Устойчивый мониторинг лесов
Леса являются жизненно важной основой для биоразнообразия, климата и окружающей среды во всем мире. Как экзистенциальная среда обитания для многочисленных видов растений и животных, наши леса являются движущим фактором чистоты воздуха, воды и почвы. Однако эти функции им угрожают из-за ускоренного изменения климата и его последствий, таких как экстремальные погодные явления.

Непрерывный мониторинг лесных массивов в последние годы становится все более и более важным для спасения наших лесов. Актуальность устойчивого управления лесами также подчеркивается в Повестке дня на период до 2030 г. Целей в области устойчивого развития (SGD), в которой леса напрямую связаны с несколькими целями SGD, такими как Жизнь на суше или Климатические действия. . Однако в настоящее время карты лесов зачастую неактуальны, подробная информация о деревьях зачастую отсутствует, а производственный цикл создания таких карт в масштабе требует нескольких лет (последняя карта службы «Коперник» для большинства европейских страны с 2018 года).

На рисунке 1 мы можем увидеть потерю и прирост леса в период с 2018 по 2020 год. Мы видим, что слой высокого разрешения из Google Maps и официальные карты леса, такие как продукт Dominant Leaf Type (DLT) за 2018 год, устарели. Области, на которых нанесены леса, уже расчищены, как это видно на недавнем изображении Sentinel-2 от 2020 года, в то время как новые участки леса тем временем вырастают заново. На основе текущих методов, основанных на данных искусственного интеллекта и наблюдения за Землей, мы предоставляем обновленную карту и показываем, как ее можно использовать для крупномасштабного мониторинга лесов.

Масштабный анализ с помощью глубокого обучения
Мы проанализировали, как искусственный интеллект (ИИ), особенно методы глубокого обучения, можно использовать для создания следующего поколения сервисов наблюдения Земли (ЭО) для лесной мониторинг. Сосредоточив внимание на задаче сегментации типов леса на изображениях геологоразведки, мы адаптируем и оцениваем несколько современных архитектур Deep Learning для этой задачи. Мы полагались на изображения EO со спутников ESA Sentinel-2, поскольку они предоставляют жизненно важную информацию в многоспектральных диапазонах и с высокой мультивременной частотой для непрерывного мониторинга (созвездие двух спутников Sentinel-2 позволяет проводить повторное посещение в течение 5 дней). в среднем).

Мы исследовали различные архитектуры и сетевые модули для интеграции мультиспектральных и высокочастотных изображений. В этом контексте мы, наконец, использовали подход, основанный на сверточных долговременных воспоминаниях, который позволяет изучать временные отношения из многовременных наблюдений. Наше внутреннее сравнение ConvLSTM с одновременными методами показало явное улучшение показателей оценки при интеграции многовременной информации. Наши методы хорошо масштабируются на сотнях терабайт данных. Мы использовали обученную модель для создания общеевропейской карты лесов с актуальной информацией.

Онлайн-демонстрация обновленной общеевропейской карты лесов
Мы предоставляем карту сегментации лесов на основе глубокого обучения в общеевропейском масштабе с разрешением 10 метров в пикселях на 2020 год. Карта доступен по этой ссылке.

Мы оценили карту лесов по высококачественным наборам данных из национальных лесных кадастров и точечных аннотаций на месте из набора данных исследования площади землепользования и покрытия (LUCAS). В обоих наборах данных проверки метрики Pixel Accuracy и среднего значения Intersection over Union находятся на одном уровне с существующими продуктами, такими как Dominant Leaf Type Layer 2018. В общеевропейских аннотациях LUCAS мы получаем общую точность 95,76% для бинарного леса. картографирование, а для картирования типов леса точность 92,20%.

Что с этим можно сделать? Количественная оценка лесных изменений
Онлайн-карта Европы показывает, что слой изображений высокого разрешения из Google Maps устарел во многих местах, в то время как текущее состояние хорошо отражено на слое Sentinel-2. Сравнивая результаты нашей карты лесов с существующими картами, мы можем количественно оценить изменения и определить потери и приросты лесов за последние два года. Поскольку карты лесов с актуальной информацией в этом масштабе в настоящее время недоступны, такая карта является отличным источником, дополняющим существующие карты лесов (например, от Службы мониторинга земель Коперника).

Текущее состояние лесов, которое показывает такая карта, также имеет жизненно важное значение для владельцев лесов, лесных администраций, инвесторов и лиц, принимающих решения в политике, заинтересованных в мониторинге территорий, варьирующихся от небольших до крупных. Мы демонстрируем преимущества наличия обновленной карты для отслеживания и количественной оценки изменений в лесах. Наш первый пример показывает влияние лесного пожара недалеко от границы Нидерландов и Германии. Мы видим, что выгоревшие участки хорошо отражены на нашей обновленной карте, в то время как на официальных картах эти места по-прежнему считаются (здоровыми) лесами.

Другой пример демонстрирует прямое влияние вырубки леса и показывает, как эти карты можно использовать для количественной оценки того, сколько лесов было вырублено в более крупном регионе. На рис. 4 показаны спутниковый снимок и карта лесов на большей территории Польши. Мы видим, что участки с самыми последними вырубками леса не отражены на официальной карте, в то время как обновленная карта хорошо отражает эти изменения. Если мы посмотрим на слой Sentinel-2, мы также увидим их коричневатого цвета.

Попробуйте сами с помощью EO-Learn
Если вы заинтересованы в том, чтобы попробовать этот подход самостоятельно, мы подготовили блокнот Jupyter с предварительно обученной упрощенной моделью и пошаговыми инструкциями. руководство по созданию таких карт леса. Весь код можно найти в этом репозитории GitHub.

Связаться с нами
Если вас интересуют приложения для мониторинга больших лесных массивов в режиме, близком к реальному времени, не стесняйтесь обращаться к нам. benjamin.bischke[at]vision-impulse.com

Благодарности
Эта работа финансируется и поддерживается ESA PhiLab (Европейское космическое агентство) через грант QueryPlanet 4000124792/18/I-BG.