Unter Verwendung von Satellitenüberwachungsdaten haben Forscher einen Deep-Learning-Algorithmus entwickelt, der monatliche Landnutzungs- und Landbedeckungskarten für Teile Indiens in Echtzeit bereitstellen könnte.
Als eines der 10 waldreichsten Länder der Welt bedeckt Indien etwa 80,9 Millionen Hektar Bäume – etwa 25 % der Nation –, aber dies ist ein deutlicher Rückgang gegenüber den vergangenen Jahren. Zwischen den 1890er und 1990er Jahren führte eine Kombination aus rascher wirtschaftlicher Entwicklung und Übernutzung lokaler Ressourcen dazu, dass Indien fast 80 % seiner einheimischen Waldfläche verlor. Jetzt, da Indiens Wälder immer noch verschwinden, konzentrieren sich die Forscher darauf, zu helfen, die Überreste zu erhalten.
„Unsere Arbeit wurde in dem Bemühen durchgeführt, Indiens Regierung und Industrie dabei zu helfen, die Versuche des Landes zur Nachhaltigkeit der Wälder zu verbessern“, sagte Ying Zuo, Hauptautorin des Projekts und Doktorandin der Erdwissenschaften an der Ohio State University.
Das Landnutzungsüberwachungssystem wurde mit Daten trainiert, die von der norwegischen International Climate and Forests Initiative (NICFI) bereitgestellt wurden, einem Unternehmen der norwegischen Regierung, das darauf abzielt, die Zerstörung tropischer Wälder zu reduzieren, teilweise durch die Bereitstellung hochauflösender Bilder der Tropen der Welt. Das Produkt wird aus Bildern von PlanetScope generiert, einer Satellitenkonstellation, die täglich Bilder des gesamten Globus aufnimmt.
Durch die Kombination der Daten der NICFI-Produkte mit einer von der Tsinghua-Universität erstellten globalen Landbedeckungskarte war ihr Deep-Learning-Modell in der Lage, eine detailliertere Art von Basiskarte des Gebiets zu erhalten.
„Um zwei Datensätze in demselben System zu kombinieren, haben wir sie in derselben räumlichen Auflösung neu abgetastet und jedes Pixel ausgerichtet, um einen bildbeschrifteten gepaarten Trainingsdatensatz zu erstellen“, sagte Zuo. „Der Prozess hilft uns, die beiden Datensätze zu assimilieren, damit sie zum Trainieren unseres Deep-Learning-Modells verwendet werden können.“ Dadurch werden im Wesentlichen Tausende kleiner Bilder zu einer größeren Basiskarte zusammengeführt.
Nachdem das Team sein Deep-Learning-Modell mit diesen neuen Satellitenbildern trainiert hatte, war es in der Lage, 10 Basiskarten des Gebiets zu verarbeiten, die von Januar bis Oktober 2022 reichten.
Das Forschungsposter wurde letzte Woche auf der Jahrestagung der vorgestellt Amerikanische Geophysikalische Union. Während ihrer Präsentation sagte Zuo, dass das Team mit diesen Karten saisonale Verschiebungen in ganz Indien erkennen konnte, wie z. B. Veränderungen auf unfruchtbarem Land, wie Ackerland durch Monsun während der Regenzeit beeinflusst wurde und die Verteilung von Wäldern in Bergregionen.
Eine Schlussfolgerung aus der Studie war, dass es für Ökologen von entscheidender Bedeutung ist, die saisonalen Auswirkungen des Monsuns auf Indiens Waldbedeckung genauer zu untersuchen. Das Verständnis dieser jahreszeitlichen Veränderungen kann Wissenschaftlern helfen, die Auswirkungen des Klimawandels auf Wälder zu verstehen.
„Wenn die Durchschnittstemperatur unserer Erde steigt, werden Naturgefahren viel häufiger auftreten, daher hilft es jedem, zu verstehen, wie sich dieses Problem auf das Leben auf der Erde auswirkt, wenn wir diese Karten zur Verfügung haben“, sagte sie.
Wenn das Team die Zeitspanne dieser Basiskarten über mehrere Jahre statt über mehrere Monate erweitern kann, könnten laut Zuo bessere Ergebnisse den Wissenschaftlern helfen, andere jährliche Veränderungen auf der ganzen Welt zu untersuchen, wie z. B. Überschwemmungen.
„Die Eigenschaften der lokalen Wälder und ihrer umgebenden Lebensräume könnten in anderen Regionen wahrscheinlich anders sein“, sagte Zuo. „Aber mit Hilfe detaillierterer Datensätze könnte unsere Arbeit problemlos in Gebieten der Welt eingesetzt werden, in denen die Erkennung und Warnung der Öffentlichkeit vor Waldzerstörung und ihren Nebenwirkungen zu einer Priorität werden muss.“
Zu den Co-Autoren des Posters gehören CK Shum, Rongjun Qin, Yuanyuan Jia, Guixiang Zhang und Shengxi Gui, alle Forscher im Bundesstaat Ohio.
Mehr Informationen:
Forschungsposter: Pan-India Land Use Land Cover Deep Learning Aided Classification unter Verwendung von NICFI-Produkten