Репортаж от Wedoany，Применение экологического ИИ в мониторинге лесов всё больше зависит от создания высококачественных наборов данных, а не только от совершенствования алгоритмов. Исходные спутниковые снимки необходимо преобразовывать в данные, пригодные для ИИ, что обычно включает сбор наземных измерений, объединение данных с нескольких сенсоров и устранение несоответствий. По мере усложнения систем экологического ИИ, инженерия данных может стать более критичной для прорывов, чем оптимизация алгоритмов.
Ни один отдельный набор данных не содержит всей информации, необходимой для экологического ИИ. Спутниковые снимки обеспечивают широкий охват, но многие экологические характеристики требуют интеграции нескольких взаимодополняющих наборов данных, таких как рельеф, состав почвы, исторические погодные условия и полевые наблюдения. Такое слияние данных позволяет ИИ обнаруживать закономерности, которые трудно выявить только по спутниковым снимкам.
Инженерный научно-исследовательский центр Армии США (U.S. Army Engineer Research and Development Center, ERDC) совместно с Лесной службой США (U.S. Forest Service) недавно объединили один из крупнейших в мире наборов полевых измерений со спутниковыми наблюдениями. Более 355 000 фактически измеренных лесных пробных площадей по всей территории США интегрируются с примерно 17 триллионами 30-метровых спутниковых пикселей, а также климатическими, топографическими, почвенными и другими экологическими данными. Цель состоит в том, чтобы модели ИИ могли оценивать характеристики, такие как породы деревьев, диаметр ствола, биомасса и состав леса, для районов, которые никогда не подвергались прямым обследованиям.
«Это можно представить как создание высокодетализированной 3D-карты каждого леса на Земле без посещения каждого дерева», — говорит Гейб Пауэлл (Gabe Powell), ведущий научный сотрудник-исследователь Земли по контракту. «Мы начинаем с наземных данных с сотен тысяч лесных инвентаризационных пробных площадей Лесной службы США, а затем собираем терабайты глобальных экологических данных для объяснения структуры и состава этих пробных площадей. Чтобы обеспечить работу в недоступных районах, наши глобальные объясняющие факторы поступают со спутников, включая климат, рельеф, типы почв и доступное солнечное освещение.»
По мере роста спутниковых группировок сбор изображений становится проще, но интеграция изображений с другими источниками и их проверка по данным реальных наблюдений остаются более сложной задачей. Достижения в лесном хозяйстве применяются в точном земледелии, инфраструктурном планировании, прогнозировании наводнений и лесных пожаров, углеродном учёте, мониторинге биоразнообразия и реагировании на стихийные бедствия.
