A New Hampshire állambeli Bartlett Experimental Forest (BART) áttekintése, amely 4 352 930 fa előrejelzést mutat hét fajra három térbeli skálán. Köszönetnyilvánítás: Weinstein BG, et al., 2024, PLOS Biology , CC-BY 4.0 (creativecommons.org/licenses/by/4.0/)
A Ben Weinstein, a Floridai Egyetem (Oregon, USA) vezette kutatócsoport gépi tanulást használt, hogy rendkívül részletes térképet hozzon létre több mint 100 millió egyedi fáról az Egyesült Államok 24 helyszínéről, és eredményeiket július 16-án publikálták a nyílt hozzáférés a PLOS Biology folyóirathoz . Ezek a térképek információkat nyújtanak az egyes fafajokról és -viszonyokról, ami nagyban segítheti a természetvédelmi erőfeszítéseket és más ökológiai projekteket.
Az ökológusok régóta gyűjtenek adatokat a fafajokról, hogy jobban megértsék az erdő egyedi ökoszisztémáját. Történelmileg ez kis földterületek felmérésével és az eredmények extrapolálásával történt, bár ez nem tudja figyelembe venni az egész erdőben tapasztalható változatosságot. Más módszerek szélesebb területeket is lefedhetnek, de gyakran nehézséget okoz az egyes fák kategorizálása.
A nagyméretű és rendkívül részletes erdőtérképek létrehozásához a kutatók egy mély neurális hálózatnak nevezett gépi tanulási algoritmust képeztek ki a fa lombkoronájáról készült képek és más, repülőgéppel készített szenzoradatok felhasználásával. Ezek a képzési adatok 40 000 egyedi fára vonatkoztak, és a tanulmányban használt összes adathoz hasonlóan a Nemzeti Ökológiai Obszervatórium hálózata szolgáltatta őket.
A mély neurális hálózat 75-85%-os pontossággal képes volt osztályozni a leggyakoribb fafajokat. Ezen túlmenően az algoritmus más fontos elemzéseket is nyújthat, például jelentést tehet arról, hogy mely fák élnek vagy haltak.
A kutatók azt találták, hogy a mély neurális hálózat a legnagyobb pontossággal azokon a területeken volt a legnagyobb, ahol a fák lombkoronája nyitottabb, és a legjobban a tűlevelű fafajok, például fenyők, cédrusok és vörösfenyők kategorizálásakor teljesített.
A hálózat az alacsonyabb fajdiverzitású területeken is a legjobban teljesített. Az algoritmus erősségeinek megértése hasznos lehet ezeknek a módszereknek a különféle erdei ökoszisztémákban való alkalmazásához.
A kutatók modelljeik előrejelzéseit is feltöltötték a Google Earth Engine-be, hogy eredményeik más ökológiai kutatásokat is segítsenek. A kutatók szerint „Az átfedő adatkészletek sokfélesége elősegíti az erdőökológia és az ökoszisztéma működésének megértésének gazdagabb területeit.”
A szerzők hozzáteszik: „Célunk az, hogy a kutatók rendelkezésére álljanak az első széles léptékű térképek a fafajok diverzitásáról az Egyesült Államok ökoszisztémáiból. Ezek a lombkoronafa-térképek frissíthetők az egyes helyszíneken gyűjtött új adatokkal. A NEON-telephelyeken dolgozó kutatókkal együttműködve idővel egyre jobb előrejelzéseket készíthetünk.”
További információ:
Weinstein BG, Marconi S, Zare A, Bohlman SA, Singh A, Graves SJ et al. (2024) Egyedi lombkoronás fafajok térképei a Nemzeti Ökológiai Obszervatórium hálózatához, PLoS Biology (2024).