Teamet fokuserade på torra regioner i Västafrika, inklusive den torra södra sidan av Saharaöknen, sträcker sig genom den halvtorra Sahelzonen och in i de fuktiga subtropikerna. Genom att studera en mängd olika landskap från få träd till nästan skogsklädda förhållanden, teamet tränade sina datoralgoritmer för att känna igen träd över olika terrängtyper, från öknar i norr till trädsavanner i söder. Ladda ner relaterad video i HD-format:https://svs.gsfc.nasa.gov/4865 Kredit:NASA:s Scientific Visualization Studio; Blue Marble-data är med tillstånd av Reto Stockli (NASA/GSFC)
Forskare från NASA:s Goddard Space Flight Center i Greenbelt, Maryland, och internationella samarbetspartners visade en ny metod för att kartlägga platsen och storleken på träd som växer utanför skogarna, upptäcka miljarder träd i torra och halvtorra områden och lägga grunden för mer exakt global mätning av kollagring på land.
Genom att använda kraftfulla superdatorer och maskininlärningsalgoritmer, teamet kartlade krondiametern – bredden på ett träd sett uppifrån – på mer än 1,8 miljarder träd över ett område på mer än 500, 000 kvadratkilometer, eller 1, 300, 000 kvadratkilometer. Teamet kartlade hur trädkronans diameter, rapportering, och tätheten varierade beroende på nederbörd och markanvändning.
Att kartlägga icke-skogsträd på denna detaljnivå skulle ta månader eller år med traditionella analysmetoder, laget sa, jämfört med några veckor för denna studie. Användningen av mycket högupplösta bilder och kraftfull artificiell intelligens representerar ett tekniskt genombrott för att kartlägga och mäta dessa träd. Denna studie är avsedd att vara den första i en serie uppsatser vars mål inte bara är att kartlägga icke-skogsträd över ett stort område, men också för att beräkna hur mycket kol de lagrar – viktig information för att förstå jordens kolcykel och hur den förändras över tiden.
Mätning av kol i träd
Kol är en av de primära byggstenarna för allt liv på jorden, och detta element cirkulerar bland landet, atmosfär, och hav via kolets kretslopp. Vissa naturliga processer och mänskliga aktiviteter släpper ut kol i atmosfären, medan andra processer drar ut den ur atmosfären och lagrar den på land eller i havet. Träd och annan grön vegetation är kolsänkor, "vilket betyder att de använder kol för tillväxt och lagrar det ur atmosfären i sina stammar, grenar, blad och rötter. Mänskliga aktiviteter, som att bränna träd och fossila bränslen eller röja skogsmark, släpper ut kol i atmosfären som koldioxid, och stigande koncentrationer av atmosfärisk koldioxid är en huvudorsak till klimatförändringar.
Naturvårdsexperter som arbetar för att mildra klimatförändringar och andra miljöhot har riktat in sig på avskogning i flera år, men dessa ansträngningar inkluderar inte alltid träd som växer utanför skogarna, sa Compton Tucker, senior biosfärforskare vid geovetenskapsavdelningen vid NASA Goddard. Inte bara kan dessa träd vara betydande kolsänkor, men de bidrar också till ekosystemen och ekonomierna för närliggande människor, djur- och växtpopulationer. Dock, många nuvarande metoder för att studera träds kolinnehåll inkluderar bara skogar, inte träd som växer individuellt eller i små klasar.
Tucker och hans NASA-kollegor, tillsammans med ett internationellt team, använda kommersiella satellitbilder från DigitalGlobe, som var tillräckligt högupplösta för att upptäcka enskilda träd och mäta deras kronstorlek. Bilderna kom från den kommersiella QuickBird-2, GeoEye-1, WorldView-2, och WorldView-3-satelliter. Teamet fokuserade på torrlandsområdena - områden som får mindre nederbörd än vad som avdunstar från växter varje år - inklusive den torra södra sidan av Saharaöknen, som sträcker sig genom den halvtorra Sahelzonen och in i de fuktiga subtropikerna i Västafrika. Genom att studera en mängd olika landskap från få träd till nästan skogsklädda förhållanden, teamet tränade sina datoralgoritmer för att känna igen träd över olika terrängtyper, från öknar i norr till trädsavanner i söder.
Att lära sig på jobbet
Teamet körde en kraftfull datoralgoritm som kallas ett helt konvolutionellt neuralt nätverk ("deep learning") på University of Illinois' Blue Waters, en av världens snabbaste superdatorer. Teamet tränade modellen genom att manuellt markera nästan 90, 000 individuella träd över en mängd olika terräng, sedan låta den "lära sig" vilka former och skuggor som indikerade närvaron av träd.
Processen att koda träningsdata tog mer än ett år, sa Martin Brandt, en biträdande professor i geografi vid Köpenhamns universitet och studiens huvudförfattare. Brandt märkte alla 89, 899 träd själv och hjälpte till att övervaka träning och köra modellen. Ankit Kariryaa vid universitetet i Bremen ledde utvecklingen av datorbearbetningen för djupinlärning.
"I en kilometer terräng, säg att det är en öken, många gånger finns det inga träd, men programmet vill hitta ett träd, sade Brandt. Den kommer att hitta en sten, och tror att det är ett träd. Längre söderut, den kommer att hitta hus som ser ut som träd. Det låter lätt, man skulle kunna tro - det finns ett träd, varför skulle inte modellen veta att det är ett träd? Men utmaningarna kommer med denna detaljnivå. Ju mer detaljer det finns, desto fler utmaningar kommer."
Att fastställa en korrekt räkning av träd i detta område ger viktig information för forskare, politiker och naturvårdare. Dessutom, att mäta hur trädstorlek och täthet varierar beroende på nederbörd – med blötare och mer befolkade regioner som stöder fler och större träd – ger viktiga data för bevarandeinsatser på marken.
"Det finns viktiga ekologiska processer, inte bara inuti, men även utanför skogarna, sa Jesse Meyer, en programmerare på NASA Goddard som ledde bearbetningen på Blue Waters. "För bevarande, restaurering, klimatförändring, och andra ändamål, data som dessa är mycket viktiga för att fastställa en baslinje. Om ett år eller två eller tio, studien skulle kunna upprepas med nya data och jämföras med data från idag, för att se om insatserna för att vitalisera och minska avskogningen är effektiva eller inte. Det har ganska praktiska konsekvenser."
Efter att ha mätt programmets noggrannhet genom att jämföra det med både manuellt kodad data och fältdata från regionen, teamet drev programmet över hela studieområdet. Det neurala nätverket identifierade mer än 1,8 miljarder träd – överraskande siffror för en region som ofta antas bära lite vegetation, sa Meyer och Tucker.
"Framtida tidningar i serien kommer att bygga på grunden för att räkna träd, utöka de studerade områdena, och leta efter sätt att beräkna deras kolhalt, " sa Tucker. NASA-uppdrag som Global Ecosystem Dynamics Investigation-uppdraget, eller GEDI, och ICESat-2, eller isen, Moln, och Land Elevation Satellite-2, håller redan på att samla in data som ska användas för att mäta höjden och biomassan i skogar. I framtiden, Att kombinera dessa datakällor med kraften i artificiell intelligens kan öppna upp för nya forskningsmöjligheter.
"Vårt mål är att se hur mycket kol som finns i isolerade träd i de stora torra och halvtorra delarna av världen, ", sade Tucker. "Då måste vi förstå mekanismen som driver kollagring i torra och halvtorra områden. Kanske kan denna information användas för att lagra mer kol i vegetationen genom att ta ut mer koldioxid ur atmosfären."
"Ur ett kolcykelperspektiv, dessa torra områden är inte väl kartlagda, när det gäller vilken täthet av träd och kol som finns där, " sa Brandt. "Det är ett vitt område på kartor. Dessa torra områden är i princip maskerade. Detta beror på att normala satelliter helt enkelt inte ser träden – de ser en skog, men om trädet är isolerat, de kan inte se det. Nu är vi på väg att fylla dessa vita fläckar på kartorna. Och det är ganska spännande."
