Landwirtschaft
Veröffentlicht auf 20. Oktober 2020 |
von Carolyn Fortuna
20. Oktober 2020 durch Carolyn Fortuna
Was können Sie mit einer riesigen Datenbank hochauflösender Satellitenbilder tun, die mehr als 1,3 Millionen Quadratkilometer der Westsahara und der Sahelzone Westafrikas abdecken? Nun, eine Gruppe von Forschern hat neuronale Netze mit künstlicher Intelligenz (KI) verwendet, um den Standort und die Größe von mehr als 1,8 Milliarden einzelnen Baumkronen zu kartieren.
Die Ergebnisse?
Möglicherweise ist es bald möglich, den Standort und die Größe jedes Baumes weltweit abzubilden. Dieser Fortschritt bei den Beobachtungsmöglichkeiten ist wichtig, da er die Art und Weise verändern kann, wie wir globale terrestrische Ökosysteme betrachten, überwachen, planen und verwalten.
Bild abgerufen von NASA Visualization Studio
Schreiben in NaturMartin Brandt und sein Team analysierten mehr als 11.000 Bilder mit einer räumlichen Auflösung von 0,5 Metern. Ihr Ziel war es, einzelne Bäume und Sträucher mit einem Baldachin-Durchmesser von 2 Metern oder mehr zu identifizieren. Nie zuvor wurden Bäume mit diesem Detaillierungsgrad über ein so großes Gebiet kartiert (obwohl zu beachten ist, dass für diese Methode etwa 90.000 manuell digitalisierte Trainingspunkte eingegeben werden müssen, was für einige Replikationsstudien möglicherweise unhaltbar ist).
Das Team erledigte diese große Aufgabe mithilfe von KI und nutzte dabei einen rechnerischen Ansatz, der sogenannte vollständig gefaltete neuronale Netze umfasst. Die Trainingsdaten bestanden aus Satellitenbildern, in denen die sichtbaren Umrisse von Baum- und Strauchkronen manuell nachgezeichnet wurden. Anhand dieser Beispiele lernte der Computer, einzelne Baumkronen in anderen Bildern mit hoher Präzision zu identifizieren.
Ihr Produkt ist eine Wand-zu-Wand-Kartierung aller großen Bäume in ganz Südmauretanien, Senegal und im Südwesten Malis.
Was sind Faltungs-Neuronale Netze?
Die räumliche Auflösung der meisten Satellitendaten ist relativ grob. Die Pixel jedes einzelnen Bildes entsprechen im Allgemeinen Bereichen auf dem Boden, die größer als 100 Quadratmeter und häufig größer als ein Quadratkilometer sind. EIN Faltungs-Neuronales Netz, Andererseits handelt es sich um einen Deep-Learning-Algorithmus, der ein Eingabebild absorbieren, verschiedenen Aspekten / Objekten im Bild Bedeutung – d. h. lernbare Gewichte und Verzerrungen – zuweisen und in der Lage sein kann, voneinander zu unterscheiden.
Diese neuronalen Netze haben Schichten, die im Wesentlichen Faltungen ausführen, in denen sich Faltungsfilter über die räumlich strukturierte Eingabe bewegen, um Ausgaben zu erzeugen, die als Merkmalskarten bekannt sind. Das Innovation von Faltungs-Neuronalen Netzen ist die Fähigkeit, automatisch eine große Anzahl von Filtern parallel zu einem Trainingsdatensatz unter den Bedingungen eines bestimmten prädiktiven Modellierungsproblems, wie beispielsweise der Bildklassifizierung, zu lernen. Das Ergebnis sind hochspezifische Funktionen, die überall auf Eingabebildern erkannt werden können.
Im Fall der Brandt-Studie wurde diese Deep-Learning-Methode entwickelt, um Baumkronen anhand ihrer charakteristischen Formen und Farben in einem größeren Bild zu erkennen. Eine Überprüfung der Studie in Natur sagt Dieses Ergebnis ist eine „eindrucksvolle Demonstration dieser Transformation in der terrestrischen Fernerkundung“.
Da Faltungs-Neuronale Netze von der Verfügbarkeit von Trainingsdaten abhängen, wurden die Satellitenbilder sichtbarer Umrisse von Baum- und Strauchkronen manuell verfolgt. Um die Trennung der Überdachungen zu verbessern, verwendete das Brandt-Team ein Gewichtungsschema beim Training seines neuronalen Faltungsnetzwerks, griff jedoch immer noch auf eine Klasse „Überdachungsklumpen“ zurück, um aggregierte Überdachungsflächen von mehr als 200 Metern zu beschreiben.
Auf diese Weise konnten Brandt und Kollegen detaillierte Informationen über den Standort und die Größe jedes einzelnen Baldachins anbieten. Der hohe Detaillierungsgrad gilt für Regionen mit einem jährlichen Niederschlag von mehr als 600 Millimetern. Es zeigt lokale räumliche Variabilität bei Bäumen, die im Allgemeinen mit unterschiedlichen Bodentypen, Wasserverfügbarkeit, Landnutzung und Landnutzungsgeschichte verbunden ist.
Was sind terrestrische Ökosysteme und warum sind sie wichtig?
Die Funktionalität von Ökosystemen ist wichtig für die Energiedissipation, die Bereitstellung von Ökosystemdienstleistungen, die Widerstandsfähigkeit gegenüber globalen Veränderungen und die Anpassungsfähigkeit. Terrestrische Ökosysteme sind die Drittgrößter globaler Kohlenstoffpool erst nach dem Ozean und dem geologischen Kohlenstoffpool. Die Kohlenstoffbindung durch terrestrische Ökosysteme bezieht sich auf die Umwandlung von atmosphärischem CO2 in kohlenstoffhaltige Komponenten durch Pflanzen oder geologische Prozesse, die als Kohlenhydrate, organische Bodensubstanz und Karbonatmineralien gespeichert werden können.
Sobald das CO2 in diese Materialien übertragen wurde, wird es effektiv gesperrt, bis eine Zersetzung auftritt. Diese Prozesse können durch viele Faktoren beeinflusst werden, wie z. B. Artenmerkmale und Alter der Vegetation, klimatische Bedingungen, Landnutzung und Bodentyp.
Zum größten Teil durch ihre Holzpflanzen definiert, terrestrische Ökosysteme Veränderung auf nuancierte Weise zwischen Grasland, Buschland, Savannen, Wäldern und Wäldern. Variationen und Abstufungen der Baum- und Strauchdichte bewegen sich von Holzpflanzen mit geringer Dichte und geringer Statur zu Pflanzen mit höheren Bäumen und überlappenden Überdachungen. Genaue Informationen über die Holzvegetationsstruktur von Ökosystemen sind daher von grundlegender Bedeutung für unser Verständnis der Ökologie, Biogeographie und der biogeochemischen Kreisläufe von Kohlenstoff, Wasser und anderen Nährstoffen auf globaler Ebene.
Übersicht über das Tree Canopy Mapping mit Hilfe von Neuronalen Netzen
Der Rahmen für die Erkennung von Baumkronen in Satellitenbildern mit sehr hoher räumlicher Auflösung (panchromatische und pan-geschärfte NDVI 31-Bilder auf 0,5 m) verwendete einen überwachten Ansatz für tief lernende neuronale Netze zur Erkennung einzelner Holzpflanzen. Da Savannenbäume häufig verstreut sind, fallen ihre Kronen als Objekte mit einem hohen NDVI-Wert auf – im Gegensatz zu ihrer Umgebung, die in der Trockenzeit niedrige NDVI-Werte aufweist.
Visuell waren Baumkronen in den Satellitenbildern am einfachsten zu identifizieren, und 89.899 einzelne Bäume entlang eines Nord-Süd-Gefälles wurden manuell abgegrenzt und mit Anmerkungen versehen. Die resultierende räumliche Datenbank enthält jeden erkannten Baum, seine Kronengröße, den mittleren jährlichen Niederschlag, die Landnutzung und den Boden.
Das Brandt-Team stellte fest:
- über 1,8 Milliarden Einzelbäume / 13,4 Bäume pro Hektar
- eine mittlere Kronengröße von 12 m entlang eines Niederschlagsgradienten von 0 bis 1.000 mm pro Jahr
- In hyperariden Gebieten steigt die Überdachung von 0,1% / 0,7 Bäumen pro Hektar
- 1,6% / 9,9 Bäume pro Hektar in trockenen Gebieten
- 5,6% / 30,1 Bäume pro Hektar in halbtrockenen Gebieten
- 13,3% / 47 Bäume pro Hektar in subfeuchten Gebieten
Abschließende Gedanken
Die Brandt-Bewertung schlägt einen globalen Weg vor, um Bäume außerhalb von Wäldern zu überwachen und ihre Rolle bei der Eindämmung von Degradation, Klimawandel und Armut zu untersuchen.
Sobald mehr Innovationen in der Fernerkundung verfügbar werden, werden Details zur Vegetationsstruktur aus einer Vielzahl von Quellen abgeleitet, wie z. B. LIDAR (Light Detection and Ranging), Radar sowie hochauflösende Sensoren für sichtbares und nahes Infrarot. Fortschritte bei satellitengestützten hochauflösenden Daten zur Größe und Dichte von Baumkronen sollten in der Lage sein, zur Bestandsaufnahme und Bewirtschaftung von Wäldern und Wäldern, zur Überwachung der Entwaldung und zur Bewertung des in Biomasse, Holz, Brennholz und Baumkulturen gebundenen Kohlenstoffs beizutragen .
Schätzen Sie die Originalität von CleanTechnica? Erwägen Sie, ein CleanTechnica-Mitglied, Unterstützer oder Botschafter zu werden – oder ein Benutzer von Patreon.
Melden Sie sich kostenlos an täglicher Newsletter oder wöchentlicher Newsletter nie eine Geschichte verpassen.
Haben Sie einen Tipp für CleanTechnica, möchten Sie Werbung schalten oder einen Gast für unseren CleanTech Talk-Podcast vorschlagen? Kontaktieren Sie uns hier.
Neueste Cleantech Talk Episode
Über den Autor
Carolyn Fortuna Carolyn Fortuna, Ph.D. ist ein Schriftsteller, Forscher und Pädagoge mit einem lebenslangen Engagement für Umweltgerechtigkeit. Sie wurde von der Anti-Defamation League, der International Literacy Association und der Leavy Foundation ausgezeichnet.
Im Rahmen ihrer Portfolio-Veräußerung erwarb sie 5 Aktien von Tesla.
Bitte folge ihr weiter Twitter und Facebook.