Μια νέα προσέγγιση που συνδυάζει δεδομένα από δορυφορικά lasers και τεχνητή νοημοσύνη υπόσχεται να αλλάξει ριζικά τον τρόπο με τον οποίο υπολογίζεται η βιομάζα των δασών, προσφέροντας ακρίβεια και ταχύτητα σε κλίμακα που μέχρι πρότινος ήταν αδιανόητη.
Σύμφωνα με τον Hamdi Zurqani, επίκουρο καθηγητή γεωχωρικής επιστήμης στο Arkansas Forest Resources Center και στο College of Forestry, Agriculture and Natural Resources του University of Arkansas at Monticello, η κατανόηση του κύκλου του άνθρακα στα δάση είναι θεμελιώδης για την έρευνα γύρω από την κλιματική αλλαγή. Όπως επισημαίνει, τα δάση αποθηκεύουν περίπου το 80% του άνθρακα που βρίσκεται στο έδαφος του πλανήτη και διαδραματίζουν κρίσιμο ρόλο στη ρύθμιση του κλίματος της Γης.
Μέχρι σήμερα, ο υπολογισμός της υπέργειας βιομάζας, δηλαδή της ποσότητας φυτικής ύλης που βρίσκεται πάνω από το έδαφος, στηριζόταν κυρίως σε μεθόδους πεδίου, που απαιτούν χρόνο, κόπο και έχουν περιορισμένη γεωγραφική κάλυψη. Η μελέτη που δημοσιεύτηκε πρόσφατα στο επιστημονικό περιοδικό Ecological Informatics παρουσιάζει μια εναλλακτική που αξιοποιεί ανοιχτά δορυφορικά δεδομένα μέσω της πλατφόρμας Google Earth Engine και αλγορίθμους τεχνητής νοημοσύνης για τη χαρτογράφηση της βιομάζας σε μεγάλη κλίμακα, ακόμα και σε απομακρυσμένες περιοχές.
Η προσέγγιση βασίζεται στα δεδομένα του GEDI LiDAR (Global Ecosystem Dynamics Investigation), ενός συστήματος της NASA που αποτελείται από τρία laser εγκατεστημένα στον Διεθνή Διαστημικό Σταθμό (ISS). Το GEDI μετρά με ακρίβεια το ύψος της κόμης των δέντρων, τη δομή της βλάστησης και την υψομετρική μορφολογία του εδάφους. Παράλληλα, ο Zurqani αξιοποίησε και δεδομένα από τους ευρωπαϊκούς δορυφόρους Sentinel-1 και Sentinel-2 του προγράμματος Copernicus, συνδυάζοντας οπτική και τρισδιάστατη απεικόνιση για ακόμη μεγαλύτερη ακρίβεια.
Η μελέτη δοκίμασε τέσσερις διαφορετικούς αλγορίθμους μηχανικής μάθησης: gradient tree boosting, random forest, classification and regression trees (CART) και support vector machine. Ο πρώτος σημείωσε τις υψηλότερες επιδόσεις σε ακρίβεια, με τον random forest να ακολουθεί. Το μοντέλο CART παρείχε μέτριες προβλέψεις, ενώ το support vector machine παρουσίασε τη μικρότερη αξιοπιστία, αποδεικνύοντας πως δεν ανταποκρίνονται όλοι οι αλγόριθμοι εξίσου καλά σε αυτό το πεδίο.
Το καλύτερο αποτέλεσμα προέκυψε από τον συνδυασμό των δεδομένων του Sentinel-2, των δεικτών βλάστησης, των τοπογραφικών χαρακτηριστικών και του ύψους της κόμης με τα δεδομένα GEDI LiDAR ως σημείο αναφοράς τόσο για την εκπαίδευση όσο και για τη δοκιμή των μοντέλων. Αυτή η προσέγγιση αναδεικνύεται ως βασική για την αξιόπιστη χαρτογράφηση της δασικής βιομάζας.
Η σημασία της μεθόδου αυτής υπερβαίνει τον ακαδημαϊκό χώρο. Πιο ακριβείς υπολογισμοί της βιομάζας και της αποθήκευσης άνθρακα μπορούν να προσφέρουν κρίσιμες πληροφορίες σε κυβερνήσεις και διεθνείς οργανισμούς για τη διαχείριση δασών και την αντιμετώπιση της αποψίλωσης. Οι μετρήσεις αυτές είναι απαραίτητες για τον σχεδιασμό πολιτικών που βασίζονται σε τεκμηριωμένα δεδομένα.
Ωστόσο, η τεχνολογία δεν είναι πανάκεια. Ο Zurqani αναγνωρίζει πως η παρουσία νεφών ή κακές καιρικές συνθήκες μπορούν να επηρεάσουν την ποιότητα των δορυφορικών δεδομένων. Επιπλέον, πολλές περιοχές εξακολουθούν να μην διαθέτουν κάλυψη υψηλής ανάλυσης από LiDAR. Η μελλοντική έρευνα ενδέχεται να στραφεί προς βαθύτερα μοντέλα τεχνητής νοημοσύνης, όπως τα νευρωνικά δίκτυα, για ακόμη πιο ακριβείς προβλέψεις.
[via]
