Картирование бобровых плотин с помощью машинного обучения

Бобры Северной Америки своими инженерными способностями трансформируют экосистемы. Создавая запруды, прокладывая каналы и выедая растительность, они радикально меняют ландшафты в самых разных средах — от тундры до пустынь.

Два века пушного промысла, начавшегося в XVII веке, почти истребили этих густошёрстных строителей, но сегодня популяции бобров постепенно восстанавливаются. Это хорошая новость для экосистем, так как их деятельность создаёт ценные места обитания для исчезающих видов, улавливает углерод и улучшает доступность воды в засушливых регионах.

Несмотря на экологическую значимость, крупномасштабное картирование мест обитания бобров оставалось пробелом в науке. Большинство плотин наносят на карты вручную, что требует много времени и сил.

Чтобы ускорить идентификацию бобровых плотин, Эмили Фэрфакс и коллеги применили машинное обучение для анализа геопространственных снимков высокого разрешения в поисках вероятных плотин на уровне ландшафтов и целых регионов. Исследователи разработали модель Earth Engine Automated Geospatial Element(s) Recognition (EEAGER), которая использует нейронную сеть, обученную на тысячах известных локаций бобровых плотин на аэро- и спутниковых снимках. Их исследование опубликовано в Journal of Geophysical Research: Biogeosciences.

В этой работе команда обучила модель идентифицировать плотины на западе США, а затем протестировала её за пределами зоны обучения. В целом, точность EEAGER в определении наличия или отсутствия плотин на снимках составила 98.5%. Показатели полноты (recall) — процент известных плотин, правильно найденных моделью — и точности (precision) — процент предсказанных моделью плотин, которые действительно ими являются — составили 63% и 26% соответственно. Авторы отмечают, что эти показатели можно улучшить дополнительным обучением модели в других регионах обитания бобров.

Тем не менее, относительно высокий показатель полноты — это хороший знак, означающий, что модель может обнаружить большую часть реальных плотин. Исследователи также отметили, что ложноположительные срабатывания можно легко удалить из каталога вручную, и что многие из них находятся рядом с реальными бобровыми плотинами.

Эта работа поможет отслеживать популяции и состояние бобров, изменения экосистем, а также восстановление рек с участием бобров. Методология также может быть применена для мониторинга других сложных форм рельефа на больших территориях.