¿Qué se puede hacer con una enorme base de datos de imágenes satelitales de alta resolución que cubren más de 1.3 millones de kilómetros cuadrados de las regiones del Sahara occidental y Sahel en África occidental? Bueno, un grupo de investigadores ha utilizado redes neuronales de inteligencia artificial (IA) para mapear la ubicación y el tamaño de más de 1,800 millones de copas de árboles individuales.
Pronto será posible mapear la ubicación y el tamaño de cada árbol en todo el mundo. Este paso adelante en las capacidades de observación es importante, ya que puede alterar la forma en que consideramos, monitoreamos, planificamos y administramos los ecosistemas terrestres globales.
Escribiendo en Nature, Martin Brandt y su equipo analizaron más de 11,000 imágenes con una resolución espacial de 0.5 metros. Su objetivo era identificar árboles y arbustos individuales con un diámetro de copa de 2 metros o más. Nunca antes se habían mapeado árboles con este nivel de detalle en un área tan grande (aunque debe tenerse en cuenta que este método requirió una entrada de aproximadamente 90,000 puntos de entrenamiento digitalizados manualmente, lo que puede ser insostenible para algunos estudios de replicación).
El equipo completó esta enorme tarea utilizando IA, aprovechando un enfoque computacional que involucra lo que se llaman redes neuronales totalmente convolucionales. Los datos de entrenamiento consistieron en imágenes de satélite en las que se trazaron manualmente los contornos visibles de las copas de los árboles y arbustos. A través de estas muestras, la computadora aprendió a identificar las copas de los árboles individuales con alta precisión en otras imágenes.
Te recomendamos: SlothBot: el robot perezoso que monitorea el clima
Su producto es un mapeo de pared a pared de todos los árboles grandes en todo el sur de Mauritania, Senegal y el suroeste de Malí.
La resolución espacial de la mayoría de los datos satelitales es relativamente burda. Los píxeles de cada imagen individual generalmente se ajustan a áreas en el suelo que son más grandes de 100 metros cuadrados y, a menudo, más de un kilómetro cuadrado. Una red neuronal convolucional, por otro lado, es un algoritmo de aprendizaje profundo que puede absorber una imagen de entrada, asignar importancia, es decir, pesos y sesgos que se pueden aprender, a varios aspectos/objetos en la imagen y poder diferenciar uno del otro.
Estas redes neuronales tienen capas que esencialmente realizan convoluciones, en las que los filtros convolucionales se mueven sobre la entrada estructurada espacialmente para producir salidas conocidas como mapas de características. La innovación de las redes neuronales convolucionales es la capacidad de aprender automáticamente una gran cantidad de filtros en paralelo a un conjunto de datos de entrenamiento bajo las limitaciones de un problema de modelado predictivo específico, como la clasificación de imágenes. El resultado son características muy específicas que se pueden detectar en cualquier lugar de las imágenes de entrada.
En el caso del estudio de Brandt, este método de aprendizaje profundo fue diseñado para reconocer las copas de los árboles sobre la base de sus formas y colores característicos dentro de una imagen más grande. Una revisión del estudio dice que este resultado es una “demostración sorprendente de esta transformación en la teledetección terrestre”.
Debido a que las redes neuronales convolucionales dependen de la disponibilidad de datos de entrenamiento, las imágenes de satélite de los contornos visibles de las copas de los árboles y arbustos se trazaron manualmente. Para mejorar la separación del dosel, el equipo de Brandt utilizó un esquema de ponderación en el entrenamiento de su red neuronal convolucional, pero aun así recurrió a una clase de “grupo de dosel” para describir áreas de dosel agregadas de más de 200 metros.
De esta manera, Brandt y sus colegas pudieron ofrecer información detallada sobre la ubicación y el tamaño de cada toldo individual. El alto nivel de detalle incluye para las regiones con precipitaciones anuales superiores a 600 milímetros. Expone la variabilidad espacial local en los árboles que generalmente se asocia con tipos de suelo contrastantes, disponibilidad de agua, uso de la tierra e historial de uso de la tierra.
La funcionalidad de los ecosistemas es importante para la disipación de energía, el suministro de servicios ecosistémicos, la resiliencia al cambio global y la capacidad de adaptación. Los ecosistemas terrestres son la tercera reserva mundial de carbono más grande solo después del océano y la reserva geológica de carbono.
El secuestro de carbono por los ecosistemas terrestres se refiere a la conversión del CO2 atmosférico en componentes carbonosos por parte de las plantas o procesos geológicos que pueden almacenarse como carbohidratos, materia orgánica del suelo y minerales carbonatados.
Una vez que el CO2 se ha transferido a estos materiales, se bloquea efectivamente hasta que se produce la descomposición. Estos procesos pueden verse afectados por muchos factores, como las características de las especies y la edad de la vegetación, las condiciones climáticas, el uso de la tierra y el tipo de suelo.
Puedes leer: Árboles que crecen más rápido mueren antes por el aumento de CO2
Definidos en su mayor parte por sus plantas leñosas, los ecosistemas terrestres cambian de manera matizada entre pastizales, matorrales, sabanas, bosques y bosques. Las variaciones y gradaciones en la densidad de árboles y arbustos se mueven de plantas leñosas de baja densidad y baja estatura a aquellas con árboles más altos y copas superpuestas.
Por lo tanto, la información precisa sobre la estructura de la vegetación leñosa de los ecosistemas es fundamental para nuestra comprensión de la ecología, la biogeografía y los ciclos biogeoquímicos del carbono, el agua y otros nutrientes a escala global.
Visualmente, las copas de los árboles fueron las más fáciles de identificar en las imágenes de satélite, y se delinearon y anotaron manualmente 89,899 árboles individuales a lo largo de un gradiente de norte a sur. La base de datos espacial resultante incluye cada árbol detectado, el tamaño de su copa, la precipitación media anual, el uso de la tierra y el suelo.
El equipo de Brandt detectó:
Este texto apareció originalmente en Clean Technica, puedes ver el original en inglés aquí.
Suscríbete a nuestro boletín
Lo más importante en tu buzón cada semana
![Impacto ambiental de las compras en línea]({"jaw_blog-16_9-small":{"file":"https:\/\/futuroverdecdn.sfo2.cdn.digitaloceanspaces.com\/wp-content\/uploads\/2024\/11\/compras-en-linea-170x95.jpg","width":170},"jaw_blog-16_9-middle":{"file":"https:\/\/futuroverdecdn.sfo2.cdn.digitaloceanspaces.com\/wp-content\/uploads\/2024\/11\/compras-en-linea-270x152.jpg","width":270},"jaw_blog-16_9":{"file":"https:\/\/futuroverdecdn.sfo2.cdn.digitaloceanspaces.com\/wp-content\/uploads\/2024\/11\/compras-en-linea-475x267.jpg","width":475},"jaw_blog-16_9-big":{"file":"https:\/\/futuroverdecdn.sfo2.cdn.digitaloceanspaces.com\/wp-content\/uploads\/2024\/11\/compras-en-linea-800x494.jpg","width":800}})
