NASA通过深度学习和卫星图像捕获99亿棵树木的封存碳

一个由NASA领导的研究小组使用卫星图像和人工智能方法将数十亿个离散树冠绘制成 50 厘米的比例。这些图像涵盖了从大西洋到红海的大片干旱北非。基于先前树木采样的异速生长方程允许研究人员将图像转换为对树木木材、树叶、根系大小和碳封存的估计。

发表在《自然》杂志上的宇航局新估计出奇地低。虽然对一个地区碳储量的典型估计可能依赖于对小区域的计数并向上推断结果，但宇航局展示的技术只计算实际存在的树木，直至单棵树。Jules Bayala 和 Meine van Noordwijk 在同一期刊上发表了一篇评论 NASA 团队工作的新闻与观点文章。

在以前的模型通常以零值表示的区域中，最初期望对每棵散落的树木进行计数，但由于早期评估的其他区域的大量高估而被抹杀。在以前使用卫星的尝试中，农田和地面植被对光学图像产生了不利影响。如果使用雷达，地形、湿地和灌溉区会影响雷达后向散射，预测碳储量高于宇航局目前的估计。

基于深度学习的映射

研究人员将基于深度学习的树木制图应用于约 90,000 棵树木的手动训练，并将其应用于近 300,000 幅卫星图像的数据集，以测量超过 99 亿种显示阴影和树冠面积大于 3 平方米的木本植物。只选择显示明显树冠区域和相关阴影的特征，这使团队能够排除小灌木、草丛、岩石和其他误导性特征。

成像区域相互关联以反映四个降雨区;超干旱、干旱、半干旱和半湿润干燥——因为降雨会影响碳的吸收和储存。虽然叶子仅占总干质量的 3%，但它被用作间接测量来量化总质量。根质量的比例平均为总质量的 15-20%，并且也是基于叶子得出的。

想要以交互式浏览器格式可视化大型树映射数据集?研究人员也这样做了，因此他们创建了一个漂亮的查看器供使用，并已在此处公开提供。

追踪碳封存有效性的能力可能在应对气候变化方面具有全球意义。重新造林是世界各国致力于抵消其碳足迹的主要方法。

然而，这些承诺的实用性已经受到与墨尔本大学跨学科气候研究计划合作的 20 名研究人员团队的审查。他们将这些义务加起来，发现需要在近 12 亿公顷的土地上植树，这比欧洲或的面积还大，大致相当于全球目前用于种植作物的土地面积。