Satellitkort over menneskets pres på land giver indsigt i bæredygtig udvikling

Corona-pandemien har fået forskere til at skifte gear eller midlertidigt opgive projekter på grund af sundhedsprotokoller eller ikke at kunne rejse. Men for Patrick Keys og Elizabeth Barnes, mand og kone videnskabsmænd ved Colorado State University, det seneste år ført til et produktivt forskningssamarbejde.

De slog sig sammen med Neil Carter, assisterende professor ved University of Michigan, på et papir udgivet i Miljøforskningsbreve der skitserer et satellitbaseret kort over menneskeligt pres på lande rundt om i verden.

Nøgler, hovedforfatter og forsker ved CSU's School of Global Environmental Sustainability, sagde, at holdet brugte maskinlæring til at producere kortet, som afslører, hvor bratte ændringer i landskabet er sket rundt om i verden. Kortet viser et nærværende øjebliksbillede af effekter fra skovrydning, minedrift, udbygning af vejnet, urbanisering og øget landbrug.

"Det kort, vi har udviklet, kan hjælpe folk med at forstå vigtige udfordringer inden for bevarelse af biodiversitet og bæredygtighed generelt, " sagde Keys.

Denne type kort kan bruges til at overvåge fremskridt for FN's mål for bæredygtig udvikling 15 (SDG15), "Livet på land, ", som har til formål at fremme bæredygtig udvikling og samtidig bevare biodiversiteten.

Otte algoritmer til at omfatte data fra hele verden

Barnes, en lektor i CSU's Institut for Atmosfærisk Videnskab, udførte det tunge løft på datasiden af ​​projektet.

Mens de svimlende forældreopgaver med Keys, hun skrev kode som aldrig før, arbejder med billioner af datapunkter og træner op til otte separate algoritmer til at dække forskellige dele af verden. Hun slog derefter algoritmerne sammen for at give en problemfri klassificering for hele planeten.

I første omgang, de to forskere skulle lære at tale den andens arbejdssprog.

"Pat havde oprindeligt en idé til denne forskning, og jeg sagde, "Maskinlæring fungerer ikke på den måde, " sagde Barnes.

Hun skitserede derefter komponenterne sammen med ham:Inputtet er noget, vi gerne vil kunne se fra rummet, som et satellitbillede; og outputtet er et mål for, hvad mennesker laver på Jorden. Den midterste del af ligningen var maskinlæring.

Keys sagde, at det, Barnes designede, er et foldet neuralt netværk, som almindeligvis bruges til fortolkning af billeder. Det svarer til, hvordan Facebook fungerer, når webstedet foreslår at tagge venner på et billede.

"Det er ligesom vores øjne og vores hjerner, " han sagde.

Ved udviklingen af ​​algoritmen, de brugte eksisterende data, der klassificerede menneskelige påvirkninger på planeten, faktorer som veje og bygninger, og græsningsarealer til husdyr og skovrydning. Derefter, det konvolutionelle neurale netværk lærte, hvordan man præcist fortolker satellitbilleder, baseret på disse eksisterende data.

Fra en analyse af et land, til verden

Forskerne startede med Indonesien, et land, der har oplevet hurtige forandringer i løbet af de sidste 20 år. Ved udgangen af ​​sommeren, efter at de var sikre på, hvad de identificerede i Indonesien ved hjælp af maskinlæring, Keys foreslog, at de skulle se på hele kloden.

"Jeg kan huske, at jeg fortalte ham, at det ikke er muligt, sagde Barnes. Han ved, når jeg siger det, Jeg vil vende tilbage og prøve at få det til at fungere. En uge senere, vi havde fundet ud af hele kloden."

Barnes sagde, at det ikke er idiotsikkert at bruge maskinlæring, og det kræver en vis opfølgning for at sikre, at data er nøjagtige.

"Maskinlæring vil altid give et svar, uanset om det er affald eller ej, " forklarede hun. "Vores job som videnskabsmænd er at afgøre, om det er nyttigt."

Keys brugte mange nætter på Google Earth med at anmelde over 2, 000 steder på kloden i år 2000 og sammenlignede derefter disse steder med 2019. Han noterede ændringer og bekræftede dataene med Barnes.

Forskerholdet dykkede også dybere ned i tre lande – Guyana, Marokko og Gambia – for bedre at forstå, hvad de fandt.

I fremtiden, når nye satellitdata er tilgængelige, Keys sagde, at holdet hurtigt kan generere et nyt kort.

"Vi kan tilslutte disse data til dette nu trænede neurale netværk og generere et nyt kort, " sagde han. "Hvis vi gør det hvert år, vi vil have disse sekventielle data, der viser, hvordan det menneskelige pres på landskabet ændrer sig."

Keys sagde, at forskningsprojektet hjalp med at løfte hans humør i løbet af det sidste år.

"Ærligt talt, Jeg har haft en hård tid under pandemien, sagde han. Når jeg ser tilbage, Jeg var i stand til at arbejde på dette projekt, som var spændende, sjovt, interessant og åben, og med fantastiske mennesker. Det lysnede pandemien betydeligt."