Космические лазеры и ИИ для измерения биомассы лесов

Спутниковые данные, которые археологи используют для поиска следов древних руин под плотным лесным пологом, также можно применять для повышения скорости и точности измерения того, сколько углерода удерживается и высвобождается в лесах.

По словам Хамди Зуркани, доцента геопространственных наук из Центра лесных ресурсов Арканзаса и Колледжа лесного хозяйства, сельского хозяйства и природных ресурсов Университета Арканзаса в Монтиселло, понимание этого углеродного цикла является ключевым для исследований изменения климата.

«Леса часто называют легкими нашей планеты, и не без оснований, — сказал Зуркани. — Они хранят примерно 80% наземного углерода мира и играют критическую роль в регулировании климата Земли».

Для измерения углеродного цикла леса необходим расчёт надземной биомассы. Традиционные наземные методы её оценки, хотя и эффективны, трудоёмки, требуют много времени и ограничены в возможностях пространственного охвата, отметил Зуркани.

В исследовании, недавно опубликованном в Ecological Informatics, Зуркани показывает, как информацию со спутников открытого доступа можно интегрировать на платформе Google Earth Engine с алгоритмами искусственного интеллекта для быстрого и точного картирования надземной биомассы лесов в больших масштабах, даже в отдалённых районах.

Новый подход Зуркани использует данные LiDAR (Light Detection and Ranging) с инструмента NASA Global Ecosystem Dynamics Investigation (GEDI), который включает три лазера, установленных на Международной космической станции. Система может точно измерять трёхмерную высоту лесного полога, его вертикальную структуру и высоту поверхности.

Зуркани также использовал данные изображений с коллекции спутников наблюдения Земли Copernicus Sentinel Европейского космического агентства — Sentinel-1 и Sentinel-2. Комбинируя 3D-данные от GEDI и оптические изображения от спутников Sentinel, он повысил точность оценок биомассы.

В исследовании были протестированы четыре алгоритма машинного обучения для анализа данных: градиентный бустинг деревьев (gradient tree boosting), случайный лес (random forest), деревья классификации и регрессии (CART) и метод опорных векторов (support vector machine). Градиентный бустинг деревьев показал наивысшую точность и наименьшую ошибку. Случайный лес занял второе место, доказав свою надёжность, но с чуть меньшей точностью. CART дал разумные оценки, но имел тенденцию фокусироваться на меньшем подмножестве данных. Алгоритм метода опорных векторов показал худшие результаты, что подчёркивает, что не все модели ИИ одинаково подходят для оценки надземной биомассы леса в этом исследовании.

Самые точные прогнозы, по словам Зуркани, были получены при комбинации оптических данных Sentinel-2, вегетационных индексов, топографических особенностей и высоты полога с набором данных LiDAR GEDI, который служил эталоном для обучения и тестирования моделей машинного обучения. Это показывает, что интеграция данных из нескольких источников критически важна для надёжного картирования биомассы.

Почему это важно

Зуркани заявил, что точное картирование лесной биомассы имеет практическое значение для лучшего учёта углерода и улучшения управления лесами в глобальном масштабе. Более точные оценки позволят правительствам и организациям точнее отслеживать секвестрацию углерода и выбросы от обезлесения, чтобы информировать политические решения.

Дальнейшие шаги

Хотя исследование знаменует собой скачок вперёд в измерении надземной биомассы лесов, Зуркани отметил, что остаются проблемы, такие как влияние погоды на спутниковые данные. В некоторых регионах по-прежнему отсутствует покрытие LiDAR высокого разрешения. Он добавил, что будущие исследования могут изучить более глубокие модели ИИ, такие как нейронные сети, для дальнейшего уточнения прогнозов.

«Одно ясно, — сказал Зуркани. — По мере усиления изменения климата такие технологии станут незаменимыми для защиты наших лесов и планеты».