Razlikovanje prirodnih šuma od ostalih drvenih pokrivača s AI za…

13. studenoga 2025. – Maks Neumann, istraživački inženjer, Google DeepMind, i Šarlot Stanton, senior programski menadžer, Google Istraživanje u ime šireg istraživačkog tima

Prirodne šume svijeta 2020. je AI-pokrećena karta koja razlikuje prirodne šume od ostalih drvenih pokrivača. Ovaj kritični bazni podatak pomaže vladama, tvrtkama i zajednicama da ispune ciljeve slobodnih od deforestacije i zaštite ekosustava.

Brzi linkovi:
– Papir
– Earth Engine katalog podataka
– Demo skripta
– Skup podataka
– Biblioteka za generiranje podataka
– Biblioteka za modeliranje

Šume su vitalne za našu planetu jer reguliraju kišne padave, umiruju poplave, pohranjuju i sekvestriraju ugljik te pomažu većini kopnenih vrsta. Iako su toliko važne, deforestacija nastavlja se uzbudljivom brzinom. Ključni izazov u konzervacijskim naporima je razlikovanje starih prirodnih ekosustava od novih šumskih nasada ili plantaža s satelitskim podacima. Većina postojećih karata jednostavno pokazuje “drveni pokrov”, osnovnu mjeru bilo kakve drvene vegetacije, što dovodi do “jabuka i naranči” usporedbe. To miješa sjetvu kratkoročnog plantaža s trajnom gubitkom nezaobilazne, biodiverzitetne bogate prirodne šume.

Potreba za ovom razlikom nikada nije bila važnija zbog novih globalnih regulativa, poput Europske unije o deforestacijskim slobodnim proizvodima (EUDR). Ova regulativa obuhvaća proizvode poput kave, kakaoa, gume, drva i palminog ulja koji se prodaju u EU i ne smiju dolaziti s zemljišta koja je deforestirana ili degradirana nakon 31. prosinca 2020. Cilj je zaštita prirodnih šuma, poput primarnih i prirodno regenerirajućih šuma. Ova politika stvara potrebu za pouzdanim, visokim razlučivostima i globalno konzistentnim kartama prirodnih šuma kako su postojale 2020. godine. Zaštita tih šuma također je središnji stupac COP30, koji priznaje njihovu ključnu ulogu u stabilnosti klime i ljudskom blagostanju.

Gemini generirana slika prikazuju prirodnu šumu (lijevo) graničnu s nasadom (desno). Globalni satelitski modeli teže razlikovati ih, komplicirajući napore zaštite biodiverzitetnijih prirodnih šuma. U naporu da pomognemo ispuniti ovu potrebu, zajedno s Google DeepMind, objavljujemo Prirodne šume svijeta 2020, novu kartu i skup podataka, objavljen u Nature Scientific Data. Ovaj projekt potiče iz suradnje s Institutom za svjetska resursa i Međunarodnim institutom za primijenjenu sustavsku analizu, te pruža kritični bazni podatak za praćenje deforestacije i degradacije. To je prva globalno konzistentna karta s razlučivosti od 10 metara koja razlikuje prirodne šume od ostalih drvenih pokrivača i postiže najbolju točnost od 92,2% kada se provjerava protiv globalnog neovisnog skupa podataka.

Nadamo se da će ovaj javno dostupan bazni podatak pomoći tvrtkama da provode due diligence, podrži vlade u praćenju deforestacije i osnaži konzervacijske grupe da usmjere svoje napore na zaštitu onoga što je najvažnije.

Kako AI može razlikovati šumu od drveća

Razlikovanje prirodne šume od složenog agroforestrskog sustava ili 50-godišnje nasade teško je iz jednog satelitskog snimka. Da bi to nadoknadili, razvili smo AI model koji djeluje kao šumarski stručnjak, promatrajući komad zemlje tijekom godine, segmentirajući 1280 x 1280 metarski komad i procjenjujući vjerojatnost da svaki 10 x 10 metarski piksel unutar njega bude prirodna šuma. To omogućuje modelu da donosi ocjene na temelju okružujućeg konteksta, a ne samo jednog snimka. Ovaj inovativni multi-modalni vremenski-prostorni vizualni transformator (MTSViT) model analizira sezonsku Sentinel-2 satelitsku sliku i topografske podatke (npr. visinu i nagib), kao i zemljopisne koordinate uzorka. Promatrajući satelitske slike tijekom vremena, model identificira distinktne spektralne, vremenske i teksturne potpiske (tj. podatkovne uzorke koji se koriste za prepoznavanje različitih vrsta šuma) koji razlikuju složene, prirodne šume od uniformnih, brzo rastućih komercijalnih plantaža i drugih korištenja zemljišta i pokrivača.

Da bismo izradili kartu Prirodne šume svijeta 2020, uzorkovali smo više od 1,2 milijuna globalnih 1280 x 1280 metarskih lokacija s razlučivosti 10 metara kako bismo stvorili ogroman, multi-izvorni skup podataka za treniranje. Koristili smo ove podatke za treniranje MTSViT modela da prepozna složene uzorke prirodnih šuma i drugih tipova zemljišta. Zatim smo primijenili trenirani MTSViT model na cijelu zemlju, generirajući kontinuiranu, globalno konzistentnu 10-metarsku vjerojatnosnu kartu. Da bismo strogo provjerili kartu, stvorili smo skup podataka za evaluaciju ponovnom uporabom neovisnog skupa podataka o globalnoj šumskoj upravljanju za 2015. i ažuriranjem njegovih oznaka kako bi se fokusiralo na prirodne šume za 2020. godine.

FAQ

1. Kako je AI model razlikovao prirodne šume od plantaža?

AI model koristi multi-modalni vremenski-prostorni vizualni transformator (MTSViT) koji analizira sezonsku Sentinel-2 satelitsku sliku i topografske podatke, kao i zemljopisne koordinate uzorka. Model identificira distinktne spektralne, vremenske i teksturne potpiske koji razlikuju prirodne šume od plantaža.

2. Koliko je točna karta?

Karta postiže točnost od 92,2% kada se provjerava protiv globalnog neovisnog skupa podataka.

3. Kako se karta može koristiti?

Karta se može koristiti za due diligence tvrtki, praćenje deforestacije vlade i usmjeravanje konzervacijskih napora.

4. Koje su prednosti i nedostaci korištenja AI za razlikovanje šuma?

Prednosti:
– Viša točnost u razlikovanju prirodnih šuma od plantaža.
– Globalno konzistentna karta.
– Pomaže u ispunjavanju globalnih regulativa.

Nedostaci:
– Potrebna je velika količina podataka za treniranje.
– Model može biti ograničen u područjima s malom količinom podataka.

5. Kako se karta može ažurirati?

Kartu je moguće ažurirati dodavanjem novih podataka i ponovnim treniranjem modela.

6. Koje su primjene ove karte?

Karta se može koristiti za praćenje deforestacije, zaštitu biodiverziteta, planiranje urbanog razvoja i mnoge druge primjene.

7. Kako se karta može koristiti za zaštitu šuma?

Kartu se može koristiti za identifikaciju područja koja su najvjerojatnije prirodne šume, usmjeravanje konzervacijskih napora i praćenje promjena kroz vrijeme.

8. Koje su buduće smjernice za razvoj AI modela za razlikovanje šuma?

Buduće smjernice uključuju poboljšanje modela za rad u područjima s malom količinom podataka, integraciju dodatnih podataka (npr. klimatskih podataka) i razvoj novih AI tehnologija za poboljšanje točnosti.