Учёные, работающие в области геопространственных наук, используют спутниковые данные, чтобы измерять биомассу лесов и улучшать точность оценки количества углерода, удерживаемого и высвобождаемого лесными экосистемами.
Понимание углеродного цикла — ключ к изучению изменения климата
Хамди Зуркани, доцент кафедры геопространственных наук Центра лесных ресурсов Арканзаса и Колледжа сельского хозяйства, продовольствия и природных ресурсов Университета Арканзаса в Монтиселло, считает, что понимание углеродного цикла имеет решающее значение для исследований изменения климата.
«Леса часто называют лёгкими нашей планеты, и не без причины, — говорит Зуркани. — Они содержат примерно 80% земного углерода и играют важнейшую роль в регулировании климата Земли».
Использование космических технологий для измерения углеродного цикла лесов
Для измерения углеродного цикла леса необходимо рассчитать надземную биомассу леса. Хотя традиционные наземные методы оценки надземной биомассы леса эффективны, они трудоёмки, требуют много времени и ограничены в пространственном охвате, отмечает Зуркани.
В исследовании, недавно опубликованном в журнале Ecological Informatics, Зуркани показывает, как информацию со спутников с открытым доступом можно интегрировать в Google Earth Engine с алгоритмами искусственного интеллекта для быстрого и точного картирования крупномасштабной надземной биомассы лесов даже в отдалённых районах, где доступ часто ограничен.
Данные из космоса и искусственный интеллект
Новый подход Зуркани использует данные из проекта NASA под названием Global Ecosystem Dynamics Investigation LiDAR (GEDI LiDAR), который включает три лазера, установленные на Международной космической станции. Система может точно измерять высоту лесного полога, вертикальную структуру полога и высоту поверхности.
Зуркани также использовал данные изображений со спутников наблюдения за Землёй Copernicus Sentinel Европейского космического агентства — Sentinel-1 и Sentinel-2. Объединив трёхмерные изображения из GEDI и оптические данные со спутников Sentinel, Зуркани повысил точность оценки биомассы.
Алгоритмы машинного обучения
В исследовании были протестированы четыре алгоритма машинного обучения для анализа данных: градиентный бустинг деревьев, случайный лес, деревья классификации и регрессии (CART) и машина опорных векторов. Градиентный бустинг достиг наивысшей точности и наименьшей частоты ошибок. Случайный лес оказался надёжным, но немного менее точным. CART предоставил разумные оценки, но был сосредоточен на меньшем подмножестве данных. Алгоритм машины опорных векторов работал не так хорошо, отметил Зуркани.
Интеграция данных из разных источников
Самые точные прогнозы, по словам Зуркани, были получены при объединении оптических данных Sentinel-2, индексов растительности, топографических характеристик и высоты полога с набором данных GEDI LiDAR, который служил эталонным входом для обучения и тестирования моделей машинного обучения. Это показало, что интеграция данных из разных источников имеет решающее значение для надёжного картирования биомассы.
Реальные последствия для управления лесами
Зуркани подчеркнул, что точное картирование биомассы лесов имеет реальные последствия для более точного учёта углерода и улучшения управления лесами в глобальном масштабе. С более точными оценками правительства и организации смогут более точно отслеживать секвестрацию углерода и выбросы от вырубки лесов для обоснования политических решений.
Хотя исследование знаменует собой прорыв в измерении надземной биомассы лесов, Зуркани отметил, что остаются проблемы, связанные с влиянием погоды на спутниковые данные. Некоторые регионы по-прежнему не охвачены лидаром высокого разрешения. Он добавил, что будущие исследования могут изучить более глубокие модели искусственного интеллекта, такие как нейронные сети, для дальнейшего уточнения прогнозов.
«Одно ясно, — сказал Зуркани. — По мере усиления изменения климата такие технологии будут незаменимы для защиты наших лесов и планеты».
Предоставлено Университетом Арканзаса.