Спутниковые снимки раскрывают функциональное разнообразие тропических лесов

Анализ спутниковых снимков позволил учёным глубже изучить функции различных крон тропических лесов, получив новые и неожиданные результаты.

Понимание признаков деревьев и функционального разнообразия в тропиках критически важно для биоразнообразия, моделирования экосистем и их сохранения. Впервые, благодаря данным спутников Sentinel-2 Европейского космического агентства (ESA), учёные смогли показать огромное функциональное разнообразие тропических лесов с беспрецедентной детализацией.

В исследовании под руководством Института изменения окружающей среды Оксфордского университета, с участием более 100 учёных со всего мира, использовались данные более чем с 1800 растительных площадок, а также спутниковые, топографические, климатические и почвенные данные для прогнозирования вариаций 13 признаков деревьев и картирования функционального разнообразия тропических лесов.

Было обнаружено, что леса в Америке, Африке и Азии используют разные части доступного пространства признаков. Американские тропические леса демонстрируют на 40% больше функционального богатства, чем африканские и азиатские леса, в то время как африканские леса имеют наибольшую функциональную дивергенцию — на 32% больше, чем американские, и на 7% больше, чем азиатские.

Исследование "Canopy functional trait variation across Earth's tropical forests", опубликованное в Nature, также выявляет регионы, требующие дополнительных данных для повышения точности. Эта работа предлагает глобальный взгляд на то, как и почему признаки крон тропических лесов различаются в разных регионах.

Доктор Хесус Агирре-Гутьеррес, доцент, заявил: "Используя передовые спутниковые данные, мы можем получать информацию высокого разрешения и видеть, что происходит в кронах леса. Мы можем использовать это для количественной оценки различий между континентами".

В исследовании команда подчёркивает важность крон тропических лесов в регулировании углерода, воды и энергии в атмосфере. Тропические леса — самые биоразнообразные экосистемы на Земле, составляющие значительную часть глобального разнообразия, включая две трети из 73 000 видов деревьев. Более миллиарда человек зависят от них в плане средств к существованию.

Однако знания о том, как признаки, влияющие на функции леса (такие как форма, модели роста и реакции на окружающую среду), варьируются на больших территориях, особенно в тропиках, всё ещё ограничены. Хотя такие факторы, как вода, температура и почва, влияют на признаки растений, их влияние на функцию леса до конца не изучено.

Прогнозирование распределения признаков растений на больших территориях обычно фокусируется на нескольких признаках с большим объёмом данных, таких как содержание азота и фосфора в листьях и удельная площадь листа. Некоторые успехи достигнуты путём объединения данных о типах растений со статистическими моделями и спутниковым дистанционным зондированием, но большинство моделей по-прежнему полагаются на предопределённые типы растений и данные спутников низкого разрешения.

Наземные наблюдения в тропических лесах часто ограничены, что показывает необходимость в лучших инструментах для отслеживания признаков растений на больших территориях с высоким разрешением. Также существует необходимость сравнивать прогнозы, сделанные разными методами.

Хотя базы данных признаков растений помогают моделировать их распределение, исследователи отмечают нехватку всесторонних данных по признакам для большинства видов деревьев в тропических районах, таких как Амазония, где насчитывается около 15 000 видов. Понимание вариаций признаков на разных континентах важно для прогнозирования реакции экосистем на изменения, такие как изменение климата и землепользование.

Искусственный интеллект быстро улучшает нашу способность картировать признаки растений с помощью моделей глубокого обучения, применяемых к полевым данным и фотографиям. Эти модели, особенно свёрточные нейронные сети, могут анализировать большие объёмы данных дистанционного зондирования и комбинироваться со спектральными данными для картирования признаков растений.

Новые спутники с гиперспектральными датчиками и высоким пространственным разрешением, наряду с растущими данными переписей деревьев, расширяют возможности использования ИИ во времени и пространстве.

Но команда предупреждает, что ИИ должен поддерживать, а не заменять традиционные экологические методы, такие как полевой отбор проб и экспертная идентификация деревьев, для обеспечения точной оценки биоразнообразия.

Исследование картирует, как типы деревьев различаются во влажных и сухих тропических лесах, в которых обитает большинство видов деревьев Земли. Результаты показывают, что признаки деревьев сильно формируются долгосрочным климатом, что помогает прогнозировать, как изменение климата может повлиять на эти леса. Карты, созданные исследователями, выделяют ключевые области для будущих исследований, особенно в недостаточно изученных регионах, таких как Африка и Азия.

Точность прогнозов зависит от качества и охвата данных и будет улучшаться по мере поступления новой информации. Эти карты представляют собой значительный шаг вперёд в понимании того, как функционируют тропические леса в глобальном масштабе.