Fjärranalysdatafusionsmetod för att övervaka skogsförstörelse: En ny studie

Mot bakgrund av globala klimatförändringar och ökande mänsklig aktivitet hotas skogar runt om i världen av olika skadedjur, patogener och sjukdomar. Dessa hot äventyrar hälsan, motståndskraften och produktiviteten hos både naturliga skogar och skogsplantager.

Att hantera dessa problem effektivt kräver tidig upptäckt och åtgärder, vilket är utmanande över stora områden. Med insikt om vikten av detta har forskare utvecklat ny teknik baserad på jordobservationsdata för att övervaka och hantera skogsförstörelse.

En nyligen genomförd studie introducerar en maskininlärningsbaserad metod för att identifiera skadade skogar med hjälp av fjärranalysbilder med öppen källkod från Sentinel-2, med stöd av Google Earth-data. Denna metod fokuserar specifikt på boreala skogar som drabbats av barkborren Polygraphus proximus Blandford.

Studien använde en kombination av fjärranalysbilder och maskininlärningsalgoritmer för att upptäcka och bedöma skogsskador. Här är en kort sammanfattning av deras metod och resultat:

• Bildannotering och algoritmutveckling: Forskarna började med att annotera bilder i kanaler som motsvarar naturlig färguppfattning (röd, grön och blå) tillgängliga på Google Earth. De tillämpade sedan djupa neurala nätverk i två problemformuleringar: semantisk segmentering och detektion.
• Experimentella resultat: Genom sina experiment utvecklade forskarna en modell som kvantitativt bedömer förändringar i målobjekt med hög noggrannhet. Modellen uppnådde en F1-poäng på 84,56%, vilket effektivt bestämmer antalet skadade träd och uppskattar de områden som upptas av vissna bestånd.
• Integrering med Sentinel-2-bilder: Skademaskerna som erhölls från de högupplösta bilderna integrerades med Sentinel-2-bilder med medelhög upplösning. Denna integration uppnådde en noggrannhet på 81.26%, vilket gör lösningen lämplig för operativa övervakningssystem. Denna utveckling erbjuder en snabb och kostnadseffektiv metod för att identifiera skadade skogar i regionen.
• Unik kommenterad datamängd: Dessutom sammanställde forskarna en unik kommenterad datamängd för att identifiera skogsområden som skadats av polygrafbaggen i studieområdet. Denna datamängd är ovärderlig för framtida forskning och övervakningsinsatser.

Tidig upptäckt och kvantifiering av skogsförstörelse med hjälp av denna fjärranalysbaserade datafusionsmetod är mycket lovande för skogsförvaltning och bevarandestrategier. Genom att möjliggöra snabba åtgärder kan sådan teknik bidra till att begränsa spridningen av skador och stödja hållbara skogsförvaltningsmetoder.

Även om den fullständiga artikeln som beskriver denna forskning ännu inte har publicerats, belyser denna tidiga sammanfattning potentialen i att integrera fjärranalysdata med avancerade maskininlärningstekniker för att ta itu med den akuta frågan om skogsförstörelse. I takt med att dessa tekniker fortsätter att utvecklas kommer de att spela en avgörande roll för att skydda våra skogar mot de växande hoten som klimatförändringar och mänskliga aktiviteter utgör.

Håll utkik efter den fullständiga publiceringen av denna banbrytande forskning, som utan tvekan kommer att ge ytterligare insikter och tillämpningar inom skogsförvaltning.

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