Искусственный интеллект: модель глубокого обучения для картирования водно-болотных угодий с точностью 94%
Группа специалистов по науке о данных Chesapeake Conservancy разработала модель искусственного интеллекта на основе глубокого обучения для картирования водно-болотных угодий с точностью 94%. Этот метод, поддержанный EPRI (Институтом исследований в области электроэнергетики), Lincoln Electric System и фондом Grayce B. Kerr Fund, Inc., может иметь важное значение для защиты и сохранения водно-болотных угодий. Результаты опубликованы в рецензируемом журнале Science of the Total Environment.
Модель машинного обучения (сверточную нейронную сеть) обучили для высокоразрешающего (1 м) картирования на основе общедоступных данных с трёх территорий: округ Милл-Лакс (Миннесота), округ Кент (Делавэр) и округ Сент-Лоуренс (Нью-Йорк). Полная модель, требующая локальных обучающих данных (государственные данные по водно-болотным угодьям и Национальная инвентаризация водно-болотных угодий, NWI), показала точность 94%.
Этот подход поможет планировщикам инфраструктуры избегать водно-болотных угодий на этапе проектирования, что приведёт к экономии средств и их сохранению. Продукт модели — карта вероятности наличия водно-болотных угодий, которую можно адаптировать под нужды пользователей, минимизируя пропуск реальных объектов.
«Когда эта высокоточная модель будет масштабирована для прогнозирования на больших территориях, таких как Чесапикский залив или континентальная часть США, это изменит правила игры», — отметил ведущий специалист по науке о данных Chesapeake Conservancy доктор Кумар Майнали.
В ходе пилотного проекта в округе Ланкастер (Небраска) модель успешно справилась с устаревшими данными NWI, которые не обновлялись десятилетиями. Несмотря на обучение на старых данных, модель корректно исключила угодья, утраченные из-за застройки, и улучшила локальную точность картирования на 10%. Это демонстрирует потенциал подхода для модернизации карт водно-болотных угодий там, где это наиболее необходимо.
В качестве «предикторных» слоёв для обучения модели использовались: аэрофотоснимки USDA NAIP (1 м), спутниковые оптические снимки Sentinel-2 (10-20 м), геоморфоны на основе LiDAR и данные интенсивности LiDAR. Более простая модель, использовавшая только данные NAIP и Sentinel-2, показала точность 91,6%.