Исследователи разработали модель машинного обучения для улучшения оценок запасов углерода в Амазонии

Коллаборация под руководством исследователя из Лесного колледжа Университета штата Орегон использовала спутниковые снимки сверхвысокого разрешения для создания модели машинного обучения, призванной помочь климатологам точнее оценивать запасы надземного углерода в Амазонии.

Результаты исследования опубликованы в журнале Carbon Balance and Management. Амазонка, занимающая более 2.5 млн квадратных миль в Южной Америке, является крупнейшим тропическим лесом мира. Такие леса играют огромную экологическую роль для планеты, несмотря на то, что покрывают менее 10% суши. Более половины всего углерода, хранящегося в надземной биомассе, сосредоточено в тропических дождевых лесах, которые также являются домом для более чем 60% всех наземных видов. Вторичные и деградировавшие леса теперь занимают большую площадь, чем нетронутые, но полная степень деградации тропических лесов до конца не известна.

«Тропические леса критически важны для глобального углеродного бюджета, а деградация лесов из-за пожаров и выборочных рубок широко распространена в Амазонии, — сказала геопространственный учёный OSU Экена Ранжел Пинаже, руководившая исследованием. — Более того, существует большая неопределённость в классификации земного покрова — какие участки были вырублены, какие сгорели, какие являются нетронутым лесом, какие — вторичным ростом и т.д.».

Исследователи использовали коммерческие спутники, генерирующие снимки сверхвысокого разрешения (VHR) с размером пикселя около 3 квадратных метров. Для сравнения, разрешение снимков Landsat (совместный проект NASA и USGS) составляет 30 квадратных метров. Также применялись лазерные датчики на самолёте для оценки потерь углерода при деградации лесов.

Учёные работали на трёх участках в бразильской Амазонии. Комбинируя данные VHR и лидарные данные, они смогли связать изменения запасов надземного углерода с конкретными типами деградации и определить, сколько CO₂ попало в атмосферу в результате рубок или пожаров.

«Наш метод машинного обучения смог отличить деградировавшие леса от нетронутых в 86% случаев, — сообщила Ранжел Пинаже. — Иногда он путал вырубленные леса с нетронутыми, но очень хорошо идентифицирует выгоревшие участки». Учёт неопределённостей, присущих классификации деградации и соответствующим изменениям запасов углерода, привёл к снижению оценок средней углеродной плотности на двух из трёх тестовых участков на величину до 6.5%. Это означает, что более ранние оценки, не учитывавшие неопределённости, могли быть излишне оптимистичными.

Исследование также показало, что вырубленные леса содержат почти столько же углерода, что и нетронутые, а пожар может сократить его количество на лесной территории до 35%. «Наши выводы указывают на то, что при оценке изменений биомассы из-за деградации лесов необходимо учитывать неопределённость, присущую классификации деградации», — подчеркнула Ранжел Пинаже.