Stora förändringar i mänskligt tryck definierat som ml-HFI 2019 minus 2000, där röd skuggning anger förändringar större än 0,25 och blå skuggning anger ändringar mindre än -0,25. Grå skuggning anger ml-HFI från 2000 som referens. Gröna länder upplever betydande ökningar av HFI och gör framsteg mot SDG15. Infällda paneler ger exempel på ökat mänskligt tryck och de relevanta funktioner som CNN använder för att identifiera mänsklig aktivitet. Från vänster till höger, varje infogning visar (till vänster) GFCv1.7-bilder från år 2000, (mitten) år 2019 GFCv1.7 bilder och (höger) funktioner som är mest relevanta för CNN för dess förutsägelse för år 2019 av ml-HFI. GFCv1.7-bilderna plottas i falsk färg eftersom dess spektralband ligger utanför det synliga spektrumet. Kreditera: Miljöforskningsbrev (2021). DOI:10.1088/1748-9326/abe00a
Coronavirus-pandemin har fått forskare att byta växel eller tillfälligt överge projekt på grund av hälsoprotokoll eller att de inte kan resa. Men för Patrick Keys och Elizabeth Barnes, man och hustru forskare vid Colorado State University, det senaste året ledde till ett produktivt forskningssamarbete.
De slog sig ihop med Neil Carter, biträdande professor vid University of Michigan, på en tidning publicerad i Miljöforskningsbrev som beskriver en satellitbaserad karta över mänskligt tryck på länder runt om i världen.
Nycklar, huvudförfattare och forskare vid CSU:s School of Global Environmental Sustainability, sa att teamet använde maskininlärning för att producera kartan, som avslöjar var plötsliga förändringar i landskapet har skett runt om i världen. Kartan visar en nästan närvarande ögonblicksbild av effekter från avskogning, brytning, utbyggnad av vägnät, urbanisering och ökat jordbruk.
"Kartan vi har utvecklat kan hjälpa människor att förstå viktiga utmaningar inom bevarande av biologisk mångfald och hållbarhet i allmänhet, sa Keys.
Pandemiåret gav Patrick Keys och Elizabeth Barnes en möjlighet, man och hustru forskare vid Colorado State University, att samarbeta kring ny forskning. Kredit:Joe Mendoza / CSU Photography
Denna typ av karta skulle kunna användas för att övervaka framstegen för FN:s mål 15 för hållbar utveckling (SDG15), "Livet på land, " som syftar till att främja hållbar utveckling samtidigt som den biologiska mångfalden bevaras.
Åtta algoritmer för att omfatta data från hela världen
Barnes, en docent vid CSU:s institution för atmosfärsvetenskap, gjorde det tunga arbetet på datasidan av projektet.
Samtidigt som svindlande föräldrauppgifter med Keys, hon skrev kod som aldrig förr, arbeta med biljoner datapunkter och träna upp till åtta separata algoritmer för att täcka olika delar av världen. Hon slog sedan samman algoritmerna för att ge en sömlös klassificering för hela planeten.
I början, de två forskarna fick lära sig tala den andres arbetsspråk.
"Pat hade först en idé för den här forskningen, och jag sa, "Maskininlärning fungerar inte så, ", sa Barnes.
Hon skissade sedan upp komponenterna med honom:Ingången är något vi vill kunna se från rymden, som en satellitbild; och resultatet är ett mått på vad människor gör på jorden. Den mellersta delen av ekvationen var maskininlärning.
Keys sa att det som Barnes designade är ett konvolutionellt neuralt nätverk, som vanligtvis används för att tolka bilder. Det liknar hur Facebook fungerar när sajten föreslår att man taggar vänner i ett foto.
"Det är som våra ögon och våra hjärnor, " han sa.
Vid utvecklingen av algoritmen, de använde befintliga data som klassificerade mänsklig påverkan på planeten, faktorer som vägar och byggnader, och betesmarker för boskap och avskogning. Sedan, det konvolutionella neurala nätverket lärde sig hur man korrekt tolkar satellitbilder, baserat på dessa befintliga uppgifter.
Från en analys av ett land, för världen
Forskarna började med Indonesien, ett land som har upplevt snabba förändringar under de senaste 20 åren. I slutet av sommaren, efter att de var säkra på vad de identifierade i Indonesien med hjälp av maskininlärning, Keys föreslog att de skulle titta på hela jordklotet.
"Jag minns att jag sa till honom att det inte är möjligt, sade Barnes. Han vet när jag säger det, Jag kommer att gå tillbaka och försöka få det att fungera. En vecka senare, vi hade räknat ut hela världen."
Barnes sa att det inte är idiotsäkert att använda maskininlärning, och det kräver viss uppföljning för att säkerställa att uppgifterna är korrekta.
"Maskininlärning kommer alltid att ge ett svar, oavsett om det är skräp eller inte, " förklarade hon. "Vårt jobb som forskare är att avgöra om det är användbart."
Keys tillbringade många nätter på Google Earth och recenserade över 2, 000 platser på jorden år 2000 och jämförde sedan dessa platser med 2019. Han noterade förändringar och bekräftade uppgifterna med Barnes.
Forskargruppen gjorde också en djupare dykning i tre länder – Guyana, Marocko och Gambia – för att bättre förstå vad de hittade.
I framtiden, när ny satellitdata finns tillgänglig, Keys sa att laget snabbt kan skapa en ny karta.
"Vi kan koppla in den datan till detta nu utbildade neurala nätverk och skapa en ny karta, " sa han. "Om vi gör det varje år, vi kommer att ha denna sekventiella data som visar hur mänskligt tryck på landskapet förändras."
Keys sa att forskningsprojektet hjälpte till att lyfta hans humör under det senaste året.
"Ärligt, Jag har haft det tufft under pandemin, " sa han. "När jag ser tillbaka, Jag fick arbeta med det här projektet som var spännande, roligt, intressant och öppen, och med fantastiska människor. Det lyste upp pandemin avsevärt."
