Grandi cambiamenti nella pressione umana definita come ml-HFI nel 2019 meno quella nel 2000, dove l'ombreggiatura rossa indica variazioni maggiori di 0,25 e l'ombreggiatura blu indica variazioni inferiori a -0,25. L'ombreggiatura grigia indica il ml-HFI dal 2000 per riferimento. I paesi delineati in verde stanno sperimentando aumenti sostanziali di HFI e stanno compiendo progressi verso l'SDG15. I pannelli inseriti forniscono esempi di aumento della pressione umana e le caratteristiche rilevanti utilizzate dalla CNN per identificare l'attività umana. Da sinistra a destra, ogni riquadro mostra (a sinistra) immagini GFCv1.7 dell'anno 2000, (al centro) le immagini GFCv1.7 dell'anno 2019 e (a destra) le caratteristiche più rilevanti per la CNN per la sua previsione per l'anno 2019 del ml-HFI. Le immagini GFCv1.7 sono tracciate in falsi colori poiché le sue bande spettrali sono al di fuori dello spettro visibile. Credito: Lettere di ricerca ambientale (2021). DOI:10.1088/1748-9326/abe00a
La pandemia di coronavirus ha portato i ricercatori a cambiare marcia o ad abbandonare temporaneamente i progetti a causa dei protocolli sanitari o dell'impossibilità di viaggiare. Ma per Patrick Keys ed Elizabeth Barnes, marito e moglie scienziati alla Colorado State University, lo scorso anno ha portato a una collaborazione produttiva di ricerca.
Hanno collaborato con Neil Carter, professore assistente presso l'Università del Michigan, su un articolo pubblicato su Lettere di ricerca ambientale che delinea una mappa satellitare della pressione umana sulle terre di tutto il mondo.
chiavi, autore principale e ricercatore presso la School of Global Environmental Sustainability della CSU, ha affermato che il team ha utilizzato l'apprendimento automatico per produrre la mappa, che rivela dove si sono verificati bruschi cambiamenti nel paesaggio in tutto il mondo. La mappa mostra un'istantanea quasi presente degli effetti della deforestazione, estrazione, ampliare le reti stradali, urbanizzazione e aumento dell'agricoltura.
"La mappa che abbiamo sviluppato può aiutare le persone a comprendere importanti sfide nella conservazione della biodiversità e nella sostenibilità in generale, " disse Chiavi.
L'anno della pandemia ha offerto un'opportunità a Patrick Keys ed Elizabeth Barnes, marito e moglie scienziati alla Colorado State University, collaborare a nuove ricerche. Credito:Joe Mendoza / CSU Photography
Questo tipo di mappa potrebbe essere utilizzato per monitorare i progressi verso l'obiettivo 15 di sviluppo sostenibile delle Nazioni Unite (SDG15), "Vita sulla Terra, " che mira a favorire lo sviluppo sostenibile conservando la biodiversità.
Otto algoritmi per racchiudere dati da tutto il mondo
Barnes, professore associato presso il Dipartimento di Scienze dell'Atmosfera della CSU, ha fatto il lavoro pesante sul lato dati del progetto.
Mentre sconcertavano i doveri genitoriali con Keys, ha scritto codice come mai prima d'ora, lavorare con trilioni di punti dati e addestrare fino a otto algoritmi separati per coprire diverse parti del mondo. Ha quindi unito gli algoritmi per fornire una classificazione senza soluzione di continuità per l'intero pianeta.
All'inizio, i due ricercatori hanno dovuto imparare a parlare la lingua di lavoro dell'altro.
"Pat inizialmente ha avuto un'idea per questa ricerca, e io dissi, "Il machine learning non funziona in questo modo, '", ha detto Barnes.
Ha quindi abbozzato i componenti con lui:L'input è qualcosa che vogliamo essere in grado di vedere dallo spazio, come un'immagine satellitare; e il risultato è una misura di ciò che gli umani stanno facendo sulla Terra. La parte centrale dell'equazione era l'apprendimento automatico.
Keys ha detto che quella che Barnes ha progettato è una rete neurale convoluzionale, che è comunemente usato per interpretare le immagini. È simile a come funziona Facebook quando il sito suggerisce di taggare gli amici in una foto.
"È come i nostri occhi e il nostro cervello, " Egli ha detto.
Nello sviluppo dell'algoritmo, hanno utilizzato i dati esistenti che classificavano gli impatti umani sul pianeta, fattori come strade ed edifici, e pascoli per il bestiame e la deforestazione. Quindi, la rete neurale convoluzionale ha imparato a interpretare accuratamente le immagini satellitari, sulla base di questi dati esistenti.
Dall'analisi di un paese, al mondo
I ricercatori hanno iniziato con l'Indonesia, un paese che ha vissuto un rapido cambiamento negli ultimi 20 anni. Entro la fine dell'estate, dopo essere stati sicuri di ciò che hanno identificato in Indonesia utilizzando l'apprendimento automatico, Keys ha suggerito di guardare l'intero globo.
"Ricordo di avergli detto che non è possibile, " disse Barnes. "Lui sa ogni volta che lo dico, Tornerò e proverò a farlo funzionare. Una settimana dopo, abbiamo capito tutto il mondo."
Barnes ha affermato che l'utilizzo dell'apprendimento automatico non è infallibile, e richiede un follow-up per garantire che i dati siano accurati.
"Il machine learning fornirà sempre una risposta, che sia spazzatura o no, " ha spiegato. "Il nostro compito come scienziati è determinare se è utile".
Keys ha trascorso molte notti su Google Earth a recensire oltre 2, 000 posti nel globo nell'anno 2000 e poi ha confrontato quei siti con il 2019. Ha notato i cambiamenti e ha confermato i dati con Barnes.
Il team di ricerca ha anche approfondito tre paesi:Guyana, Marocco e Gambia – per capire meglio cosa hanno trovato.
Nel futuro, quando sono disponibili nuovi dati satellitari, Keys ha affermato che il team può generare rapidamente una nuova mappa.
"Possiamo collegare quei dati a questa rete neurale ora addestrata e generare una nuova mappa, " ha detto. "Se lo facciamo ogni anno, avremo questi dati sequenziali che mostrano come sta cambiando la pressione umana sul paesaggio".
Keys ha detto che il progetto di ricerca ha aiutato a sollevare il morale nell'ultimo anno.
"Onestamente, Ho passato un periodo difficile durante la pandemia, " ha detto. "Guardando indietro, Ho potuto lavorare a questo progetto che è stato entusiasmante, divertimento, interesting and open-ended, and with great people. It brightened the pandemic considerably."
