通过AI管理新种植的森林和本地生物多样性  

我们的模型在超过16公顷的土地上进行了测试,识别出了13295棵种植的树木,勾画出了1541块原生森林,两者的精确度都很高。

Scion正在与遥感专家Indufor合作开发一个人工智能模型,该模型使用遥感数据来帮助管理新种植的辐射幼苗和当地的生物多样性。

它是如何工作的

Scion和Indufor一起创建了一个过程,可以将遥感数据转换为一个模型,以识别辐射幼苗和土著森林的小块。这些数据可以用来了解幼苗的成活率,同时也可以清楚地了解当地的生物多样性。

高分辨率的航空图像(5厘米)通过经过训练的深度学习模型处理,然后识别、绘制和绘制多边形周围的新种植的辐射幼苗和土著森林的小块。

新型号有许多优点。与早期的模型不同,它需要更少的数据来训练。该方法的单位面积成本也比无人机图像低得多,并已成功应用于大面积绿化土地。该团队目前正在探索在数据生成过程中使用与航空图像一起生成的3D点云的潜力。点云数据可以用来描述每个地点上确定的土著森林的生物量、高度和密度。

理解它的生物多样性

Indufor现在正在使用这种模式来帮助林务员绘制生长在他们土地上的外来物种和本土物种,他们发现这种类型的服务有很大的需求。除了协助新种植的森林监测建立辐射苗、帮助他们识别本地森林土地和如何集成在适当的景观,如看到有多大和远森林碎片和可以采取哪些步骤加入他们。

地图绘制还有助于回答有关原生森林生物多样性承载能力的关键问题,例如,现有的碎片能否支持有助于传播树木种子的原生鸟类物种?了解这一点可以帮助土地管理者了解需要哪些活动来帮助他们的土著森林区域扩大和连接。

通过机器学习识别出的土著森林。

未来

随着更多的发展,该团队希望更新模型,以确定一个林分内的土著物种混合,描绘出更丰富的生物多样性和生物量的画面。这种能力将有助于回答长期规划问题,例如,在土地上是否有高大的木质物种和灌木的良好混合?我是否需要进行捕食者控制和种植本地物种来增加现有森林的价值?

Scion项目负责人Grant Pearse博士说:“有很多人支持这个模型;它的成本效益,可扩展和准确。我们希望通过更多的开发,我们能够完成更多的工作。”

Indufor的资源监测团队负责人Pete Watt博士说:“我们很高兴能够利用这项有前景的技术,进一步探索我们如何使用它来准确地绘制各种景观中的种植森林和原生森林。”

无论是本土森林还是外来森林,都对新西兰长期应对气候变化至关重要,而这项技术可以在确保这些努力取得成功方面发挥作用。

欲了解更多关于机器学习工作的信息,请联系我们

格兰特海胆


<前一篇文章|内容|下一篇文章>