Супутники та штучний інтелект допомагають міряти вуглець у лісах

Супутникові дані, які допомагають археологам шукати стародавні руїни, відкривають нові горизонти в моніторингу вуглецю в лісах

Джерело: phys.org

Супутникові технології, які археологи використовують для виявлення слідів руїн під густими лісовими кронами, можуть також суттєво покращити швидкість і точність вимірювання обсягів вуглецю, який накопичується й вивільняється в лісах.

Розуміння цього вуглецевого циклу має ключове значення для досліджень змін клімату, каже Хамді Зуркані, доцент геопросторових наук Центру лісових ресурсів Арканзасу при Університеті Арканзасу в Монтіселло. Центр здійснює наукову та освітню діяльність у межах сільськогосподарської дослідницької системи цього університету.

«Ліси часто називають легенями планети — і це недарма», — пояснює Зуркані. — «Вони зберігають близько 80% вуглецю суші й відіграють критичну роль у регуляції клімату Землі».

Щоб виміряти вуглецевий цикл лісу, необхідно розрахувати надземну біомасу. Проте традиційні наземні методи є трудомісткими, повільними й охоплюють обмежені площі.

У дослідженні, нещодавно опублікованому в Ecological Informatics, Зуркані демонструє, як можна інтегрувати відкриті супутникові дані на платформі Google Earth Engine зі штучним інтелектом, щоб швидко й точно створювати карти надземної біомаси в масштабах великих територій — навіть у віддалених і важкодоступних місцях.

Основою нового підходу стали дані з лазерного сканера NASA GEDI (Global Ecosystem Dynamics Investigation), який складається з трьох лазерів, встановлених на Міжнародній космічній станції. Система точно вимірює висоту лісового покриву, вертикальну структуру крон і рельєф поверхні. LiDAR (світлове виявлення та дальномір) використовує світлові імпульси для побудови 3D-моделей.

Зуркані також застосував знімки супутників Sentinel-1 та Sentinel-2 від Європейського космічного агентства (ESA). Комбінуючи 3D-дані GEDI з оптичними знімками Sentinels, він значно підвищив точність оцінки біомаси.

Для обробки даних було протестовано чотири алгоритми машинного навчання: Gradient tree boosting, Random Forest, CART (дерева класифікації та регресії) та Support Vector Machine. Найвищу точність показав Gradient tree boosting, друге місце — Random Forest. CART дав прийнятні результати, але мав вузьку вибірку. А от Support Vector Machine виявився найменш ефективним — не всі моделі ШІ однаково добре підходять для оцінки лісової біомаси.

Найточніші результати, за словами Зуркані, забезпечила комбінація оптичних даних Sentinel-2, вегетаційних індексів, топографічних особливостей і висоти крон, з використанням GEDI як еталонного набору для навчання та тестування моделей.

Чому це важливо

За словами Зуркані, точне картографування біомаси лісів має практичне значення для глобального обліку вуглецю та вдосконалення управління лісовими ресурсами. Більш точні оцінки дають змогу урядам і організаціям краще відстежувати поглинання вуглецю й викиди через вирубки, що впливає на прийняття політичних рішень.

Подальші кроки

Попри прогрес, виклики залишаються. Зуркані зазначає, що погодні умови можуть впливати на якість супутникових знімків, а деякі регіони досі не мають детального покриття LiDAR. У майбутньому команда планує застосовувати глибші ШІ-моделі, зокрема нейронні мережі, для ще точнішого прогнозування.

«Одне зрозуміло точно», — підкреслює Зуркані. — «У міру того, як змінюється клімат, такі технології стануть незамінними для захисту наших лісів і планети».