Bevarelse af regnskov gennem maskinlæring

Datalogen David Dao udvikler intelligente algoritmer, der bruger satellit- og dronebilleder af regnskove til at forudsige, hvor de næste steder for skovrydning vil være. Han præsenterer sin forskning på klimakonferencen i Madrid i dag, og starter et pilotprojekt i Chile i januar.

Billeder af brændende regnskove i Amazonas-regionen blev brændt ind i vores minder denne sommer og rejste spørgsmålet – hvor meget af skoven har vi mistet? En af de personer, der forsøger at besvare dette spørgsmål, er datalog David Dao, en ph.d.-studerende fra DS3Lab ved ETH Institute for Computing Platforms.

Dao, som oprindeligt kommer fra Tyskland, er specialist i maskinlæring og udvikler intelligente algoritmer, der autonomt kan analysere satellit- og dronebilleder. Dette hjælper med at afsløre, hvor skovdækningen er tyndere, og i hvilket omfang. De kan endda forudsige, hvor regnskoven vil trække sig tilbage i den nærmeste fremtid. Tricket er i, hvordan algoritmerne læser billederne.

Satellitter og droner leverer utallige billeder af regnskove - fra forskellige højder, og i forskellig opløsning og kvalitet. Fælles for dem er, at de områder, de skildrer, ikke er mærket eller på anden måde identificeret. I modsætning til kort, stederne bærer ikke navne, og skovene, floder og veje har ingen let identificerbare "signaturer, " eller "etiketter, "som en datalog ville sige. Det betyder, at computeralgoritmer ikke er i stand til at skelne mellem, hvad der er skovdækning, og hvad der ikke er det.

"Fiskeben" viser, hvor skovene skrumper

Som Dao forklarer, algoritmerne læser sekvenser for at genkende, hvilke områder der er skovklædte, og om disse områder krymper. Disse sekvenser er individuelle billeder, der er knyttet sammen i kronologisk rækkefølge - ligesom gamle filmruller eller tegneserier. Så når en ny vej bygges gennem regnskoven, for eksempel, der dannes adskillige mindre veje fra den over tid. Det er langs disse veje, at skovdækningen ødelægges.

Fra et fugleperspektiv, det resulterende mønster ligner skelettet af en fisk, med dens rygsøjle og små knogler - således betegnelsen "fiskeben". Ved at sammenligne disse kronologisk sekventielle luftbilleder, algoritmer kan bestemme, hvordan vejsystemer og skovdækning ændrer sig over tid.

Det betyder, at intelligente algoritmer ikke behøver etiketter for at generere et samlet billede, der indikerer, hvor regnskovene krymper. De kan også forudsige, hvor den værste skovrydning vil dukke op næste gang. Denne model gælder også for skovrydning nær floder og omkring landbrugsområder.

Prøveløb i den chilenske regnskov

Til forskningsprojektet, som kaldes Komorebi, David Dao har tiltrukket partnere fra feltet, herunder Chiles skovbrugsmyndighed CONAF (Corporación Nacional Forestal). I januar, et pilotprojekt starter i den regnskov i Valdivien, på Stillehavskysten syd for hovedstaden, Santiago. Dao vil teste og justere sine forudsigende algoritmer under rigtige regnskovsforhold. Hans tilgang vil muligvis være i stand til at opdage ikke kun et generelt fald i regnskoven, men også bestemme hvilke træarter der er mest påvirket.

Dette er en væsentlig faktor i klimaforandringerne, som forskellige træsorter opbevarer CO ₂ til forskellige satser, og en tilgang til skovbevaring er at tilbyde lokale befolkninger økonomiske incitamenter til at fastholde træer som CO2 -lagring frem for at rydde skoven.

I den chilenske regnskov, de vil undersøge spørgsmål som f.eks. hvordan man forbedrer nøjagtigheden af ​​forudsigelsesalgoritmer ved at kombinere satellitbilleder med billeder taget af droner lavere nede. I modsætning til satellitbilleder, dronebilleder kan være nøjagtige til inden for 30 centimeter. "Hvis vi har dronebilleder, vi kan også observere ændringer i træarter og registrere ændringer i biodiversitet, " siger Dao. I dag, David Dao præsenterer sit forskningsprojekt på FN's 25. klimakonference i Madrid (COP25).

Sessionen, arrangeret af Inter-American Development Bank og den chilenske skovbrugsmyndighed, vil se på måder at bruge nye teknologier til at registrere og forudsige ændringer i arealanvendelse, samt potentialet for at knytte resultaterne til betalinger, som lokale indbyggere modtager for at bevare regnskoven.