QUT-forskare har utvecklat ett nytt matematiskt maskininlärningssystem som hjälper till att identifiera och upptäcka förändringar i biologisk mångfald, inklusive markrensning, när satellitbilder blockeras av moln.

Använda statistiska metoder för att kvantifiera osäkerhet, forskningen, publicerad i Remote Sensing in Ecology and Conservation, analyserade tillgängliga satellitbilder av ett 180 km kvadratiskt område i centrala sydöstra Queensland.

Regionen är hem för många inhemska arter, inklusive den kritiskt hotade nordliga hårnära vombaten och den sårbara större glidaren, och området består huvudsakligen av skog, bete, och jordbruksmark.

Dr Jacinta Holloway-Brown säger att mätning av förändringar i skogstäcket över tid är avgörande för att spåra och bevara livsmiljöer och är ett viktigt mål för hållbar utveckling av FN och Världsbanken för att förvalta skogar på ett hållbart sätt.

"Satellitbilder är viktigt eftersom det är för svårt och dyrt att ofta samla in fältdata över stora, skogsområden, " sa Dr. Holloway-Brown.

"Problemet med att använda satellitbilder är att stora delar av jorden är skymd av moln och detta molntäcke orsakar stora och frekventa mängder saknade data."

Dr. Holloway-Brown sa att det uppskattades baserat på 12 års satellitbilder i genomsnitt cirka 67 procent av jorden är skymd av molntäcke.

"Med vår metod, vi kan jämföra pixel för pixel vilken typ av landtäcke det finns och om det har förändrats sedan förra bilden. Till exempel, om pixeln var skog på den sista bilden och den närmaste en vecka senare har den ändrats till jord eller en stubbe, vi kan upptäcka det, " Hon sa.

Forskningen involverade att beräkna två simulerade typer av clearinghändelser, hyggesavverkning som innebär att alla träd tas bort från området och bränns för att förbereda för framtida tillväxt och, för det andra, trädgallring som endast innebär att träd tas bort från området, lämnar mindre buskar, gräsmark, och bete bakom.

Genom att simulera moln, forskarna, som inkluderar QUT:s Distinguished Professor Kerrie Mengersen och Dr. Kate Helmstedt, kunde "testa gränserna" för metoden och veta hur väl eller inte den kunde förutsäga vad som fanns under molnen.

Resultaten visade att metoden noggrant detekterade simulerad marktäckeförändring under både kalavverkning och trädgallring.

"Vi får de mest uppdaterade förutsägelserna om saknad data på grund av moln genom att träna vår maskininlärningsmetod vid kanterna av dessa moln och förutsäga de områden som saknas, " Hon sa.

Dr. Holloway-Brown kommer att presentera forskningen för FN:s arbetsgrupp om jordobservationsdata.

"Det finns verkliga möjligheter att använda vår metod för att göra en verklig skillnad för skogsövervakning, " Hon sa.

Forskarna är en del av det QUT-baserade Australian Research Council Center of Excellence for Mathematical and Statistical Frontiers.