Изучение лугов из космоса
Экстенсивно используемые луга отличаются высоким биоразнообразием, выполняют важную климатическую функцию как поглотители углерода, а также служат для производства кормов и пищи. Однако эти экосистемные услуги оказываются под угрозой, если продуктивность этих земель максимизируется, а их использование интенсифицируется. До сих пор данные о состоянии лугов и пастбищ в Германии отсутствовали для больших площадей. В журнале Remote Sensing of Environment исследователи из Центра Гельмгольца по исследованию окружающей среды (UFZ) описали, как спутниковые данные и методы машинного обучения позволяют оценить интенсивность землепользования.
Миссия Sentinel-2 началась с запуска спутника дистанционного зондирования Земли Sentinel-2A в июне 2015 года, а Sentinel-2B был запущен в марте 2017 года. С тех пор эти два спутника обращаются на высоте около 800 километров и в рамках программы Европейского космического агентства (ESA) Copernicus предоставляют данные для, например, защиты климата и мониторинга земель. Каждые три-пять дней они записывают изображения в видимом и инфракрасном диапазоне электромагнитного спектра, которые с очень высоким разрешением до 10 метров служат хорошей основой для обнаружения таких особенностей, как изменения растительности.
Междисциплинарная команда исследователей из UFZ использовала эти общедоступные данные для изучения интенсивности землепользования немецких лугов за 2017 и 2018 годы. По данным Федерального статистического управления, эти луга занимают площадь около 4,7 млн гектаров, то есть почти 30% всех сельскохозяйственных земель. «Нам нужна дополнительная информация об интенсивности использования лугов, чтобы лучше понимать стабильность и функционирование наших экосистем. Чем интенсивнее используется луг, тем больше влияние на первичную продукцию, отложение азота и устойчивость к климатическим изменениям», — говорит ведущий автор доктор Максимилиан Ланге.
Предпосылкой для долгосрочного сохранения лугов является управление ими, например, покос или выпас. Если их не использовать, происходит зарастание кустарником. Но интенсивность управления лугами критически важна для их способности предоставлять экосистемные услуги. Однако общедоступных данных по всей Германии о том, как фермеры управляют своими лугами, нет. Учёный UFZ использовал спутниковые данные с разрешением 20 метров, чтобы сделать выводы о частоте покоса, интенсивности выпаса крупного рогатого скота, лошадей, овец и коз, а также о внесении удобрений в Германии.
«Величина этих трёх типов управления критична для интенсивности использования», — говорит Ланге. Он определил классы частоты покоса от 0 (не косили) до 5 (косили пять раз в год) и рассчитал интенсивность выпаса от 0 до 3 (сильный выпас) на основе смеси количества скота, видов и возраста. Для удобрения он различал удобренные и неудобренные участки. Он объединил эти три категории, чтобы вывести индекс, указывающий на интенсивность управления луговой площадью в диапазоне от «экстенсивной» до «интенсивной».
Для получения информации о трёх параметрах использования на основе многомерных данных со спутниковых снимков он использовал искусственный интеллект (ИИ). «ИИ может очень эффективно извлекать информацию из данных, слишком сложных для понимания человеком. Обучающие данные можно использовать для тренировки алгоритмов машинного обучения, чтобы выявлять закономерности в спутниковых данных, которые мы затем можем оценить и применить для выводов на больших площадях», — говорит он.
Ланге получил обучающие данные из полевых данных трёх «Биоразнообразных Эксплораториев», финансируемых Немецким научно-исследовательским сообществом (DFG) в Хайнихе, Шорфхайде и Швабском Альбе. С 2006 года там проводятся различные эксперименты в рамках долгосрочных исследований лугов с разным уровнем интенсивности землепользования.
Ланге использовал два алгоритма для оценки того, насколько точно машинное обучение распознаёт фактическое использование лугов по спутниковым данным: Random Forest (стандартный метод дистанционного зондирования для классификации земного покрова) и CNN (свёрточные нейронные сети, метод глубокого обучения, в основном используемый в обработке изображений). Результат: «Оба метода хорошо отражают реальность, причём метод CNN немного лучше», — говорит он. С помощью метода CNN исследователю UFZ удалось аппроксимировать данные из DFG Biodiversity Exploratories с точностью от 66 до 85% (интенсивность выпаса — 66%, режим покоса — 68%, удобрение — 85%) для примера 2018 года. Результаты на основе Random Forest были немного ниже по всем трём параметрам.
Это высокая точность классификации для сопоставимых экологических исследований дистанционного зондирования, но её можно было бы ещё улучшить, если бы было доступно больше данных об использовании лугов. «Чем больше данных можно использовать для обучения метода глубокого обучения и чем точнее эти данные, тем точнее будут результаты», — говорит Ланге. На следующем этапе он проверил правдоподобность результатов в четырёх примерных регионах Германии. Два из этих регионов (Оберальгой и Дитмаршен) известны интенсивным использованием лугов, в то время как один около биосферного заповедника Рён используется умеренно, а другой, природный заповедник в Саксонии-Анхальт, используется только экстенсивно. Это сравнение также показало хорошее соответствие между результатами дистанционного зондирования и фактическими данными.
В целом команда UFZ обнаружила, что в 2018 году луга в Германии использовались менее интенсивно, чем в 2017 году. «Это в первую очередь связано с засухой в 2018 году и связанной с этим потерей продуктивности лугов», — говорит доктор Даниэль Доктор, последний автор публикации и руководитель рабочей группы UFZ «Покров земли и динамика». Например, расчёты показывают, что 64% лугов не косили в 2018 году, в то время как в 2017 году этот показатель составлял всего 36%.
«Результаты также показывают различия в управлении по всей Германии. Управление часто бывает очень интенсивным в таких регионах, как Альгой или Шлезвиг-Гольштейн, в то время как в Бранденбурге или частях Саксонии оно гораздо более экстенсивное», — говорит он. Но эта оценка — только начало. Для получения ещё более точных выводов с помощью алгоритмов машинного обучения необходимы более точные данные об управлении из других регионов Германии.