Wetenschappers van NASA's Goddard Space Flight Center in Greenbelt, Maryland, en internationale medewerkers demonstreerden een nieuwe methode voor het in kaart brengen van de locatie en grootte van bomen die buiten bossen groeien, het ontdekken van miljarden bomen in aride en semi-aride regio's en het leggen van de basis voor een nauwkeurigere wereldwijde meting van koolstofopslag op het land.

Met behulp van krachtige supercomputers en machine learning-algoritmen, het team bracht de kroondiameter in kaart - de breedte van een boom van bovenaf gezien - van meer dan 1,8 miljard bomen over een oppervlakte van meer dan 500, 000 vierkante mijl, of 1, 300, 000 vierkante kilometer. Het team bracht in kaart hoe de diameter van de boomkroon, Dekking, en de dichtheid varieerde afhankelijk van regenval en landgebruik.

Het in kaart brengen van niet-bosbomen op dit detailniveau zou maanden of jaren duren met traditionele analysemethoden, het team zei, vergeleken met een paar weken voor dit onderzoek. Het gebruik van beelden met een zeer hoge resolutie en krachtige kunstmatige intelligentie betekent een technologische doorbraak voor het in kaart brengen en meten van deze bomen. Deze studie is bedoeld als de eerste in een reeks artikelen waarvan het doel niet alleen is om niet-bosbomen over een groot gebied in kaart te brengen, maar ook om te berekenen hoeveel koolstof ze opslaan - essentiële informatie om de koolstofcyclus van de aarde te begrijpen en hoe deze in de loop van de tijd verandert.

Koolstof meten in bomen

Koolstof is een van de belangrijkste bouwstenen voor al het leven op aarde, en dit element circuleert onder het land, atmosfeer, en oceanen via de koolstofcyclus. Sommige natuurlijke processen en menselijke activiteiten brengen koolstof in de atmosfeer, terwijl andere processen het uit de atmosfeer halen en het op het land of in de oceaan opslaan. Bomen en andere groene vegetatie zijn koolstofputten, " wat betekent dat ze koolstof gebruiken voor groei en het uit de atmosfeer opslaan in hun stammen, takken, bladeren en wortels. Menselijke activiteiten, zoals het verbranden van bomen en fossiele brandstoffen of het opruimen van bebost land, koolstof in de atmosfeer afgeven als koolstofdioxide, en stijgende concentraties koolstofdioxide in de atmosfeer zijn een hoofdoorzaak van klimaatverandering.

Natuurbeschermingsexperts die werken aan het verminderen van klimaatverandering en andere bedreigingen voor het milieu, hebben jarenlang gericht op ontbossing, maar deze inspanningen omvatten niet altijd bomen die buiten bossen groeien, zei Compton Tucker, senior biosferische wetenschapper in de Earth Sciences Division bij NASA Goddard. Deze bomen kunnen niet alleen belangrijke koolstofputten zijn, maar ze dragen ook bij aan de ecosystemen en economieën van nabije menselijke, dieren- en plantenpopulaties. Echter, veel huidige methoden voor het bestuderen van het koolstofgehalte van bomen omvatten alleen bossen, geen bomen die individueel of in kleine clusters groeien.

Tucker en zijn NASA-collega's, samen met een internationaal team, gebruikte commerciële satellietbeelden van DigitalGlobe, die een hoge resolutie hadden om individuele bomen te herkennen en hun kroongrootte te meten. De beelden kwamen uit de commercial QuickBird-2, GeoEye-1, Wereldweergave-2, en WorldView-3-satellieten. Het team concentreerde zich op de droge gebieden - gebieden die minder neerslag ontvangen dan wat er elk jaar uit planten verdampt - inclusief de dorre zuidkant van de Sahara, die zich uitstrekt door de semi-aride Sahel Zone en in de vochtige subtropen van West-Afrika. Door een verscheidenheid aan landschappen te bestuderen, van weinig bomen tot bijna beboste omstandigheden, het team heeft hun computeralgoritmen getraind om bomen te herkennen op verschillende terreintypes, van woestijnen in het noorden tot boomsavannes in het zuiden.

Leren op het werk

Het team voerde een krachtig computeralgoritme uit, een volledig convolutioneel neuraal netwerk ("deep learning") genoemd op de Blue Waters van de Universiteit van Illinois, een van 's werelds snelste supercomputers. Het team trainde het model door bijna 90 handmatig te markeren, 000 individuele bomen op verschillende terreinen, en liet het vervolgens "leren" welke vormen en schaduwen de aanwezigheid van bomen aangaven.

Het proces van het coderen van de trainingsgegevens duurde meer dan een jaar, zei Martin Brandt, een assistent-professor geografie aan de Universiteit van Kopenhagen en de hoofdauteur van de studie. Brandt heeft alle 89 gemarkeerd, 899 bomen alleen en hielp toezicht houden op de training en het runnen van het model. Ankit Kariryaa van de Universiteit van Bremen leidde de ontwikkeling van de deep learning computerverwerking.

"Op een kilometer terrein, zeg dat het een woestijn is, vaak zijn er geen bomen, maar het programma wil een boom vinden, "Zei Brandt. "Het zal een steen vinden, en denk dat het een boom is. Zuidelijker, het zal huizen vinden die op bomen lijken. Het klinkt makkelijk, je zou denken - er is een boom, waarom zou het model niet weten dat het een boom is? Maar de uitdagingen komen met dit detailniveau. Hoe meer details er zijn, hoe meer uitdagingen er komen."

Het vaststellen van een nauwkeurige telling van bomen in dit gebied biedt essentiële informatie voor onderzoekers, beleidsmakers en natuurbeschermers. Aanvullend, meten hoe boomgrootte en dichtheid variëren door regenval - met nattere en meer bevolkte regio's die meer en grotere bomen ondersteunen - levert belangrijke gegevens op voor natuurbehoudsinspanningen.

"Er zijn belangrijke ecologische processen, niet alleen binnen, maar ook buiten de bossen, " zei Jesse Meyer, een programmeur bij NASA Goddard die de verwerking op Blue Waters leidde. "Voor behoud, restauratie, klimaatverandering, en andere doeleinden, gegevens zoals deze zijn erg belangrijk om een ​​baseline vast te stellen. Over een jaar of twee of tien, de studie zou kunnen worden herhaald met nieuwe gegevens en vergeleken met gegevens van vandaag, om te zien of inspanningen om ontbossing nieuw leven in te blazen en te verminderen, effectief zijn of niet. Het heeft heel praktische implicaties."

Na het meten van de nauwkeurigheid van het programma door het te vergelijken met zowel handmatig gecodeerde gegevens als veldgegevens uit de regio, het team leidde het programma over het volledige studiegebied. Het neurale netwerk identificeerde meer dan 1,8 miljard bomen - verrassende aantallen voor een regio waarvan vaak wordt aangenomen dat deze weinig vegetatie ondersteunt. zeiden Meyer en Tucker.

"Toekomstige artikelen in de serie zullen voortbouwen op de basis van het tellen van bomen, de onderzochte gebieden uitbreiden, en manieren zoeken om hun koolstofgehalte te berekenen, " zei Tucker. NASA-missies zoals de Global Ecosystem Dynamics Investigation-missie, of GEDI, en ICESat-2, of het ijs, Wolk, en Land Elevation Satellite-2, verzamelen al gegevens die zullen worden gebruikt om de hoogte en biomassa van bossen te meten. In de toekomst, het combineren van deze databronnen met de kracht van kunstmatige intelligentie zou nieuwe onderzoeksmogelijkheden kunnen openen.

"Ons doel is om te zien hoeveel koolstof er is in geïsoleerde bomen in de uitgestrekte droge en semi-aride delen van de wereld, " zei Tucker. "Dan moeten we het mechanisme begrijpen dat koolstofopslag in aride en semi-aride gebieden aandrijft. Misschien kan deze informatie worden gebruikt om meer koolstof in de vegetatie op te slaan door meer koolstofdioxide uit de atmosfeer te halen."

"Vanuit een koolstofcyclusperspectief, deze droge gebieden zijn niet goed in kaart gebracht, in termen van welke dichtheid van bomen en koolstof er is, ' zei Brandt. 'Het is een wit gebied op kaarten. Deze droge gebieden worden in principe gemaskeerd. Dit komt omdat normale satellieten de bomen gewoon niet zien - ze zien een bos, maar als de boom geïsoleerd is, ze kunnen het niet zien. Nu zijn we op weg om deze witte vlekken op de kaarten op te vullen. En dat is best spannend."