De pandemie van het coronavirus heeft ertoe geleid dat onderzoekers zijn overgeschakeld of projecten tijdelijk hebben stopgezet vanwege gezondheidsprotocollen of niet kunnen reizen. Maar voor Patrick Keys en Elizabeth Barnes, man en vrouw wetenschappers aan de Colorado State University, het afgelopen jaar heeft geleid tot een vruchtbare onderzoekssamenwerking.

Ze werkten samen met Neil Carter, assistent-professor aan de Universiteit van Michigan, op een paper gepubliceerd in Brieven voor milieuonderzoek die een satellietgebaseerde kaart schetst van menselijke druk op landen over de hele wereld.

Sleutels, hoofdauteur en onderzoekswetenschapper in CSU's School of Global Environmental Sustainability, zei dat het team machine learning gebruikte om de kaart te maken, die onthult waar abrupte veranderingen in het landschap hebben plaatsgevonden over de hele wereld. De kaart toont een bijna actuele momentopname van de effecten van ontbossing, mijnbouw, het uitbreiden van het wegennet, verstedelijking en toenemende landbouw.

"De kaart die we hebben ontwikkeld, kan mensen helpen belangrijke uitdagingen op het gebied van behoud van biodiversiteit en duurzaamheid in het algemeen te begrijpen, ' zei Keys.

Dit type kaart zou kunnen worden gebruikt om de voortgang van de Duurzame Ontwikkelingsdoelstelling 15 van de Verenigde Naties (SDG15) te monitoren, "Leven op het land, " die tot doel heeft duurzame ontwikkeling te bevorderen en tegelijkertijd de biodiversiteit te behouden.

Acht algoritmen voor gegevens van over de hele wereld

Barnes, een universitair hoofddocent bij de afdeling Atmosferische Wetenschappen van CSU, deed het zware werk aan de datakant van het project.

Terwijl je de ouderschapstaken met Keys spreidt, ze schreef code als nooit tevoren, werken met biljoenen datapunten en het trainen van maximaal acht afzonderlijke algoritmen om verschillende delen van de wereld te bestrijken. Vervolgens voegde ze de algoritmen samen om een ​​naadloze classificatie voor de hele planeet te bieden.

Aanvankelijk, de twee onderzoekers moesten de werktaal van de ander leren spreken.

"Pat had aanvankelijk een idee voor dit onderzoek, en ik zei, "Machine learning werkt niet zo, ' zei Barnes.

Daarna schetste ze samen met hem de onderdelen:de input is iets wat we vanuit de ruimte willen kunnen zien, zoals een satellietbeeld; en de output is een maatstaf voor wat mensen op aarde doen. Het middelste deel van de vergelijking was machine learning.

Keys zei dat wat Barnes ontwierp een convolutioneel neuraal netwerk is, die vaak wordt gebruikt voor het interpreteren van afbeeldingen. Het is vergelijkbaar met hoe Facebook werkt wanneer de site voorstelt om vrienden in een foto te taggen.

"Het is net als onze ogen en onze hersenen, " hij zei.

Bij het ontwikkelen van het algoritme ze gebruikten bestaande gegevens die de menselijke impact op de planeet classificeerden, factoren zoals wegen en gebouwen, en weidegronden voor vee en ontbossing. Vervolgens, het convolutionele neurale netwerk leerde satellietbeelden nauwkeurig te interpreteren, op basis van deze bestaande gegevens.

Uit een analyse van één land, naar de wereld

De onderzoekers begonnen met Indonesië, een land dat de afgelopen 20 jaar snelle veranderingen heeft doorgemaakt. Tegen het einde van de zomer, nadat ze zeker waren van wat ze in Indonesië ontdekten met behulp van machine learning, Keys stelde voor om naar de hele wereld te kijken.

"Ik herinner me dat ik hem vertelde dat het niet mogelijk was, "zei Barnes. "Hij weet wanneer ik dat zeg, Ik zal teruggaan en proberen het te laten werken. Een week later, we hadden de hele wereld uitgedacht."

Barnes zei dat het gebruik van machine learning niet onfeilbaar is, en het vereist enige follow-up om ervoor te zorgen dat de gegevens nauwkeurig zijn.

"Machine learning biedt altijd een antwoord, of het nu afval is of niet, " legde ze uit. "Onze taak als wetenschappers is om te bepalen of het nuttig is."

Keys bracht vele nachten door op Google Earth om meer dan 2, 000 plaatsen op de wereld in het jaar 2000 en vergeleek die sites vervolgens met 2019. Hij merkte veranderingen op en bevestigde de gegevens met Barnes.

Het onderzoeksteam deed ook een diepere duik in drie landen:Guyana, Marokko en Gambia – om beter te begrijpen wat ze hebben gevonden.

In de toekomst, wanneer nieuwe satellietgegevens beschikbaar zijn, Keys zei dat het team snel een nieuwe kaart kan genereren.

"We kunnen die gegevens aansluiten op dit nu getrainde neurale netwerk en een nieuwe kaart genereren, "zei hij. "Als we dat elk jaar doen, we zullen deze opeenvolgende gegevens hebben die laten zien hoe de menselijke druk op het landschap verandert."

Keys zei dat het onderzoeksproject hem het afgelopen jaar heeft geholpen.

"Eerlijk gezegd, Ik heb het zwaar gehad tijdens de pandemie, "zei hij. "Terugkijkend, Ik kon aan dit opwindende project werken, plezier, interessant en open, en met geweldige mensen. Het heeft de pandemie aanzienlijk opgefleurd."