Лес и деревья

Деревья и растительность Модель по умолчанию

Пример результата: маска древесно-кустарникового покрова.

Стоимость

8 кредитов за км² + снимки

Пример: 10 км² на Mapbox с зумом 18 ≈ 110 кредитов.

Сегментирует все участки, покрытые деревьями и кустарниками, включая разреженный лес и кустарники. Работает в большинстве условий, в том числе в городах. Классы высоты и отдельные кроны деревьев включаются как опции при запуске.

Что вы получите

Полигональный слой древесно-кустарникового покрова.

Лучше всего работает с

Снимки 0,6–0,15 м (зум 18–20), сделанные в вегетационный период. Деревья без листвы или под снегом не распознаются.

Примеры использования

• Измерить сомкнутость крон по районам или участкам

• Сравнить две даты и найти вырубки

• Составить реестр зелёных насаждений города

• Запустить в Mapflow Web

• Использовать в QGIS

• Цены

Версия

03.07.2026

Географический охват

Глобальный

Метод

Сегментация

GSD / зум

0,6–0,15 м / z18–20

Модель обучена на снимках 0,6–0,3 м из разных регионов и климатических зон. Её разрешения достаточно, чтобы находить небольшие группы деревьев и узкие лесополосы. Используйте снимки вегетационного периода: деревья без листвы и растительность под снегом не являются целевым классом.

Сценарии с этой моделью

Каждый сценарий — это модель «Лес и деревья» с одной включённой опцией. Опции выбираются в форме запуска в Mapflow Web или в плагине QGIS.

Картировать лес и древесный покров

Запуск по умолчанию

Весь древесный и кустарниковый покров, вплоть до небольших групп деревьев и лесополос.

8 кр./км² + снимки · зум 18–20

Картировать лес и древесный покров

Высота растительности вдоль ЛЭП

+ Классы высоты

Растительность разделена на кустарники, лес 4–10 м и лес выше 10 м.

18 кр./км² + снимки · зум 18–19

Высота растительности вдоль ЛЭП

Подсчёт отдельных деревьев

+ Кроны деревьев

Точка на каждую крону, включая отдельно стоящие деревья.

13 кр./км² + снимки · зум 19

Подсчёт отдельных деревьев

Высота растительности вдоль ЛЭП

Лес и деревья + Классы высоты

Стоимость

18 кредитов за км² + снимки

Пример: 10 км² на Mapbox с зумом 18 ≈ 210 кредитов.

Запускает модель леса с оценкой высоты. Растительность делится на кустарники ниже 4 м, лес от 4 до 10 м и лес выше 10 м — именно это нужно специалистам по обслуживанию охранных зон ЛЭП.

Что вы получите

Полигоны растительности с классом высоты.

Лучше всего работает с

Снимки 0,6–0,3 м (зум 18–19), сделанные в вегетационный период.

Примеры использования

• Расставить приоритеты расчистки в охранных зонах ЛЭП

• Планировать обслуживание полосы отвода по классам высоты

• Проверить растительность вдоль автомобильных и железных дорог

Совет. Постройте буфер вокруг слоя линий в QGIS (Вектор › Геообработка › Буфер) и используйте его как область обработки — так вы платите только за коридор.

Примечание

Классы высоты:

• кустарники ниже 4 м;

• лес высотой от 4 до 10 м;

• лес выше 10 м.

Классы помогают управлять растительностью в охранных зонах ЛЭП и похожих зонах, см. профессиональные решения Geoalert. Пороги можно настроить под ваши требования.

Подсчёт отдельных деревьев

Лес и деревья + Кроны деревьев

Стоимость

13 кредитов за км² + снимки

Пример: 10 км² на Mapbox с зумом 19 ≈ 220 кредитов.

Извлекает кроны деревьев в лесу и отдельных деревьев в виде точек с радиусом кроны или в виде полигонов крон.

Что вы получите

Точки крон с радиусом или полигоны крон.

Лучше всего работает с

Снимки 0,3 м (зум 19), чтобы разделить отдельные деревья.

Примеры использования

• Инвентаризация уличных деревьев и парков

• Подсчёт деревьев в садах и на плантациях

• Отслеживание вырубки деревьев на стройплощадке

Важно

Используйте снимки 0,3 м (примерно зум 19) с опциями Кроны деревьев, если нужны отдельные деревья.

Все опции

Оценка высоты

Классифицирует маску леса по высоте: кустарники ниже 4 м, лес 4–10 м, лес выше 10 м.

Полигоны крон деревьев

Извлекает кроны деревьев в лесу и отдельно стоящих деревьев в виде полигонов.

Точки крон деревьев

Извлекает кроны деревьев в лесу и отдельно стоящих деревьев в виде точек с радиусом кроны.

Примеры результатов

Сплошная маска леса

Кроны деревьев, точки

Лес с высотами (растровый результат)

📊 Benchmarks

Forest and trees v.2026-09-10 (Global, segmentation) was evaluated on 8 areas of interest against manually annotated ground truth. Metrics are area-based: IoU is the intersection-over-union of the predicted and ground-truth vegetation masks, and F1, precision and recall are computed on the overlapping mask area. The v.2026-09-10 update refines tree-crown extraction results.

АОИ (местоположение)	Прогнозируемые функции	долг	Ф1	Точность	Отзывать
Италия — Кротоне	254	0,862	0,926	0,944	0,909
Испания — Мадрид	368	0,813	0,897	0,880	0,915
Филиппины — Баланга	220	0,806	0,892	0,864	0,923
Испания — Велилья де Сан Антонио	1070	0,784	0,879	0,894	0,864
Испания — Куэнка	409	0,763	0,865	0,859	0,872
Узбекистан — Ташкент	156	0,730	0,844	0,905	0,791
Испания — Русь	249	0,617	0,763	0,699	0,841
Аргентина — Ла Банда	93	0,576	0,731	0,653	0,829
Глобально (среднее значение 8 AOI)	2819	0,744	0,850	0,837	0,868

Area-based IoU / F1 / Precision / Recall measured against ground-truth vegetation masks; segmentation evaluation run 2026-07-03 (unchanged in v.2026-09-10). Compared with the previous version v.2025-06-14 (mean F1 0.513, IoU 0.396).

См.также

📊 See per-location segmentation benchmark details (v.2026-09-10) for the area-by-area breakdown, the comparison with the previous version and prediction-vs-ground-truth overlays.

Benchmarks - tree crowns

Latest update — 🌲 Forest and trees v.2026-09-10 (tree crown polygons). The crown-polygon output was evaluated on 7 areas of interest (AOI) against manually annotated ground truth. Metrics are area-based on the crown masks: IoU is the intersection-over-union of the predicted and ground-truth crown masks, and F1 / Precision / Recall are computed on the overlapping mask area.

АОИ (местоположение)	Predicted crowns	долг	Ф1	Точность	Отзывать
Италия — Кротоне	254	0.842	0.914	0.930	0.898
Испания — Мадрид	398	0.823	0.903	0.907	0.899
Филиппины — Баланга	309	0.780	0.876	0.849	0.904
Испания — Куэнка	433	0.732	0.846	0.875	0.818
Испания — Велилья де Сан Антонио	1134	0.694	0.819	0.855	0.786
Испания — Русь	239	0.689	0.816	0.759	0.883
Аргентина — Ла Банда	111	0.624	0.769	0.700	0.852
Global (mean of 7 AOIs)	2878	0.741	0.849	0.839	0.863

Area-based IoU / F1 / Precision / Recall measured on tree-crown polygon masks; evaluation run 2026-10-01. Compared with the previous version v.2026-07-03 (mean F1 0.824, IoU 0.706).

Tree count accuracy. For tree-counting use cases we also track how closely the number of detected crown polygons matches the ground-truth crown count. Relative count error is |detected − ground truth| / ground truth.

АОИ (местоположение)	GT crowns	v.2026-09-10 detected (count err)	v.2026-07-03 detected (count err)
Италия — Кротоне	327	254 (22.3%)	254 (22.3%)
Испания — Мадрид	478	398 (16.7%)	368 (23.0%)
Филиппины — Баланга	193	309 (60.1%)	220 (14.0%)
Испания — Куэнка	321	433 (34.9%)	409 (27.4%)
Испания — Велилья де Сан Антонио	1212	1134 (6.4%)	1070 (11.7%)
Испания — Русь	258	239 (7.4%)	249 (3.5%)
Аргентина — Ла Банда	125	111 (11.2%)	83 (33.6%)
Mean count error (7 AOIs)		22.7%	19.4%

Ground-truth crown counts from the updated report (2026-10-01). v.2026-09-10 is substantially closer to the true count where the previous model under-detected (La Banda, Madrid, Velilla de San Antonio), but it over-segments dense canopy at Balanga and Cuenca — producing more crowns than ground truth — so its mean relative count error (22.7%) is slightly above v.2026-07-03 (19.4%). ⚠️ The false positives may also indicate the lack of details in the manual labels as the mask-overlap accuracy (IoU / F1) still favours v.2026-09-10 in those areas.

См.также

📊 See per-location tree-crown benchmark details (v.2026-09-10) for the area-by-area breakdown, the comparison with v.2026-07-03 and prediction-vs-ground-truth overlays.

Benchmarks - canopy height (CHM)

The Height estimation output (Canopy Height Model, CHM) is benchmarked against lidar-derived ground truth on 5 m hexagons (max aggregation). The current model CHM v.2026-08-31 reduces the mean absolute height error from 4.70 m to 3.24 m (−31%) versus CHM v.2026-07-03 across 38 areas of interest, with the largest gains in tall, structurally complex forest.

См.также

📊 See canopy-height (CHM) benchmark details (v.2026-08-31) for the most-improved sample per country, with lidar ground truth and prediction-vs-lidar error maps.

Нужен другой объект?

Мы обучаем пользовательские модели на ваших снимках и классах и подключаем их к вашему аккаунту Mapflow.

• Запросить пользовательскую модель

• Каталог моделей и варианты развёртывания

• Все модели ИИ-картографирования