untuk Anda.
Target Mudah dan Target Sulit
Kualitas deteksi sangat bergantung pada apa yang Anda deteksi.
- Kelapa sawit. Sebuah makalah tentang deteksi kelapa sawit skala besar menggunakan 56.614 label pada lahan 730 ha dengan resolusi 5 cm per piksel untuk pelatihan, lalu diuji pada 17.343 pohon di 24 wilayah. Skor F1 mencapai 97,28% untuk YOLOv3, 97,74% untuk YOLOv4, dan 94,94% untuk model ketiga yang lebih cepat. Kelapa sawit ditanam dalam barisan teratur, satu spesies, dengan tajuk yang mirip. Itu kasus yang menguntungkan. - Hutan tropis campuran. Sebuah tinjauan tentang delineasi tajuk melaporkan metode superpiksel dengan akurasi segmentasi 62%, dan metode tajuk individu terbaik dalam studi di Amazon Brasil sebesar 65%. Tinjauan itu menyebut delineasi tajuk yang sempurna di hutan tropis tidak realistis, dan metode tinggi tajuk berbasis raster tidak efektif untuk pohon di lapisan bawah. - Semai. Studi deteksi semai dari citra drone di Shanxi, Tiongkok, mencakup 96 ha dengan sekitar 25.000 sampel pada resolusi 1 hingga 5 cm. Para penulisnya mencatat bahwa metode LiDAR dan tinggi tajuk sulit membedakan semai dari pohon dewasa dan membutuhkan awan titik berkepadatan tinggi yang mahal. Pendekatan Faster R-CNN berbasis tekstur peka terhadap tumbuhan bawah dan semak yang rapat.
Kasus pertama mencapai angka sembilan puluhan. Kasus lainnya tidak. Pembaca yang hanya melihat angka pertama akan memiliki ekspektasi yang keliru untuk perkebunan muda atau hutan campuran.
Langkah Praktis Sebelum Memercayai Hasil Hitungan
1. Uji pada citra Anda sendiri. Beri label manual pada beberapa petak lalu bandingkan, pada resolusi dan musim yang Anda gunakan. 2. Laporkan metriknya. Recall, presisi, dan F1 menceritakan hal yang berbeda. Sebuah alat bisa melewatkan banyak tajuk namun tetap tampak presisi. 3. Pisahkan penghitungan dari karbon. Jumlah tajuk bukan estimasi biomassa. Anda tetap memerlukan ukuran, spesies, dan persamaan alometrik. 4. Siapkan sampel lapangan. Hitung sebagian pohon langsung di lapangan, lalu publikasikan selisihnya. 5. Periksa juga lisensi data. Bobot terlatih, data pelatihan, dan citra masing-masing punya ketentuan sendiri. Kode berlisensi MIT tidak membuat citranya gratis.
Untuk perbedaan fotogrametri drone dan LiDAR sebagai masukan, lihat Photogrammetry or LiDAR for forest mapping. Untuk lisensi di seluruh tumpukan AI geospasial terbuka, lihat the open-source AI stack for geospatial work in 2026.
Pertanyaan yang Sering Diajukan
Keduanya dirilis dengan lisensi MIT, yang mengizinkan penggunaan komersial. Lisensi ini hanya mencakup kode. Periksa terpisah ketentuan untuk bobot terlatih, data pelatihan, dan citra yang Anda gunakan.
Menghitung Pohon dari Citra Drone?
Kualitas deteksi bergantung pada citra, spesies, dan definisi pohon yang Anda pakai. Jika Anda sedang merencanakan penghitungan pohon berbasis drone, kami senang bertukar pandangan.


