The ever-changing state of urban forests, combined with the time-consuming and laborious nature of manual tree inventory methods, makes it challenging to keep updated and accurate records of a city’s tree inventory. Performing accurate Individual Tree Crown Delineation (ITCD) provides the city with both tree locations and crown boundaries, from which other useful metrics, such as crown coverage, can be derived. Deep Learning (DL) networks, such as Convolutional Neural Networks (CNNs), have been shown to perform well at this task using aerial images and Light Detection and Ranging (LiDAR) point clouds. However, using a CNN for ITCD in a data fusion approach between aerial images and LiDAR point cloud has been less explored. In this thesis, we assess the performance of separate Mask R-CNN models for Low-Level Fusion (LLF) and Mid-Level Fusion (MLF), where the inputs are orthophotos and Canopy Height Models (CHMs) (generated from the LiDAR point cloud), and compare them against their single-modality counterparts. These datasets capture an urban forest in Trollhättan, a city in southwestern Sweden, during the leaf-off season. Furthermore, we investigate the City of Trollhättan and its current routines, challenges, and needs regarding tree inventory. The results showed that the data fusion models shared the highest performance, where the MLF model had an Average Precision (AP) of 56.03 and the LLF model had an AP of 55.89. The CHM model had a similar performance (AP 55.45), while the RGB (orthophoto) model was underperforming in comparison (AP 23.80). Additionally, we found that while an accurate ITCD is beneficial for the city’s tree inventory management, the results can be extended in numerous ways, such as by incorporating tree height to provide a more useful product.

Urbana skogar förändras ständigt. Detta, kombinerat med att utförandet av manuell trädinventering är mycket tidskrävande och mödosamt, gör det svårt för städer att upprätthålla ett uppdaterat och korrekt register över stadens träd. Att utföra individuell trädkronavgränsning (ITCD) förser staden med både trädens position och kronavgränsningar, som kan användas för att ta fram fler användbara mätetal, exempelvis krontäckningsgrad. Djupinlärningsnätverk, såsom faltningsnätverk (CNNs), har visat sig prestera bra på denna uppgift där de använt sig av flygbilder och LiDAR-punktmoln (ljusradar). Dock är datafusion mellan flygbilder och LiDAR-punktmoln mindre utforskat. I denna uppsats utvärderar vi prestandan hos separata Mask R-CNNmodeller för lågnivåfusion (LLF) och medelnivåfusion (MLF), där indata är ortofoton och kronhöjdsmodeller (som genererats från LiDAR-punktmolnet), och jämför dessa nätverk mot deras motsvarigheter som endast använder en av datatyperna som input. Dessa dataset är insamlade i en urban skog i Trollhättan, en stad i sydvästra Sverige, under den lövfria säsongen. Dessutom undersöker vi Trollhättans stad och dess rutiner, utmaningar, och önskemål kring trädinventering. Resultaten visar att datafusionsmodellerna delade den högsta prestandan, där MLF-modellen hade en snittprecision (AP) på 56.03 och LLF-modellen hade en AP på 55.89. CHM-modellen hade liknande prestanda (AP 55.45), medan RGB-modellen (ortofotomodellen) underpresterade i jämförelse (AP 23.80). Utöver detta så fann vi att medan en korrekt ITCD är gynnsam för stadens trädinventering kan detta resultat vidareutvecklas, såsom att inkludera trädhöjd för att få en ännu mer användbar produkt.