Компьютерный алгоритм оценил запасы углерода в лесах Сахалина
Российские ученые создали алгоритм, который по спутниковым снимкам оценивает породы деревьев, их возраст, высоту и запасы углерода в лесах. Новая система также показывает, насколько можно доверять каждому прогнозу.
Источник: Светлана Илларионова / Сколтех. Светлана Илларионова за работой.
МОСКВА, 6 июня. /Новости науки/. Ученые разработали инструмент на основе машинного обучения, который помогает по спутниковым снимкам оценивать состояние лесов и запасы углерода в них. В отличие от многих аналогов, алгоритм не только выдает расчет, но и показывает, где прогноз надежен, а где нужны дополнительные наземные проверки, сообщила пресс-служба Российского научного фонда.
Результаты исследования, поддержанного грантом РНФ, опубликованы в журнале Scientific Reports. В работе участвовали специалисты Сколтеха, Иркутского национального исследовательского технического университета и Института исследований искусственного интеллекта AIRI.
Леса играют важную роль в климатической системе Земли. Деревья в процессе фотосинтеза поглощают углекислый газ из воздуха и запасают углерод в древесине, листьях, корнях и других живых тканях. Поэтому леса могут снижать количество парниковых газов в атмосфере. Но при пожарах, болезнях, вырубках и деградации экосистем они могут становиться источником выбросов.
Чтобы понимать эту динамику, ученым нужно знать, какие деревья растут на конкретной территории, каков их возраст, высота, запас древесины и углерода. Раньше такие данные часто собирали наземными методами. Они точны, но требуют много времени и не позволяют быстро охватить большие площади.
Спутниковые снимки помогают следить за лесами на огромных территориях, но у них есть своя проблема. Компьютерные модели обычно выдают конкретное число, например оценку запаса углерода. При этом они не всегда показывают, насколько такой расчет может ошибаться. Из-за этого данные для климатических моделей и лесного хозяйства становятся менее надежными.
Авторы новой работы использовали данные о Корсаковском, Невельском и Холмском лесах Сахалинской области. Эти леса отличаются высоким биоразнообразием и сложной структурой. Исследователи объединили три типа данных: материалы лесничеств, снимки спутника Sentinel-2 и топографическую карту местности.
Наземные данные помогли определить преобладающие породы деревьев, их возраст и высоту, а также рассчитать запасы древесины и углерода. Затем ученые разбили спутниковые снимки на множество небольших участков и сопоставили их спектральные характеристики с наземными измерениями и особенностями рельефа.
На этой основе специалисты обучили несколько алгоритмов машинного обучения: XGBoost, Random Forest и TabNet. Эти модели должны были определять параметры леса только по спутниковым данным. Лучший результат показал алгоритм XGBoost.
Он определил вид деревьев с точностью 83%, а возраст — с точностью 70%. При оценке запасов древесины и углерода точность оказалась ниже — 53–63%. Ученые связывают это со сложной структурой смешанных лесов Сахалина и с упрощениями в формулах, которые используют для расчета углерода.
Главное отличие новой системы — оценка неопределенности. Алгоритм выдает не только одно число, но и доверительный интервал. Он показывает диапазон, в котором с заданной вероятностью находится реальное значение.
«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%», — рассказала участник проекта, руководитель исследовательской группы Центра ИИ Сколтеха Светлана Илларионова.
По ее словам, интервал меняется в зависимости от сложности территории. На неоднородных и смешанных участках леса погрешность растет, и алгоритм прямо показывает это пользователю. Такой подход важен для доверительного искусственного интеллекта, который не только дает ответ, но и оценивает собственные ошибки.
Ученые считают, что инструмент можно использовать для мониторинга лесных ресурсов, оценки состояния лесного хозяйства и анализа влияния изменения климата на запасы углерода в конкретных экосистемах.
«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», — отметил один из основных исполнителей проекта, профессор Центра ИИ Сколтеха Александр Бернштейн.
В дальнейшем исследователи планируют масштабировать решение и повысить его устойчивость для лесных экосистем с высоким разнообразием. Метод исследования — анализ спутниковых снимков Sentinel-2, наземных данных лесничеств и топографической карты с помощью алгоритмов машинного обучения и конформного предсказания. Результаты опубликованы в Scientific Reports.
Результаты исследования, поддержанного грантом РНФ, опубликованы в журнале Scientific Reports. В работе участвовали специалисты Сколтеха, Иркутского национального исследовательского технического университета и Института исследований искусственного интеллекта AIRI.
Леса играют важную роль в климатической системе Земли. Деревья в процессе фотосинтеза поглощают углекислый газ из воздуха и запасают углерод в древесине, листьях, корнях и других живых тканях. Поэтому леса могут снижать количество парниковых газов в атмосфере. Но при пожарах, болезнях, вырубках и деградации экосистем они могут становиться источником выбросов.
Чтобы понимать эту динамику, ученым нужно знать, какие деревья растут на конкретной территории, каков их возраст, высота, запас древесины и углерода. Раньше такие данные часто собирали наземными методами. Они точны, но требуют много времени и не позволяют быстро охватить большие площади.
Спутниковые снимки помогают следить за лесами на огромных территориях, но у них есть своя проблема. Компьютерные модели обычно выдают конкретное число, например оценку запаса углерода. При этом они не всегда показывают, насколько такой расчет может ошибаться. Из-за этого данные для климатических моделей и лесного хозяйства становятся менее надежными.
Авторы новой работы использовали данные о Корсаковском, Невельском и Холмском лесах Сахалинской области. Эти леса отличаются высоким биоразнообразием и сложной структурой. Исследователи объединили три типа данных: материалы лесничеств, снимки спутника Sentinel-2 и топографическую карту местности.
Наземные данные помогли определить преобладающие породы деревьев, их возраст и высоту, а также рассчитать запасы древесины и углерода. Затем ученые разбили спутниковые снимки на множество небольших участков и сопоставили их спектральные характеристики с наземными измерениями и особенностями рельефа.
На этой основе специалисты обучили несколько алгоритмов машинного обучения: XGBoost, Random Forest и TabNet. Эти модели должны были определять параметры леса только по спутниковым данным. Лучший результат показал алгоритм XGBoost.
Он определил вид деревьев с точностью 83%, а возраст — с точностью 70%. При оценке запасов древесины и углерода точность оказалась ниже — 53–63%. Ученые связывают это со сложной структурой смешанных лесов Сахалина и с упрощениями в формулах, которые используют для расчета углерода.
Главное отличие новой системы — оценка неопределенности. Алгоритм выдает не только одно число, но и доверительный интервал. Он показывает диапазон, в котором с заданной вероятностью находится реальное значение.
«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%», — рассказала участник проекта, руководитель исследовательской группы Центра ИИ Сколтеха Светлана Илларионова.
По ее словам, интервал меняется в зависимости от сложности территории. На неоднородных и смешанных участках леса погрешность растет, и алгоритм прямо показывает это пользователю. Такой подход важен для доверительного искусственного интеллекта, который не только дает ответ, но и оценивает собственные ошибки.
Ученые считают, что инструмент можно использовать для мониторинга лесных ресурсов, оценки состояния лесного хозяйства и анализа влияния изменения климата на запасы углерода в конкретных экосистемах.
«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», — отметил один из основных исполнителей проекта, профессор Центра ИИ Сколтеха Александр Бернштейн.
В дальнейшем исследователи планируют масштабировать решение и повысить его устойчивость для лесных экосистем с высоким разнообразием. Метод исследования — анализ спутниковых снимков Sentinel-2, наземных данных лесничеств и топографической карты с помощью алгоритмов машинного обучения и конформного предсказания. Результаты опубликованы в Scientific Reports.
