「自然再造プロジェクトのグローバルな潜在能力のマッピング」

Mapping the global potential of the Nature Reengineering Project

地上観測、リモートセンシング、および機械学習を利用する

Stephen KlostermanとEarthshot Science Teamによる。内容は元々2022年12月に開催されたアメリカ地球物理学連合の秋の会議で発表されました。

はじめに

生態学的な復元プロジェクトでは、活動を開始するための投資が必要となります。森林の成長や保全プロジェクトにおける炭素金融の機会を創出するためには、木質バイオマスにおける炭素の蓄積、または森林伐採の防止による回避された排出を予測できることが必要です。これに加えて、植物や動物の種組成や水質など、他の多くの生態系の特性の変化を理解することも求められます。炭素蓄積の予測を作成するためには、通常は個別の場所のプロジェクトに個別の注意と研究努力を注ぐという方法が一般的ですが、これらの場所は世界中に散在している場合があります。そのため、生態系の復元の機会を迅速に「探し出す」作業のために、地理的に正確でグローバルな成長率や他の興味のあるパラメータ値の地図があれば便利です。ここでは、先行の文献レビューから得られたデータを用いてトレーニングされた機械学習モデルによってそのような地図を作成する方法を説明します。そして、Google Earth Engineアプリでアフリカの地図の実装をデモンストレーションします。

データと方法

私たちは最近公開された森林の立木バイオマス測定データセット、年齢、および地理的位置(Cook-Patton et al. 2020)を使用して、一般的に使用されるChapman-Richards(CR)成長関数のパラメータを予測するための機械学習モデルをトレーニングしました。

元の出版物と同様に、外れ値や非現実的な観測値をクリーニングした後、約2000の観測値が残りました。以下のグローバルマップでは、各サイトごとの観測数に比例したシンボルサイズで表示されています。

Global distribution of site-based data; symbol size proportional to number of measurements per site. Image by the author.

これらの観測値は390のサイトに分散しています。ほとんどのサイト(64%)は1つの観測値しか持っていませんが、274の観測値を持つサイトもあります。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

AIニュース

「Googleのジェミニを使い始める方法はこちらです!」

GoogleのGemini AIで会話型AIの未来を体験してみましょう。このモデルは、理解、要約、推論、コーディング、計画において、他...

データサイエンス

「DINO — コンピュータビジョンのための基盤モデル」

「コンピュータビジョンにとっては、エキサイティングな10年です自然言語の分野での大成功がビジョンの領域にも移されており...

人工知能

「ChatGPTを利用する5人のミリオネア」

「以下は、地球上で最も成功した人々がChatGPTをどのように活用しているかの方法です」

機械学習

「イノベーションと持続可能性のバランス:病理学における環境責任に対する現実的なアプローチ」

この研究は、病理学における重大な懸念である深層学習の炭素排出量(CO2eq)に焦点を当てています。この環境への影響は、医療応...

データサイエンス

埋め込みとベクトルデータベース 実践的なガイド!

生成AIは急速に進化し、テクノロジーやデータ管理の景観を根本的に変えているベクターデータベースの世界へようこそ

人工知能

ファッションにおけるGenAI | Segmind Stable Diffusion XL 1.0アプローチ

イントロダクション ファッション業界も例外ではなく、消費者の変化する好みに合わせて革新の最前線に留まる方法を模索してき...