Deep-Learning-Modell mit künstlicher Intelligenz zur Kartierung von Feuchtgebieten erzielt eine Genauigkeit von 94 %

Das Data-Science-Team von Chesapeake Conservancy entwickelte ein Deep-Learning-Modell mit künstlicher Intelligenz zur Kartierung von Feuchtgebieten, das zu einer Genauigkeit von 94 % führte. Unterstützt von EPRI, einem unabhängigen, gemeinnützigen Energieforschungs- und Entwicklungsinstitut; Elektrisches System von Lincoln; und dem Grayce B. Kerr Fund, Inc. könnte diese Methode zur Kartierung von Feuchtgebieten wichtige Ergebnisse für den Schutz und die Erhaltung von Feuchtgebieten liefern. Die Ergebnisse werden in der Fachzeitschrift Peer-Review veröffentlicht Wissenschaft der gesamten Umwelt.

Das Team trainierte ein Modell des maschinellen Lernens (Faltungsneuronalnetzwerk) für hochauflösende (1 m) Feuchtgebietskartierung mit frei verfügbaren Daten aus drei Gebieten: Mille Lacs County, Minnesota; Grafschaft Kent, Delaware; und St. Lawrence County, New York. Das vollständige Modell, das lokale Trainingsdaten erfordert, die von staatlichen Feuchtgebietsdaten und dem National Wetlands Inventory (NWI) bereitgestellt werden, kartierte Feuchtgebiete mit einer Genauigkeit von 94 %.

„Wir freuen uns, dieses spannende Projekt zu unterstützen, da es neue Methoden zur Abgrenzung von Feuchtgebieten unter Verwendung von Satellitenbildern erforscht“, sagte Dr. Nalini Rao, Principal Technical Leader des EPRI. „Es hat das Potenzial, Managern natürlicher Ressourcen vor Ort Zeit zu sparen, indem sie ein GIS-Tool direkt von ihrem Schreibtisch aus verwenden. Außerdem kann es Unternehmen und der Öffentlichkeit helfen, die Auswirkungen auf Feuchtgebiete zu verwalten, wenn Infrastrukturbauten geplant werden, um die Dekarbonisierungsziele zu erreichen.“

„Der Infrastructure Investment and Jobs Act investiert Hunderte von Milliarden Dollar in Projekte, die sich auf die Landschaft auswirken werden. Die Daten, auf die wir uns verlassen, um die Auswirkungen auf Feuchtgebiete zu minimieren, sind jedoch erschreckend veraltet“, sagte Restoration Economy des Environmental Policy Innovation Center Zentrumsdirektorin Becca Madsen, eine ehemalige EPRI-Forscherin. „Es gab noch nie einen besseren Zeitpunkt, um in die Aktualisierung der Feuchtgebietsdaten unseres Landes zu investieren und einen nachhaltigen und kostengünstigen Prozess zu etablieren, um sie auf dem neuesten Stand zu halten.“

„Wenn dieses hochpräzise Modell skaliert wird, um Feuchtgebiete in viel größeren geografischen Gebieten wie der Chesapeake Bay oder den angrenzenden Vereinigten Staaten vorherzusagen, wird dies eine Wende bedeuten. Es macht die manuelle Kartierung von Feuchtgebieten sowie die Kartierung von Feuchtgebieten mit traditionellen überflüssig maschinelles Lernen, das viel Datenverarbeitung, Kuration und manuelles Feature-Engineering erfordert, was beides zeitaufwändig, arbeitsintensiv und sehr teuer ist“, sagte Dr. Kumar Mainali, Data Science Lead/Senior Data Scientist von Chesapeake Conservancy.

Was dies für den Schutz und Erhalt von Feuchtgebieten bedeutet

Das neue Modell wird Infrastrukturplanern helfen, Feuchtgebiete im Planungsprozess zu vermeiden, was zu Kosteneinsparungen und der Erhaltung von Feuchtgebieten führt. Zu den potenziell vorteilhaften Situationen gehören die laufenden Bemühungen zum Ausbau und zur Entwicklung erneuerbarer Energien, was den Ausbau der Strominfrastruktur erfordert.

Das Produkt des Modells ist eine Karte der Feuchtgebietswahrscheinlichkeit. Diese Wahrscheinlichkeitsdaten können verwendet werden, um die wahrscheinlichste Feuchtgebietsausdehnung zu kartieren, aber wenn Benutzer es vorziehen, können sie die Feuchtgebietsausdehnung mit einem niedrigeren Wahrscheinlichkeitsschwellenwert kartieren. Die resultierende Karte begrenzt die Wahrscheinlichkeit des Auslassens von Feuchtgebieten, obwohl sie mehr Feuchtgebiete kartiert, als in Wirklichkeit vorhanden sind.

Es könnte auch möglich sein, dieses Modell zur Kartierung von Orten zu verwenden, an denen Feuchtgebiete bereits verloren gegangen sind, seit sie mit NWI kartiert wurden. Darüber hinaus könnten auch potenzielle Standorte für die Wiederherstellung von Feuchtgebieten identifiziert werden. Beispielsweise werden dauerhaft feuchte landwirtschaftliche Felder vom Modell erfasst, obwohl diese Flächen zum Zweck der Abgrenzung von Feldfeuchtgebieten nicht als Feuchtgebiete gelten, wenn sie aktiv bewirtschaftet werden.

Das Team wird das Modell auf Bundesstaaten oder größere Regionen ausdehnen und das Modell weiterhin in verschiedenen Regionen trainieren.

Modell überwindet veraltete Daten im Nebraska-Pilotprojekt

Nach der anfänglichen Modellentwicklung wurde das Modell auf Lancaster County, Nebraska, erweitert. Die Modellierung von Feuchtgebieten in dieser Region erwies sich als schwierig, da die NWI-Daten für das Gebiet Jahrzehnte veraltet waren und Feuchtgebiete in mehreren Gebieten umfassten, in denen sie durch die Entwicklung verloren gegangen waren. Das Team war daran interessiert zu erfahren, ob es dem Modell gelingen könnte, Feuchtgebiete zu kartieren, in denen keine aktuellen hochwertigen Feuchtgebietsdatensätze zum Trainieren des Modells verfügbar waren.

Das Feuchtgebietsmodell wurde mit dem jahrzehntealten NWI-Datensatz und aktuellen Satelliten- und Luftbilddaten trainiert. Das Team fand heraus, dass die NWI-Daten die lokale Genauigkeit der Kartierung von Feuchtgebieten im Vergleich zu den Vorhersagen vor dem Training um 10 % verbesserten, was die Bedeutung der Verwendung lokaler Trainingsdaten in neuen Regionen zeigt.

Darüber hinaus ließ das Modell Feuchtgebiete, wo sie durch die Entwicklung verloren gegangen waren, korrekterweise aus, obwohl diese Feuchtgebiete in den veralteten Trainingsdaten verblieben, wie in der Abbildung unten gezeigt (veraltete Trainingsdaten in Grün dargestellt; Modellvorhersage in Violett, überlagert mit aktuellen Satellitenbildern). ). Die Leistung des Modells bei der Bestimmung des dominanten Musters in den Daten, um sowohl die lokale Kartierungsgenauigkeit zu verbessern als auch das Vorhandensein und Fehlen von Feuchtgebieten genau wiederzugeben, ist vielversprechend für die Nützlichkeit dieses Ansatzes.

Trotz der wichtigen Rolle von Feuchtgebietsdaten für die Planung von Infrastrukturprojekten und das Management von Wildtieren wurden NWI-Feuchtgebietsdaten seit vielen Jahren nicht umfassend aktualisiert. Wie in der Karte unten gezeigt, stammen viele NWI-Daten im ganzen Land aus den 1970er und 1980er Jahren, bleiben aber die besten verfügbaren Daten. Ein Modellierungsansatz für die Kartierung von Feuchtgebieten, der Trainingsdaten verschiedener Jahrgänge nutzen kann, wird unglaublich nützlich sein, um die Kartierung von Feuchtgebieten dort zu modernisieren, wo sie am dringendsten benötigt wird.

Über das Modell

Die beim Feuchtgebietstraining verwendeten „Prädiktor“-Layer, aus denen das Modell die in Feuchtgebieten gefundenen Muster lernt, waren: Luftbilder des USDA National Agriculture Imagery Program (NAIP) (1 m), optische Sentinel-2-Satellitenbilder (10–20 m), LiDAR-abgeleitet Geomorphons, ein Ansatz zur Kartierung von Landformen, den die Chesapeake Conservancy angewendet hat, um die hochauflösende Flusskartierung voranzutreiben; und die LiDAR-Intensität, ein Index, der häufig verwendet wird, um Wasser und anhaltend nasse Böden zu identifizieren.

Darüber hinaus trainierte das Team ein einfacheres Modell, das nur USDA-NAIP- und Sentinel-2-Daten als Eingabeschichten verwendete und eine Genauigkeit von 91,6 % sicherstellte.