Отделение естественных лесов от других древесных насаждений с помощью ИИ для создания цепочек поставок, свободных от вырубки лесов.

Карта «Естественные леса мира 2020», созданная с помощью искусственного интеллекта, позволяет отличать естественные леса от других типов лесного покрова. Эта важная базовая информация помогает правительствам, компаниям и местным сообществам достигать целей по предотвращению вырубки лесов и защите экосистем.

Быстрые ссылки

• Бумага
• Каталог данных Earth Engine
• Демонстрационный скрипт
• Набор данных
• Библиотека генерации данных
• Библиотека моделирования
• Делиться
  • Скопировать ссылку ×

Леса жизненно важны для нашей планеты, поскольку они регулируют количество осадков, смягчают последствия наводнений, хранят и поглощают углерод, а также помогают поддерживать существование большинства наземных видов на планете. Несмотря на их важность, вырубка лесов продолжается с угрожающей скоростью. Ключевой проблемой в усилиях по сохранению является разграничение многовековых природных экосистем от недавно посаженных лесов или плантаций древесных культур с помощью спутниковых данных. Большинство существующих карт просто показывают «древесный покров», базовый показатель любой древесной растительности, что приводит к сравнению «яблок с апельсинами». Это смешивает вырубку краткосрочной плантации с безвозвратной потерей незаменимого, богатого биоразнообразием природного леса.

Необходимость такого разграничения как никогда важна в связи с новыми глобальными правилами, такими как Регламент Европейского союза о продукции, не полученной в результате вырубки лесов (EUDR). Этот регламент предписывает, что такие продукты, как кофе, какао, каучук, древесина и пальмовое масло, продаваемые в ЕС, не могут поступать с земель, которые были обезлесены или деградированы после 31 декабря 2020 года, с целью защиты естественных лесов, таких как первичные и естественно восстанавливающиеся леса. Эта политика создает потребность в надежной, высокоточной и глобально согласованной карте естественных лесов в том виде, в котором они существовали в 2020 году. Защита этих лесов также является центральным элементом COP30, которая признает их решающую роль в обеспечении климатической стабильности и благополучия человека.

Изображение, полученное с помощью спутника Gemini, показывает естественный лес ( слева ), граничащий с искусственно посаженным лесом ( справа ). Глобальные спутниковые модели с трудом различают их, что осложняет усилия по защите более богатого биоразнообразием естественного леса.

Стремясь удовлетворить эту потребность, совместно с Google DeepMind мы выпускаем новую карту и набор данных «Естественные леса мира 2020», опубликованные в журнале Nature Scientific Data . Этот проект является результатом сотрудничества с Всемирным институтом ресурсов и Международным институтом прикладного системного анализа и предоставляет критически важную базовую информацию для мониторинга обезлесивания и деградации лесов. Это первая в мире согласованная карта с разрешением 10 метров, которая отличает естественные леса от других типов древесного покрова и достигает лучшей в своем классе точности в 92,2% при проверке на основе глобального независимого набора данных. Мы надеемся, что эта общедоступная базовая информация поможет компаниям проводить комплексную проверку, поддерживать правительства в мониторинге обезлесивания и позволит природоохранным организациям направлять свои усилия на защиту того, что имеет наибольшее значение.

Глобальная площадь естественных лесов в 2020 году (первоначально с разрешением 10 метров).

Как искусственный интеллект может отделить лес от деревьев

Отличить естественный лес от сложной агролесоводческой системы или 50-летнего искусственного леса по одному спутниковому снимку сложно. Для решения этой проблемы мы разработали модель искусственного интеллекта, которая действует как лесничий, наблюдая за участком земли в течение года, сегментируя участок размером 1280 x 1280 метров и оценивая вероятность того, что каждый пиксель размером 10 x 10 метров внутри него представляет собой естественный лес. Это позволяет модели делать оценки на основе окружающего контекста, а не на основе одного снимка. Эта новая многомодальная пространственно-временная модель преобразования изображений (MTSViT) анализирует сезонные спутниковые снимки Sentinel-2 и топографические данные (например, высоту и уклон), а также географические координаты образца. На основе анализа спутниковых снимков за определенный период времени модель выявляет характерные спектральные, временные и текстурные признаки (т.е. закономерности данных, используемые для распознавания различных типов лесов), которые отличают сложные естественные леса от однородных, быстрорастущих коммерческих плантаций и других видов землепользования и растительного покрова.

воспроизведение видео без звука зацикливание пауза видео без звука зацикливание включение звука видео выключение звука

Для создания карты «Естественные леса мира 2020» мы отобрали более 1,2 миллиона участков по всему миру размером 1280 x 1280 метров с разрешением 10 метров, чтобы создать масштабный многоисточниковый обучающий набор данных. Эти данные были использованы для обучения модели MTSViT распознаванию сложных закономерностей расположения естественных лесов и других типов местности. Затем мы применили обученную модель MTSViT ко всей суше на Земле, создав цельную, глобально согласованную карту вероятностей с разрешением 10 метров. Для тщательной проверки карты мы создали оценочный набор данных, повторно используя независимый набор данных, посвященный глобальному управлению лесами за 2015 год, и обновив его метки, чтобы сосредоточиться на естественных лесах за 2020 год. Подробнее см. в статье.

Полный цикл создания карты природных лесов (от аннотирования данных до их обработки, обучения модели, создания карты и этапов проверки).

Что дальше: Новое видение понимания лесов

Мы надеемся, что базовые показатели «Естественные леса мира 2020» окажутся ценным ресурсом для политиков, аудиторов и компаний, стремящихся соблюдать новые правила, запрещающие вырубку лесов, такие как Регламент ЕС о природопользовании. Но леса не статичны. Для подлинной поддержки глобального сохранения природы и устойчивого развития нам необходимо различать больше классов лесов и, что крайне важно, понимать, как они меняются с течением времени. Это включает в себя дифференциацию и определение местоположения ключевых типов лесов: естественные леса (леса с высокой плотностью углерода и богатым биоразнообразием), искусственно созданные леса, плантации и коммерческие древесные культуры (например, экологически чистые агролесоводческие системы выращивания кофе и какао).

Для продвижения этой работы мы разрабатываем новую многолетнюю серию глобальных карт типов лесов, созданных на основе моделей искусственного интеллекта следующего поколения. Эти карты будут классифицировать территории мира по шести различным типам: первичные леса, леса, восстанавливающиеся естественным путем, искусственно созданные леса, плантационные леса, древесные культуры и другие типы землепользования. Мы планируем выпустить эти всеобъемлющие карты в 2026 году.

Чтобы побудить более широкое исследовательское сообщество внести свой вклад в эту работу, мы также выпустили два крупномасштабных эталонных набора данных. Эти наборы данных важны для разработки и тщательного тестирования следующего поколения моделей ИИ, предназначенных для анализа лесов мира. Набор данных Planted представляет собой глобальную, многосенсорную коллекцию данных за длительный период времени, содержащую более 2,3 миллиона примеров классификации временных рядов. Он специально разработан для того, чтобы помочь моделям ИИ распознавать 64 различных типа (видов или родов) искусственных лесов и древесных культур по всему миру. Эталонный набор данных Forest Typology (ForTy) предоставляет действительно глобальный набор данных с 200 000 фрагментов изображений из разных источников и разных временных периодов с попиксельными метками для моделей семантической сегментации. Этот ресурс разработан для решения основной задачи сопоставления ключевых классов: естественный лес, искусственный лес и древесные культуры.

Помогаем защитить нашу планету

Для воплощения амбиций в жизнь в сфере климата и охраны природы необходимы прозрачные, достоверные и высокоточные данные. Мы стремимся сделать эти инструменты максимально доступными. Мы надеемся, что эти новые наборы данных и инструменты помогут правительствам, компаниям и местным сообществам работать вместе для достижения целей по сокращению вырубки лесов и защиты важнейших экосистем, от которых мы все зависим.

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

Благодарности

Данное исследование было разработано совместно Google Deepmind и Google Research в сотрудничестве с WRI и IIASA.

Мы благодарим наших сотрудников из Google, Всемирного института ресурсов (WRI) / Global Forest Watch (GFW) и Международного института прикладного системного анализа (IIASA): Антона Райчука, Шарлотту Стэнтон, Дэна Морриса, Дрю Пурвеса, Элизабет Голдман, Кейтлин Таррио, Кейта Андерсона, Максима Ноймана, Мелани Рей, Мишель Дж. Симс, Мирославу Лесив, Николаса Клинтона, Петру Поклукар, Радост Станимирову, Сару Картер, Штеффена Фрица, Ючана Цзяна.

Особая благодарность тем, кто первыми проверил карты: Эндрю Листеру (Лесная служба США), Астрид Верхегген (Объединенный исследовательский центр), Клементу Бургуэну (Объединенный исследовательский центр), Эрин Глен (WRI), Фредерику Ашару (Объединенный исследовательский центр), Йонасу Фридману (Шведский университет сельскохозяйственных наук), Юкке Мейтенинену (VTT), Карен Сондерс (Всемирный фонд дикой природы Канады), Луи Реймондину (Международный альянс по биоразнообразию — CIAT), Мартину Херольду (Центр геонаук им. Гельмгольца GFZ), Ольге Непомшине (Центр геонаук им. Гельмгольца GFZ), Питеру Потапову (Университет Мэриленда/WRI), Рене Колдитцу (Объединенный исследовательский центр), Тибо Ванталону (Международный альянс по биоразнообразию — CIAT) и Вивиане Заллес (WRI).

Источник: research.google