Мы представляем первый эталонный тест на основе глубокого обучения для прогнозирования рисков обезлесения в упреждающем режиме.
Природа лежит в основе нашего климата, экономики и самой нашей жизни. И в природе леса являются одним из самых мощных столпов — они хранят углерод, регулируют количество осадков, смягчают последствия наводнений и являются домом для большей части наземного биоразнообразия планеты.
Однако, несмотря на их критическую важность, мир продолжает терять леса с пугающей скоростью. Только в прошлом году мы теряли тропический лес, площадь которого эквивалентна 18 футбольным полям, каждую минуту, что составило 6,7 миллиона гектаров — рекордный показатель и вдвое больше, чем годом ранее. Сегодня преобразование среды обитания представляет собой наибольшую угрозу биоразнообразию на суше.
В течение многих лет спутниковые данные были нашим важнейшим инструментом для измерения этих потерь. Совсем недавно, в сотрудничестве с Всемирным институтом ресурсов, мы помогли составить карту основных причин этих потерь — от сельского хозяйства и лесозаготовок до добычи полезных ископаемых и пожаров — за период 2000–2024 годов. Эти карты, имеющие беспрецедентное разрешение в 1 км², служат основой для широкого спектра мер по защите лесов. Однако эти выводы, какими бы важными они ни были, отражают лишь прошлое. Теперь пришло время смотреть в будущее.
Мы рады объявить о выпуске «ForestCast: Прогнозирование риска обезлесения в масштабе с помощью глубокого обучения», а также первого общедоступного эталонного набора данных, предназначенного для обучения моделей глубокого обучения прогнозированию риска обезлесения. Этот переход от простого мониторинга уже уничтоженных территорий к прогнозированию того, что находится под угрозой в будущем, меняет правила игры. Предыдущие подходы к оценке риска основывались на сборе фрагментарных входных карт, таких как дороги и плотность населения, которые быстро устаревают. В отличие от этого, мы разработали эффективный подход, основанный исключительно на спутниковых данных, который может последовательно применяться в любом регионе и легко обновляться в будущем по мере появления новых данных. Мы обнаружили, что этот подход может соответствовать или превосходить точность предыдущих подходов. Чтобы сообщество могло воспроизвести и развить нашу работу, мы публикуем все входные, обучающие и оценочные данные в виде общедоступного эталонного набора данных.
Почему прогнозировать вырубку лесов так сложно?
Вырубка лесов — это, по сути, антропогенный процесс, обусловленный сложной сетью экономических, политических и экологических факторов. Он подпитывается ростом производства таких товаров, как скот, пальмовое масло и соя, а также лесными пожарами, лесозаготовками, расширением населенных пунктов и инфраструктуры, а также добычей полезных ископаемых и энергоресурсов. Поэтому предсказать место и время будущих потерь невероятно сложно.
Современный подход пытается решить эту проблему путем объединения специализированной геопространственной информации по как можно большему числу факторов: карты дорог, экономические показатели, данные о применении политики и т. д. Этот подход обеспечивал точные прогнозы для некоторых регионов в определенные периоды времени. Однако он, как правило, не масштабируем, поскольку исходные карты часто фрагментарны, непоследовательны и требуют отдельного составления для каждого региона. Этот подход также не является перспективным, поскольку исходные карты быстро устаревают, и нет гарантии, когда, если вообще когда-либо, они будут обновлены.
Масштабируемый спутниковый подход
Для преодоления этих трудностей мы используем модель «чисто спутниковых данных», в которой входные данные получены исключительно со спутников. Мы протестировали исходные спутниковые данные со спутников Landsat и Sentinel 2. Мы также включили входные данные, полученные со спутников, которые мы называем «историей изменений», идентифицирующие каждый пиксель, который уже подвергся вырубке леса, и указывающие год, когда произошла эта вырубка. Мы обучили и оценили модель, используя полученные со спутников метки вырубки леса.
Использование исключительно спутниковых данных обеспечивает согласованность, поскольку мы можем применять один и тот же метод в любой точке Земли, что позволяет проводить содержательные сравнения между различными регионами. Это также делает нашу модель перспективной — потоки спутниковых данных будут продолжаться в течение многих лет, поэтому мы можем повторять этот метод для получения обновленных прогнозов риска и изучения того, как риск меняется с течением времени.
Для достижения точности и масштабируемости мы разработали собственную модель на основе графических трансформеров. Модель получает на вход целый фрагмент спутниковых пикселей, что крайне важно для учета пространственного контекста ландшафта и недавней вырубки лесов (как это отражено в истории изменений). Затем она выдает прогнозы для целого фрагмента за один проход, что делает модель масштабируемой для больших регионов.
Мы обнаружили, что наша модель способна воспроизвести или превзойти точность методов, основанных на специализированных входных данных (таких как дороги), точно прогнозируя различия в объеме вырубки лесов от тайла к тайлу и, внутри тайлов, точно прогнозируя, какие пиксели с наибольшей вероятностью будут вырублены следующими.
воспроизведение видео без звука зацикливание пауза видео без звука зацикливание включение звука видео выключение звука
Наша модель компьютерного зрения на основе глубокого обучения анализирует спутниковые временные ряды и исторические данные о потере лесов для прогнозирования риска обезлесения.
Удивительно, но мы обнаружили, что наиболее важным входным параметром спутниковых данных оказался самый простой — история изменений. Настолько важный, что модель, получающая только эти данные, могла давать прогнозы с точностью, неотличимой от моделей, использующих полные, необработанные спутниковые данные. Оглядываясь назад, мы видим, что история изменений — это небольшой, но очень информативный входной параметр для модели, включающий информацию о вариациях темпов обезлесивания от участка к участку, о том, как эти темпы меняются со временем, а также отражающий движение фронтов обезлесивания внутри участков.
Для обеспечения прозрачности и воспроизводимости результатов мы публикуем данные для обучения и оценки, использованные в этой работе, в качестве эталонных. Это позволит более широкому сообществу специалистов по машинному обучению проверить наши результаты; потенциально получить более глубокое понимание того, почему модель делает те или иные прогнозы; и, в конечном итоге, создать и сравнить улучшенные модели оценки риска обезлесения.
Более того, наш эталонный метод и статья предоставляют четкий шаблон для масштабирования этого подхода в глобальном масштабе — для моделирования тропической вырубки лесов в Латинской Америке и Африке, и в конечном итоге, в умеренных и бореальных широтах, где потеря лесов часто обусловлена другими факторами, такими как скотоводство и пожары.
Заключение
Изменение землепользования, особенно вырубка тропических лесов и преобразование лесных массивов, ответственно примерно за 10% глобальных антропогенных выбросов парниковых газов и угрожает подавляющему большинству наземных форм жизни на планете. Прогнозы риска обезлесения могут стать важным инструментом для целенаправленного распределения ресурсов там, где они могут оказать наибольшее влияние на сокращение этих выбросов и защиту природы.
Способность предвидеть риски позволяет правительствам, компаниям и сообществам действовать на ранних этапах, когда еще есть время предотвратить потери, вместо того чтобы реагировать на уже нанесенный ущерб. Например:
- Государственное агентство может направлять поддержку и стимулы для сохранения природы общинам в районах, где начинается вырубка лесов.
- Компания может активно управлять своими цепочками поставок, чтобы сократить и полностью исключить вырубку лесов.
- Коренное население может направить ограниченные ресурсы на защиту своих земель, находящихся в наибольшей опасности.
Таким образом, подобный прогноз — это не предсказание неизбежного будущего. Это инструмент, призванный изменить будущий результат. Цель состоит в том, чтобы поделиться этой информацией с теми, кто может действовать, помогая им направлять ресурсы в наиболее уязвимые районы, пока не стало слишком поздно, и предоставляя им возможность обеспечить сохранение этих лесов, находящихся под угрозой. Объединяя открытые данные и передовые технологии искусственного интеллекта, мы создаем мощный новый инструмент для защиты природы.
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 компаниями Google Deepmind и Google Research.
Google Deepmind: Мэтт Оверлан, Арианна Манзини, Дрю Пурвес, Джулия Хаас, Максим Нойманн, Мелани Рей.
Исследование Google: Шарлотта Стэнтон, Микеланджело Консерва.
Мы также хотели бы поблагодарить наших дополнительных сотрудников Киру Прабху, Юнгин Шин и Куан Лу, а также Питера Батталья и Кэт Чоу за их поддержку.
Источник: research.google
