Mappare il potenziale globale dei progetti di riforestazione naturale

Mapping the global potential of natural reforestation projects

utilizzando osservazioni sul campo, telerilevamento e apprendimento automatico

Di Stephen Klosterman e il team scientifico di Earthshot. Contenuto originariamente presentato alla riunione autunnale dell’American Geophysical Union, nel dicembre 2022.

Introduzione

I progetti di ripristino ecologico spesso richiedono investimenti per avviare le attività. Al fine di creare opportunità finanziarie per la crescita delle foreste e i progetti di conservazione del carbonio, è necessario essere in grado di prevedere l’accumulo, o l’emissione evitata nel caso di deforestazione evitata, del carbonio nella biomassa legnosa. Ciò è in aggiunta alla necessità di capire i probabili cambiamenti in una vasta gamma di altre proprietà degli ecosistemi, ad esempio la composizione delle specie vegetali e animali e la qualità dell’acqua. Al fine di creare previsioni sull’accumulo di carbonio, un approccio comune è dedicare attenzione individuale e sforzo di ricerca a progetti in posizioni specifiche, che possono essere sparse in tutto il mondo. Sarebbe quindi comodo avere una mappa localmente accurata e globale dei tassi di crescita, o di altri valori di interesse, per un rapido lavoro di “prospettiva” per determinare le opportunità di ripristino degli ecosistemi. Qui descriviamo metodi per creare tale mappa, derivati da un modello di apprendimento automatico addestrato su dati da una revisione bibliografica precedentemente pubblicata. Successivamente, illustreremo l’implementazione della mappa per l’Africa in un’app di Google Earth Engine.

Dati e metodi

Abbiamo utilizzato un dataset recentemente pubblicato di misurazioni della biomassa delle formazioni forestali, delle loro età e delle relative posizioni geografiche (Cook-Patton et al. 2020) per addestrare un modello di apprendimento automatico per prevedere un parametro della comune funzione di crescita di Chapman-Richards (CR).

Dopo aver pulito i dati dai valori anomali e dalle osservazioni irrealistiche, come è stato fatto nella pubblicazione originale, siamo rimasti con circa 2000 osservazioni, mostrate qui su una mappa globale con dimensioni dei simboli proporzionali al numero di osservazioni per sito:

• Il New York Times sta valutando di intentare una causa legale contro OpenAI
• Efficiente streaming della telecamera con Python
• Atterraggio Chandrayaan 3 come l’AI e i sensori hanno aiutato l’epica avventura lunare dell’ISRO

Le osservazioni erano distribuite su 390 siti. La maggior parte dei siti (64%) aveva solo una misurazione, mentre c’era un sito che aveva 274 misurazioni.