نقشه برداری از پوشش گیاهی زمین با استفاده از هوش مصنوعی

تصویر: محاسبات مدرن امکان شناسایی درختان و بوته های مجزا در مناطق نیمه خشک را فراهم می کند و تحقیقات در مورد تکامل پوشش گیاهی را تسهیل می نماید. توسط نویسنده، مارتین برانت، ارائه شده است.
 
مدت هاست که احتمال این که پوشش گیاهی مناطق نیمه خشک و خشک در حال عقب نشینی باشد، یکی از نگرانی های بین المللی بوده است. در دهه 1930 برای اولین بار این تئوری مطرح شد که صحرا در حال گسترش است و پوشش گیاهی چوبی در حال عقب نشینی است. در دهه 1970، به دنبال ایجاد انگیزه پیگیری توسط "خشک سالی ساحل"، تمرکز بر روی تهدید "بیابان زایی" ناشی از استفاده بیش از حد انسان و / یا تغییرات آب و هوایی قرار گرفت. در دهه های اخیر، تأثیر بالقوه تغییر آب و هوایی بر روی پوشش گیاهی نگرانی اصلی بوده است، البته همراه با فیدبک تأثیر پوشش گیاهی بر آب و هوا، که مرتبط است با نقش پوشش گیاهی در چرخه کربن جهانی.
 تراکم بالای جمعیت انسانی نمی تواند همیشه مربوط به تلفات در پوشش درختان باشد، زیرا افراد در ساحل نیمه خشک از درختان درون شهرک ها و مزارع محافظت می کنند و درختان را پرورش می دهند.با استفاده از داده های ماهواره ای با وضوح بالا و تکنیک های یاد گیری ماشین در امکانات ابر رایانه ای، اکنون ما توانسته ایم میلیاردها درخت و بوته مجزا را در غرب آفریقا ترسیم کنیم. هدف، درک بهتر وضعیت واقعی پوشش گیاهی و تکامل در مناطق خشک و نیمه خشک است.
 

یافتن درختچه ای در صحرا - از فضا

از دهه 1970، داده های ماهواره ای به طور گسترده برای نقشه برداری و نظارت بر پوشش گیاهی در مناطق نیمه خشک در سراسر جهان مورد استفاده قرار گرفته است. تصاویر در وضوح مکانی "بالا" (با ماهواره های ناسا Landsat MSS و TM ، و ماهواره های ESA Spot وSentinel ) و وضوح مکانی "متوسط ​​یا پایین" ( NOAA AVHRR و MODIS ) در دسترس هستند.
 
برای تجزیه و تحلیل دقیق پوشش گیاهی در مقیاس قاره ای یا جهانی، استفاده از بالاترین وضوح تصاویر موجود - با وضوح 1 متر یا کمتر - ضروری است و تاکنون به دست آوردن و تجزیه و تحلیل داده ها هزینه های سنگینی در بر داشته است. در نتیجه، بیشتر مطالعات به داده های با وضوح متوسط ​​تا پایین متکی بوده اند. این امر، اجازه شناسایی درختان مجزا را نداده است، و بنا بر این این مطالعات فقط تخمینی دارد از پوشش گیاهی و بهره وری، و مخلوطی از پوشش گیاهی علفی و چوبی به دست می دهد
 به طور کلی، ثابت شده است که دقت با اندازه گیری های میدانی بسیار ارتباط دارد.در یک مطالعه جدید که قسمت بزرگی از منطقه نیمه خشک صحرا – ساحل - سودان در آفریقای غربی را پوشش می دهد، که در ماه اکتبر سال 2020 در نیچر منتشر شد، یک گروه بین المللی از محققان توانستند این محدودیت ها را برطرف کنند. با ترکیب مقدار بسیار زیادی از داده های ماهواره ای با وضوح بالا، ظرفیت های پیشرفته محاسباتی، تکنیک های یاد گیری ماشین و داده های گسترده میدانی جمع آوری شده طی دهه ها، ما توانستیم درختان و بوته های منفرد با مساحت تاج بیش از 3 متر مربع را با دقت بسیار بالایی شناسایی کنیم. نتیجه یک بانک اطلاعاتی متشکل از 1.8 میلیارد درخت در منطقه مورد مطالعه است که در دسترس همه علاقه مندان است.
   
تصویر: ابر رایانه، یاد گیری ماشین، داده های ماهواره ای و ارزیابی های میدانی امکان نقشه برداری از میلیاردها درخت منفرد در آفریقای غربی را فراهم می کند. مارتین برانت، نویسنده، ارائه داده است.
 
در حال حاضر، این کار برای پوشش کمربند نیمه خشک جنوب صحرای سراسر قاره آفریقا تا دریای سرخ گسترش یافته است. تعداد فعلی درختان 13 میلیارد است و اصلاحات بیشتری در مورد روش انجام می شود. پیش بینی می شود که پوشش جغرافیایی ابتدا به بقیه مناطق نیمه خشک آفریقا و سپس به سایر قاره ها گسترش یابد.
 
برای پوشش کل منطقه ساحلی آفریقا، از اقیانوس اطلس تا دریای سرخ، ما تقریباً از 100000 تصویر ماهواره ای استفاده کردیم - برای کل حجم داده صدها ترابایت. با استفاده از ابر رایانه های NASA وBlue Waters ، تصاویر برای ایجاد موزاییکی مداوم به هم کوک شدند. سپس درختان با استفاده از یاد گیری عمیق، که یک تکنیک هوش مصنوعی است، شناسایی شدند که در آن رایانه برای شناسایی درختان منفرد آموزش دیده است. در طول آموزش، ده ها هزار درخت توسط یک اپراتور با استفاده از دانش میدانی همراه با مهارت تفسیر تصویر، "به کامپیوتر" نشان داده شد. پس از آن، نتایج شناسایی مبتنی بر ماشین بررسی شد. به طور کلی، ثابت شده است که دقت با اندازه گیری های میدانی بسیار ارتباط دارد.
 

اطلاعات غیرمنتظره در مورد درختان منفرد

بانک اطلاعاتی ما از درختان و بوته ها، حاوی اطلاعات مربوط به هر درخت، محل دقیق آن (نوعاً با عدم قطعیت چند متر)، اندازه تاج آن، تاریخ به دست آوردن تصویر ماهواره ای که در آن شناسایی صورت گرفته است، و تخمین مقدار جرم چوب بالای زمین و محتوای کربن آن است. در آینده، سایر اطلاعات، به عنوان مثال ارتفاع و مشخصات فنولوژی آن، ممکن است اضافه شود.
   
تصویر: رابطه بین انسان و درخت همیشه نمی تواند در ارتباط با از بین رفتن پوشش گیاهی باشد، زیرا مردم در ساحل نیمه خشک از درختان درون شهرک ها و مزارع محافظت می کنند و باعث ارتقاء درختان می شوند. مارتین برانت، نویسنده، ارائه داده است.
 
در حال حاضر در این مرحله اولیه پروژه، پیامدهای مهم مشهود است. در مطالعه غرب آفریقا، درختانی بسیار بیشتر از آنچه انتظار داشتیم پیدا کردیم. منابع دیگرِ داده در واقع گزارش می کنند که درختان در صحرا و منطقه ساحلی شمالی عملاً وجود ندارند، با این وجود صدها میلیون درخت پیدا کردیم. ذخایر کربن مرتبط با این درختان نسبت به ذخایر کربن در گیاهان علفی بزرگتر و پایدارتر است. علاوه بر این، ما دریافتیم که درختان در زمین های زراعی به طور کلی بزرگتر از دشتهای بکر هستند، و پوشش کلی درختان در مکان های پرجمعیت و تحت کنترل زیاد است. این نشان می دهد که تراکم بالای جمعیت انسانی نمی تواند همیشه مربوط به تلفات در پوشش درختان باشد، زیرا افراد در ساحل نیمه خشک از درختان درون شهرک ها و مزارع محافظت می کنند و درختان را پرورش می دهند.
 

پایگاه داده برای چه کاری استفاده می شود؟

انتظار می رود این پایگاه داده برای طیف وسیعی از اهداف مختلف مفید باشد. به طور خاص، این یک خط پایه را تشکیل می دهد که امکان مطالعات آینده در مورد تکامل زمانی پوشش گیاهی چوبی را در مقیاس بزرگ، احتمالاً حتی در مقیاس قاره ای یا جهانی، فراهم می کند.
مدت هاست که احتمال این که پوشش گیاهی مناطق نیمه خشک و خشک در حال عقب نشینی باشد، یکی از نگرانی های بین المللی بوده است.این پایگاه داده امکان تجزیه و تحلیل عوامل کنترل وقوع درختان در مناطق خشک، به عنوان مثال فشار انسان یا عوامل محیطی مانند بارندگی، خاک یا ژئومورفولوژی، را فراهم می کند. اطلاعات، مدل اکوسیستم ها و "سیستم کامل زمین" را خوراک خواهد داد، زیرا درختان در تعامل بین جو و سطح زمین از اهمیت بالایی برخوردار هستند و هر دو عاملِ مبادله کربن، تبخیر و تعرق و زبری آیرودینامیکی را کنترل می کنند.
 
سرانجام، می توان از این اطلاعات برای اطلاع رسانی و پشتیبانی از سیاست های زیست محیطی در سطح ملی و بین المللی استفاده کرد.
 
منبع: مارتین برانت، کیلد راسموسن، University of Copenhagen