От пикселей к планированию: искусственный интеллект Земли для восстановления природы

Мы разработали высокоточную систему глубокого обучения для выявления мелкомасштабных экологических особенностей, таких как живые изгороди и рощи, которые обычно невидимы для стандартного спутникового обнаружения. Эти точные векторные данные открывают новый путь для решения климатического кризиса и кризиса биоразнообразия на сельскохозяйственных землях без ущерба для продовольственной безопасности.

Быстрые ссылки

• Векторизованные сельские пейзажи 2020 года
• Сельские пейзажи 2020
• Делиться
  • Скопировать ссылку ×

Леса — это не просто скопления деревьев; это важнейшие системы, которые поглощают углерод, фильтруют воду и поддерживают биоразнообразие, от которого зависит человечество. В условиях, когда мир стремится смягчить климатический кризис и остановить утрату биоразнообразия, увеличение площади лесных массивов становится глобальным приоритетом.

Трудность заключается в землепользовании. С ростом населения увеличивается и спрос на продовольствие, и расширение крупных лесных массивов неизбежно конкурирует с сельскохозяйственными угодьями, необходимыми для удовлетворения этого спроса. Это противоречие создает ключевую проблему: как бороться с изменением климата и остановить потерю биоразнообразия, не ставя под угрозу продовольственную безопасность и не вызывая «утечки», когда сохранение природы в одной области непреднамеренно переносит деградацию окружающей среды в другую?

Мелкомасштабные древесные образования, такие как живые изгороди и лесозащитные полосы, пролегающие среди наших ферм, предлагают потенциальное решение. Они могут способствовать накоплению углерода и биоразнообразию, не вытесняя сельскохозяйственные культуры, однако часто остаются «невидимыми» для национальных лесных реестров, поскольку слишком малы для стандартного спутникового обнаружения.

Чтобы сделать эти скрытые ресурсы видимыми, мы ранее выпустили Farmscapes 2020: первую крупномасштабную карту высокого разрешения для выявления таких незамеченных объектов, как живые изгороди и линейные лесные массивы по всей Англии, в сотрудничестве с Центром восстановления природы Леверхулма при Оксфордском университете. Хотя первоначальный растровый (пиксельный) формат был шагом вперед в обнаружении, для реальных задач восстановления ландшафта и учета выбросов углерода требуется больше, чем просто пиксели. Сегодня мы выпускаем векторизованный набор данных, который преобразует эти карты в практический перечень живых изгородей, каменных стен и рощ. Этот новый ресурс позволяет землевладельцам и природозащитникам измерять и расширять эти мелкомасштабные объекты по всей Великобритании.

Основные особенности ландшафта и их главные экологические функции.

Составление карты структуры сельской местности

Переход от растровой карты высокого разрешения к функциональному векторному набору данных потребовал преодоления технических трудностей на стыке пространственной топологии, семантики и вычислительного масштаба.

Во-первых, сельскохозяйственные ландшафты имеют сложную пространственную топологию. Элементы редко бывают изолированными; например, живая изгородь может граничить с полем или проходить непосредственно вдоль каменной стены, а это означает, что стандартные однослойные модели с трудом отображают эти перекрывающиеся элементы. Кроме того, обработка такой большой карты требует разбиения ее на ячейки S2 (сетчатая система, которая сплющивает нашу круглую планету в плоские квадраты на карте), что часто приводит к искусственному разрезанию элементов по границам ячеек.

Во-вторых, возникает вопрос о семантической ценности. Простой пиксель, обозначающий «лесной» участок, не позволяет отличить ядро леса, соединительный коридор от изолированной рощи. Чтобы векторизованный набор данных был полезен для охраны природы, нам пришлось найти способ программной классификации этих форм на основе их фактической экологической функции.

Наконец, мы столкнулись с проблемой масштаба вычислительных задач. Огромный размер набора данных высокого разрешения сделал стандартные операции преобразования растровых изображений в векторные вычислительно непомерно сложными. Обработка миллионов отдельных древесных объектов по всей Англии (площадь более 130 000 км²) требовала тщательной обработки данных, чтобы избежать перегрузки традиционных систем.

Обучение ИИ определению формы сельской местности

Чтобы преодолеть разрыв между пикселями и планированием, мы разработали высокоточную систему глубокого обучения, предназначенную для явного отображения объектов на сложной мозаике сельскохозяйственных земель.

Обучение ИИ распознаванию специфических особенностей британской сельской местности, таких как ухоженная живая изгородь, требует глубоких экспертных знаний, но у нас был лишь относительно небольшой набор аннотированных данных (~247 км²). Чтобы преодолеть это, мы использовали базовую модель Vision-Transformer (ViT) от Remote Sensing Foundations (RSF), предварительно обученную на более чем 300 миллионах глобальных спутниковых снимков. RSF является частью Google Earth AI, нашей коллекции геопространственных моделей и наборов данных для преобразования планетарных данных в практические рекомендации. Начав с этой надежной базы пространственных текстур, мы доработали модель, чтобы она распознавала специфические нюансы британского ландшафта с гораздо большей точностью.

Опираясь на эту обученную модель, мы разработали конвейер для решения наших основных задач в области пространственных, семантических данных и масштабирования.

Для обработки многослойной топологии местности, где каменная стена может располагаться непосредственно под кроной живой изгороди, мы разработали двухслойную систему маркировки, используя субметровые изображения и данные LiDAR с разрешением 1 метр. Это позволило нашей модели видеть две вещи в одном пространстве: (1) границы на уровне земли (например, сельскохозяйственные угодья или вода) и (2) надземные объекты (например, деревья и стены, расположенные над ними). Для исправления искусственных срезов на границах ячеек мы разработали масштабируемый алгоритм, который объединяет геометрии между ячейками, обеспечивая геометрическую полноту каждого объекта.

Затем мы перешли к решению семантической задачи. Модель ИИ легко распознает зелень, но она не различает небольшую группу деревьев и длинную, узкую живую изгородь. Чтобы превратить исходные цифровые контуры модели в полезный экологический инвентарь, мы применили математический тест, называемый показателем компактности Полсби-Поппера. Анализируя физические границы каждого обнаруженного объекта, мы программно классифицировали геометрию местности. Мы определили лесные массивы как крупные, сплошные кроны деревьев диаметром не менее 30 метров, лесные участки как небольшие рощи или отдельные деревья, а линейные лесные объекты — такие как живые изгороди и вытянутые коридоры — по их вытянутым границам, строго определяемым показателем компактности менее 0,5. Эта геометрическая интеллектуальность позволила нам программно выделить длинные, узкие коридоры, которые так важны для передвижения диких животных.

Рабочий процесс методики извлечения ландшафтных характеристик.

Наконец, чтобы преодолеть вычислительное узкое место и масштабировать этот анализ на национальном уровне, мы использовали Google Earth Engine. Обрабатывая тысячи независимых ячеек S2 параллельно, мы обошли традиционные вычислительные ограничения, что позволило нам одновременно генерировать векторные геометрии для миллионов отдельных объектов. В совокупности эти достижения позволяют нам превратить необработанную карту в функциональный инструмент для восстановления природы.

Взгляд в будущее

Хотя публикация векторизованного набора данных является важным шагом вперед, мы уже работаем над дальнейшим уточнением данных.

Мы изучаем более широкое применение высокоточной диагностики для различных природоохранных решений, таких как количественная оценка мелкомасштабных древесных особенностей в лесопастбищных и агролесоводческих системах. Эта технология также может помочь выявить случаи «утечки», гарантируя, что локальные приросты углерода и биоразнообразия не будут компенсированы потерями за пределами границ проекта. Эти подходы открывают важнейший путь к масштабированию восстановления на обрабатываемых землях и решению климатического кризиса и кризиса биоразнообразия без ущерба для глобальной продовольственной безопасности.

Сделав эти данные открытыми и доступными, мы надеемся дать возможность фермерам, ученым и политикам защитить те мелкие особенности ландшафта, которые имеют огромное значение для нашей планеты.

Узнайте больше о наших усилиях в области искусственного интеллекта и устойчивого развития, ознакомившись с Google Earth AI и Google Earth Engine.

Источник: research.google