Kaukokartoitustietojen fuusiointimenetelmä metsien tilan heikkenemisen seurantaan: uusi tutkimus

Globaalin ilmastonmuutoksen ja lisääntyvän ihmisen toiminnan vuoksi metsät ympäri maailmaa ovat uhattuina erilaisten tuholaisten, taudinaiheuttajien ja tautien vuoksi. Nämä uhat vaarantavat sekä luonnonmetsien että metsäistutusten terveyden, kestävyyden ja tuottavuuden.

Näiden ongelmien tehokas hallinta edellyttää varhaista havaitsemista ja toimia, mikä on haastavaa laajoilla alueilla. Tutkijat ovat tunnustaneet tämän tärkeyden ja kehittäneet uusia maapallon havainnointitietoihin perustuvia teknologioita metsien tilan heikkenemisen seuraamiseksi ja hallitsemiseksi.

Äskettäin julkaistussa tutkimuksessa esitellään koneoppimiseen perustuva lähestymistapa vaurioituneiden metsien tunnistamiseen käyttämällä Sentinel-2:n avoimen lähdekoodin kaukokartoituskuvia ja Google Earth -dataa. Tämä lähestymistapa keskittyy erityisesti boreaalisiin metsiin, joihin kaarnakuoriainen, Polygraphus proximus Blandford, vaikuttaa.

Tutkimuksessa hyödynnettiin kaukokartoituskuvien ja koneoppimisalgoritmien yhdistelmää metsävahinkojen havaitsemiseen ja arviointiin. Tässä lyhyt yhteenveto heidän menetelmistään ja tuloksistaan:

• Kuvan annotointi ja algoritmin kehittäminen: Tutkijat aloittivat merkitsemällä kuvia kanavilla, jotka vastaavat Google Earthissa saatavilla olevaa luonnollista värien havaitsemista (punainen, vihreä ja sininen). Sitten he sovelsivat syviä neuroverkkoja kahdessa ongelmanmuotoilussa: semanttisessa segmentoinnissa ja havaitsemisessa.
• Kokeelliset tulokset: Kokeidensa avulla tutkijat kehittivät mallin, joka arvioi kvantitatiivisesti kohdekohteiden muutoksia suurella tarkkuudella. Malli saavutti 84,56% F1 -pistemäärän, mikä tehokkaasti määrittää vaurioituneiden puiden määrän ja arvioi kuihtuneiden metsiköiden peittämät pinta-alat.
• Integrointi Sentinel-2-kuvien kanssa: Korkean resoluution kuvista saadut vauriomaskit integroitiin keskiresoluution Sentinel-2-kuviin. Integroinnin ansiosta saavutettiin 81.26%:n tarkkuus, mikä tekee ratkaisusta sopivan operatiivisiin valvontajärjestelmiin. Tämä edistysaskel tarjoaa nopean ja kustannustehokkaan menetelmän vaurioituneiden metsien tunnistamiseen alueella.
• Yksilöllinen annotoitu tietojoukko: Lisäksi tutkijat kokosivat ainutlaatuisen annotoidun aineiston tunnistaakseen polygrafikuoriaisen vaurioittamat metsäalueet tutkimusalueella. Tämä aineisto on korvaamaton tulevaisuuden tutkimus- ja seurantatoimille.

Metsän tilan heikkenemisen varhainen havaitseminen ja kvantifiointi tällä kaukokartoitustietojen fuusiointimenetelmällä on erittäin lupaava tekijä metsänhoidon ja -suojelustrategioiden kannalta. Mahdollistamalla oikea-aikaiset toimet tällaiset teknologiat voivat auttaa rajoittamaan vahinkojen leviämistä ja tukemaan kestäviä metsänhoitokäytäntöjä.

Vaikka tätä tutkimusta yksityiskohtaisesti käsittelevä koko artikkeli on vielä julkaisematta, tämä varhainen abstrakti korostaa kaukokartoitusdatan ja edistyneiden koneoppimistekniikoiden integroinnin potentiaalia metsien tilan heikkenemisen polttavan ongelman ratkaisemiseksi. Näiden teknologioiden kehittyessä niillä on ratkaiseva rooli metsiemme suojelemisessa ilmastonmuutoksen ja ihmisen toiminnan aiheuttamilta kasvavilta uhilta.

Pysy kuulolla tämän uraauurtavan tutkimuksen täydellisestä julkaisusta, joka epäilemättä tarjoaa lisää tietoa ja sovelluksia metsänhoidon alalla.

Lähde: https://www.frontiersin.org/journals/environmental-science/articles/10.3389/fenvs.2024.1412870/abstract