Okuma 4.9 dkKategoriler: AI, Çeviri, Michelle Horton

ETH Zürih’te yer alan EcoVision Laboratuvarı araştırmacıları, interaktif Global Canopy Height haritası (Küresel Kanopi Yükseklik) üzerinde çalışıyorlar. Bu çalışma doğrultusunda oluşturdukları derin öğrenme algoritması, kamuya açık uydu görüntülerini işleyerek ekosistem bozulmalarını ve ormansızlaşma alanlarını belirleyebiliyor. Araştırmanın farklı bir hedefi ise birincil karbon depolama alanlarının haritasını çıkararak sürdürülebilir orman yönetimini kolaylaştırmak.

ETH Zürih İnşaat, Çevre ve Geomatik Mühendisliği Bölümü Profesörü Konrad Schindler, “karasal ekosistemlerin sürdürülebilir yönetimi, iklim değişikliğinin zararlarının azaltılması ve biyolojik çeşitlilik takibi için bitki örtüsü özelliklerinin yüksek çözünürlüklü verilerini kullanırız. Araştırmamız kapsamında iki uzay görevinden aldığımız verileri, derin öğrenme algoritmaları yardımıyla birleştirerek eksik veri boşluklarını doldurmayı hedefliyoruz” dedi.

Yağmur ormanlarından boreal ormanlık alanlara (Tayga ormanları da denir, sert karasal iklimlerde görülen orman çeşididir) kadar, ormanlar her yıl 2 milyar tona kadar karbondioksiti emerek sera etkisinin hafifletilmesini önemli bir rol oynarlar. Ağacın gövdesi, kabuğu veya dalları gibi tüm kısımlarını içeren yer üstü biyokütle, bir ormanın depolayabileceğini karbon miktarına etkisi vardır.

Ağaç yüksekliği genellikle bölge biyokütlesinin bir göstergesidir. Yani ağaç yüksekliğinin daha kesin şekilde belirlenmesi, doğruluğu yüksek karbon tutma verilerine ve iklim modellemelerine yardımcı olabilir. Buradan elde edilen veriler aynı zamanda ormanlık alanın korunması, restorasyonu ve yeniden ağaçlanma ihtiyacı olan bölgeleri belirleyerek sürdürülebilir orman yönetimine yardımcı olmuş olur.

Günümüze kadar orman izleme projeleri için uzaktan algılama içeren bir çok AI destekli çalışma yapıldı fakat bu çalışmalar küçük alanlarda çalıştığı ve çok büyük miktarda veri içerdikleri için hesaplama problemleri yaşandı. Bu çalışmalar doğrultusunda oluşturulan modeller de 30 metrenin üzerindeki yükseklikleri ölçmekte başarısız olduğu için sağlıklı ön görüler oluşturulamamıştı.

Sadece birkaç güncel çalışma, uzaydan bitki örtüsünü incelemek için uydulardan yararlanıyor. Bu çalışmalardan bir tanesi olan NASA’nın yürüttüğü Küresel Ekosistem Dinamikleri Araştırması (GEDI), uzayda yer alan ve lazer tarayıcı kullanarak dünyadaki orman ekosistemlerini izliyor. Fakat bu araştırma projesi bile sadece küresel kara kütlesinin %4’ünden daha azını inceleyebiliyor.

Copernicus Sentinel-2 uyduları, bütün dünyayı 5 günde bir piksel başına 10×10 metre olacak şekilde görüntülerini yakalar. Fakat bitki örtüsünün sadece kuşbakışı olarak görüntüler, yüksekliklerini ölçmez.

İlk küresel çapta bitki örtüsü yükseklik haritasını oluşturmak isteyen araştırmacılar, bahsedilen uzaktan algılama görevlerinden elde edilen verileri kullanarak derin öğrenme modelleri geliştirdiler ve daha sonra veriyi eğiterek çalıştırmaya başladılar. Ekip, GEDI verilerinden kanopi üst yüksekliği üzerinde evrişimli sinir ağlarından (CNN) oluşan bir model eğitti. Bu algoritma, 600 milyon GEDI ayak izinden (footprints) oluşan bir veri setini ve bu verilere karşılık gelen Sentinel-2 görüntülerini kullanıyor. Bu sayede de spektral ve dokusal görüntü modellerinden kanopi yükseklik ölçümleri yapmayı öğreniyor.

Şekil 1. GEDI LIDAR’dan seyrek denetimli model eğitim sürecinin gösterimi. CNN, yoğun kanopi üst yüksekliğini ve belirsizliğini (varyansı) tahmin etmek için bir girdi olarak Sentinel-2 görüntüsünü alır ve coğrafi koordinatları kodlar.

Modeller, 250,000’den fazla görüntüyü otomatik olarak işler ve yerden 10 metre örnekleme yüksekliğinde interaktif harita için canopy height verisini tahmin eder. NVIDIA RTX 2080 GPU’larından oluşan bir yüksek performanslı hesaplama kümesi, bütün dünya için tahmin yapması yaklaşık 10 gün sürer. Schindler, ETH Zurich’in yüksek başarımlı hesaplama sistemi olan Euler’in 1500 tane ekran kartından oluştuğunu söylüyor.

Veri belirsizliğini modelleyerek ve ayrı ayrı eğitilimiş beş CNN’den oluşan bir ağ topluluğu kullanarak modeller, derin öğrenme algoritmalarında çok sık karşılaşılmayan bir şeffaflık (transparency) düzeyine sahipler. Araştırmacıların bilgiye dayalı olarak karar vermesine yardımcı olması için her bir piksel için tahmini belirsizlik ölçülür.

Araştırmacılar, Oregon Sahil Sıradağları ve Borneo’daki Ulu Temburong Ulusal Parkı gibi korunan alanların genellikle daha yüksek bitki örtüsü içerdiğini buldu. 30 metreden uzun kanopilerin yaklaşık %34’ü bu alanlarda büyür.

Şekil 2. Yoğun bir kanopi yükseklik haritası, korunan alanların (solda) Devil’s Staircase Wilderness, Oregon ve (sağda) Ulu Temburong Ulusal Parkı, Borneo’nun mekansal modellerini ortaya koyuyor.

Araştırmada oluşturulan model, kanopi yüksekliğinin zamana bağlı değişimini izlemek için yıllık olarak çalıştırabilir. Araştırmacılar haritanın sadece bitki örtüsünü izlemekle kalmayacağını, orman yangınlarından sonra bölgenin daha doğru bir hasar haritasını çıkarabileceğini de söylüyorlar.

EcoVision laboratuvarı, yazdıkları kodu yakında herkesin kullanımına sunmayı planlıyor.

Yazının kaynağına buradan ulaşabilirsiniz.

Yayınlanan makaleye buradan ulaşabilirsiniz.

OPENZEKA HABERLERİ

Abone olmak ister misiniz?

Hemen ilgilendiğiniz alanları seçerek bültenimizden haberdar olabilirsiniz.

OPENZEKA HABERLERİ

Abone olmak ister misiniz?

Hemen ilgilendiğiniz alanları seçerek bültenimizden haberdar olabilirsiniz.

Hesaplarınızda paylaşmak ister misiniz?

İlgili Yazılar