Ученые разработали инструмент на основе машинного обучения, который позволяет по спутниковым снимкам определять породу деревьев, их высоту и запас углерода в лесах, а также оценивать достоверность каждого измерения. В отличие от аналогов, новый алгоритм показывает, где прогноз можно считать надежным, а где данные стоит перепроверить путем наземных наблюдений. Разработанный инструмент может использоваться для оценки влияния изменения климата на запасы углерода в конкретных лесах, а также для отслеживания состояния лесного хозяйства нашей страны.
В лесах запасены большие количества углерода в виде органических веществ, составляющих живые ткани растений: деревья в процессе фотосинтеза поглощают из воздуха углекислый газ, «перерабатывая» его в органику и кислород. Таким образом, лес служит «насосом», выкачивающим парниковый газ из атмосферы, но при определенных условиях может становиться и важным его источником. Поэтому необходимо отслеживать состояние лесов (виды и количество деревьев, их высоту и запасенный углерод), чтобы понимать, сколько углекислого газа они поглощают, и прогнозировать изменения климата.
Запасы углерода в лесах и в целом состояние экосистем долгое время отслеживали с помощью трудоемких наземных методов оценки, не позволяющих охватить большие территории. Кроме того, использовали спутниковые данные, по которым сложно точно определить характеристики конкретного участка даже с применением современного компьютерного моделирования. Так, существующие модели для анализа спутниковых снимков выдают лишь численные значения интересующих параметров — например запаса углерода — и не сообщают степень достоверности прогноза (насколько он может ошибаться). В свою очередь из-за возможных ошибок в расчетах климатические прогнозы получаются недостаточно надежными.
Исследователи из Сколтеха (Москва), Иркутского национального исследовательского технического университета (Иркутск) и Автономной некоммерческой организации «Институт исследований искусственного интеллекта AIRI» (Москва) разработали инструмент, который позволяет не только определить запасы углерода в лесах, а также некоторые параметры деревьев, но и оценить достоверность таких данных. Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в журнале Scientific Reports.
Авторы использовали три набора данных о Корсаковском, Невельском и Холмском лесах Сахалинской области, обладающих высоким биоразнообразием: наземные данные лесничеств, снимки со спутника Sentinel-2 и топографическую карту местности. Данные лесничеств позволили определить преобладающие в лесах породы деревьев, их возраст, высоту, а также рассчитать запас древесины и углерода.
Авторы «разбили» спутниковые снимки лесов на множество небольших участков и сопоставили их спектральные характеристики (интенсивность отражения и поглощения разных цветов) с данными наземных измерений и рельефом местности. Используя этот набор показателей, исследователи разработали решение, основанное на усовершенствованных алгоритмах машинного обучения, таких как XGBoost, Random Forest и TabNet, позволяющих прогнозировать характеристики леса (породы деревьев, их возраст, высоту, запасы древесины и углерода) только по спутниковым снимкам.
«Главное нововведение, которое мы сделали, лежит в области разработки так называемого доверительного и адаптивного искусственного интеллекта. После обучения алгоритма мы адаптировали метод конформного предсказания, который позволяет для каждого прогноза построить доверительный интервал. Простыми словами, модель выдает не одну цифру, а диапазон, который соответствует определенной точности, например, 90%. Более того, этот интервал меняется в зависимости от сложности местности: на неоднородных, смешанных участках леса погрешность увеличивается, и алгоритм показывает ее. Это важное свойство доверительного ИИ, который не просто дает ответ, но и честно оценивает собственные ошибки», — рассказывает участник проекта, поддержанного грантом РНФ, Светлана Илларионова, руководитель исследовательской группы Центра ИИ Сколтеха.
Авторы протестировали точность всех трех алгоритмов на спутниковых снимках, не использовавшихся при обучении. Лучше всех характеристики леса определил алгоритм XGBoost. Вид деревьев он оценил с точностью 83%, а возраст — с точностью 70%. При определении запасов древесины и углерода погрешности (и, соответственно, доверительные интервалы в измерениях) были больше, а достоверность результатов составила 53–63%. Относительно невысокая точность связана с тем, что смешанные леса Сахалина имеют сложную для анализа структуру, а также с некоторыми упрощениями в уравнениях, которыми пользуются специалисты для расчета запасов углерода.
«Разработанный инструмент сочетает спутниковые данные с алгоритмами оценки неопределенности для оперативного прогнозирования характеристик леса. Такой подход позволяет не только получать пространственно-распределенные оценки параметров леса, но и количественно оценивать достоверность результатов, что повышает качество принятия решений при мониторинге лесных ресурсов. В дальнейшем мы планируем масштабировать решения и повышать их устойчивость и достоверность для использования в лесных экосистемах, отличающихся высоким разнообразием», — рассказывает один из основных исполнителей проекта, поддержанного грантом РНФ, Александр Бернштейн, доктор физико-математических наук, профессор Центра ИИ Сколтеха.
По информации https://naked-science.ru/article/column/zapasy-ugleroda-v-lesah-s
