Attālās izpētes datu saplūšanas pieeja mežu degradācijas uzraudzībai: Jauns pētījums

Globālo klimata pārmaiņu un pieaugošās cilvēku darbības dēļ mežus visā pasaulē apdraud dažādi kaitēkļi, patogēni un slimības. Šie draudi apdraud gan dabisko mežu, gan meža plantāciju veselību, noturību un produktivitāti.

Lai efektīvi pārvaldītu šīs problēmas, ir nepieciešama agrīna atklāšana un rīcība, kas ir sarežģīti lielās teritorijās. Atzīstot šī svarīguma nozīmi, pētnieki ir izstrādājuši jaunas tehnoloģijas, kuru pamatā ir Zemes novērošanas dati, lai uzraudzītu un pārvaldītu mežu degradāciju.

Nesen veiktā pētījumā tiek ieviesta uz mašīnmācīšanos balstīta pieeja bojātu mežu identificēšanai, izmantojot atvērtā pirmkoda tālizpētes attēlus no Sentinel-2, ko atbalsta Google Earth dati. Šī pieeja īpaši koncentrējas uz boreālajiem mežiem, ko skārusi mizgrauze Polygraphus proximus Blandford.

Pētījumā tika izmantota tālizpētes attēlu un mašīnmācīšanās algoritmu kombinācija, lai atklātu un novērtētu meža bojājumus. Šeit ir īss viņu metodoloģijas un secinājumu kopsavilkums:

• Attēlu anotācija un algoritma izstrāde: Pētnieki sāka ar attēlu anotēšanu kanālos, kas atbilst dabiskajai krāsu uztverei (sarkanā, zaļā un zilā krāsā), kas pieejama pakalpojumā Google Earth. Pēc tam viņi pielietoja dziļos neironu tīklus divās problēmu formulējumos: semantiskajā segmentācijā un detekcijas procesā.
• Eksperimentālie rezultāti: Eksperimentu rezultātā pētnieki izstrādāja modeli, kas kvantitatīvi novērtē izmaiņas mērķa objektos ar augstu precizitāti. Modelis sasniedza 84,56% F1 punktu skaitu, efektīvi nosakot bojāto koku skaitu un aplēšot nokaltušo audžu aizņemtās platības.
• Integrācija ar Sentinel-2 attēliem: No augstas izšķirtspējas attēliem iegūtās bojājumu maskas tika integrētas ar vidējas izšķirtspējas Sentinel-2 attēliem. Šī integrācija sasniedza 81,26% precizitāti, padarot risinājumu piemērotu operatīvajām monitoringa sistēmām. Šis uzlabojums piedāvā ātru un rentablu metodi bojāto mežu atpazīšanai reģionā.
• Unikāls anotēts datu kopums: Turklāt pētnieki apkopoja unikālu anotētu datu kopu, lai identificētu melnrakstu vaboles bojātās meža platības pētījuma reģionā. Šis datu kopums ir nenovērtējams turpmākajiem pētījumiem un monitoringa centieniem.

Meža degradācijas agrīna atklāšana un kvantitatīva noteikšana, izmantojot šo tālizpētes datu apvienošanas pieeju, ir ļoti daudzsološa mežu apsaimniekošanas un saglabāšanas stratēģijām. Nodrošinot savlaicīgu rīcību, šādas tehnoloģijas var palīdzēt ierobežot bojājumu izplatību un atbalstīt ilgtspējīgu mežu apsaimniekošanas praksi.

Lai gan pilns raksts, kurā detalizēti aprakstīts šis pētījums, vēl nav publicēts, šajā agrīnajā kopsavilkumā ir uzsvērts tālizpētes datu integrēšanas potenciāls ar progresīvām mašīnmācīšanās metodēm, lai risinātu aktuālo mežu degradācijas problēmu. Šīm tehnoloģijām turpinot attīstīties, tām būs izšķiroša loma mūsu mežu aizsardzībā pret pieaugošajiem draudiem, ko rada klimata pārmaiņas un cilvēku darbība.

Sekojiet līdzi šī revolucionārā pētījuma pilnīgai publikācijai, kas neapšaubāmi sniegs papildu ieskatu un pielietojumu mežu apsaimniekošanas jomā.

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