Ученые разработали инструмент на основе машинного обучения, который помогает оценивать состояние лесов по спутниковым снимкам. В отличие от многих аналогов, новая система не просто выдает результат, но и показывает, где прогноз можно считать надежным, а где данные лучше перепроверить на земле.
Исследование поддержано грантом Российского научного фонда. Его результаты опубликованы в журнале Scientific Reports.
Зачем считать углерод в лесах
Леса накапливают большие объемы углерода: деревья поглощают углекислый газ из воздуха и превращают его в органические вещества и кислород. Поэтому состояние лесов напрямую связано с климатическими прогнозами.
Чтобы понимать, сколько углекислого газа леса поглощают или, наоборот, могут выделять при неблагоприятных условиях, важно знать породы деревьев, их возраст, высоту, объем древесины и запас углерода.
Раньше такие данные часто собирали наземными методами. Это трудоемко и не позволяет быстро охватить большие территории. Спутниковые снимки помогают расширить масштаб наблюдений, но обычные модели не всегда показывают, насколько точен их прогноз.
Сахалин стал площадкой для тестирования
Разработку проверили на лесах Корсаковского, Невельского и Холмского районов Сахалинской области. Эти территории отличаются высоким биоразнообразием и сложной структурой леса.
Ученые использовали наземные данные лесничеств, спутниковые снимки Sentinel-2 и топографическую карту местности. Спутниковые изображения разбили на небольшие участки и сопоставили их характеристики с реальными измерениями на земле.
На основе этих данных исследователи обучили алгоритмы определять породы деревьев, их возраст, высоту, запасы древесины и углерода.
ИИ не просто отвечает, а признает, где может ошибиться
Главная особенность разработки: оценка достоверности прогноза. Модель выдает не одну цифру, а диапазон возможных значений с заданной точностью.
"Простыми словами, модель выдает не одну цифру, а диапазон, который соответствует определенной точности, например 90%. Более того, этот интервал меняется в зависимости от сложности местности: на неоднородных, смешанных участках леса погрешность увеличивается, и алгоритм показывает ее", — рассказала руководитель исследовательской группы Центра ИИ Сколтеха Светлана Илларионова.
По ее словам, это важное свойство доверительного искусственного интеллекта: он не только дает ответ, но и честно оценивает собственные ошибки.
Насколько точным оказался алгоритм
Лучше всего среди протестированных моделей показал себя алгоритм XGBoost. Вид деревьев он определял с точностью 83%, а возраст — с точностью 70%.
При оценке запасов древесины и углерода точность оказалась ниже — 53–63%. Ученые связывают это со сложной структурой смешанных сахалинских лесов и упрощениями в формулах, которые применяются для расчета запасов углерода.
Где это может пригодиться
Новый инструмент может использоваться для мониторинга лесных ресурсов, оценки влияния изменения климата на конкретные лесные территории и принятия решений в лесном хозяйстве.
В дальнейшем исследователи планируют масштабировать решение и повысить его устойчивость для разных типов лесных экосистем, особенно там, где леса отличаются высоким разнообразием.
