美国宇航局使用强大的超级计算机和AI来映射地球的树木，在西非旱地中发现数十亿的树木

国际空间站（ISS）的宇航员乘坐这个倾斜照片，展示了几内亚比绍的大部分非洲国家，以及邻近的几内亚，冈比亚和塞内加尔，以及毛里塔尼亚的南部。这种场景从绿色森林植被和大西洋海岸的湿气候延伸到撒哈拉沙漠的几乎植被的景观。

来自Nasa的Gengbelt，马里兰州和国际合作者的科学家们在格林贝尔和国际合作者中展示了一种新的方法，用于绘制森林外面生长的树木的位置和大小，发现有数十亿的树木在干旱和半干旱地区，并为更准确的奠定基础土地上碳储存的全局测量。

使用强大的超级计算机和机器学习算法，该团队映射了皇冠直径 - 从上上方观看的树宽度 - 超过18亿树木，面积超过500,000平方英里，或1,300,000平方公里。该团队根据降雨和土地使用绘制了树冠直径，覆盖率和密度如何变化。

该团队表示，在这种细节水平的细节中映射非林木，需要数月或多年的时间，而该团队表示，这项研究的几个星期相比。使用非常高分辨率的图像和强大的人工智能代表了用于映射和测量这些树木的技术突破。本研究旨在成为一系列论文中的第一个，其目标不仅要在广泛的领域映射非林木，而且还要计算他们存储多少碳 - 理解地球碳循环的重要信息以及如何随着时间的推移正在变化。

来自美国宇航局的戈德轿车的科学家在马里兰州和国际合作者中展示了一种新的方法，用于绘制森林外面生长的树木的位置和大小，发现了半干旱地区的令人惊讶的大量树木，并为更准确的奠定基础土地上碳储存的全局测量。

碳是地球上所有生命的主要建筑块之一，这种元素通过碳循环在土地，大气和海洋之间循环。一些自然过程和人类活动将碳释放到大气中，而其他工艺将其从大气中抽出并将其存放在陆地或海洋中。树木和其他绿色植被是碳的“水槽”，这意味着它们使用碳来增长，并将其储存在其树干，分支机构，叶子和根部的大气中。人类活动，如燃烧的树木和化石燃料或清除森林土地，释放到大气中作为二氧化碳的碳，以及大气二氧化碳的上升浓度是气候变化的主要原因。

康顿·塔克（Nasa Goddard）高级生物学科学家康普顿Tucker表示，努力减轻气候变化和其他环境威胁的卫生专家有针对性的蔑视森林策划，但这些努力并不总是包括在森林外，在纳斯卡戈达德的高级生物学科学家。这些树木不仅可以是重要的碳汇，而且还有助于附近人类，动物和植物种群的生态系统和经济。然而，研究树木“碳含量的许多目前的方法仅包括森林，而不是孤立或小簇生长的树木。

该团队专注于西非的旱地地区，包括撒哈拉沙漠的干旱南侧，通过半干旱萨赫尔区和潮湿的亚热带延伸。通过研究各种各样的景观从少数树木到几乎是森林的条件，团队培训了他们的计算算法，以识别穿越佩戴地形类型的树木，从北方的沙漠到南部的树木大草原。

Tucker和他的美国宇航局同事与国际团队一起使用来自DigitalGlobe的商业卫星图像，这是足够高的，以挑选唯一的树木并测量它们的冠尺寸。图像来自商用Quickbird-2，Geoeye-1，WorldView-2和WorldView-3卫星。该团队专注于旱地地区 - 每年从植物蒸发的地区，包括撒哈拉沙漠的干旱南侧的地区，这些地区横穿了半干旱的萨赫尔区，并进入了西非的潮湿次热带地区。通过研究各种各样的景观从少数树木到几乎是森林的条件，团队培训了他们的计算算法，以识别穿越佩戴地形类型的树木，从北方的沙漠到南部的树木大草原。

学习工作

该团队在伊利诺伊州伊利诺伊州大学（“深深学习”）之一，该团队称为全球最快的超级计算机之一的全卷积神经网络（“深度学习”）。该团队通过手动标记各种地形的近90,000棵辛辛树，然后允许它“学习”哪个形状和阴影指出了树木的存在。

哥本哈根大学和研究领先作者的地理助理教授Martin Brand表示，编码培训数据的过程花费了超过一年。Brandt自己标志着所有89,899棵树，并帮助监督培训并运行模型。不来梅大学的Ankit Kariryaa领导了深入学习计算机处理的发展。

“在一公里的地形中，说这是一个沙漠，多次没有树木，但程序想要找到一棵树，”布兰特说。“它会找到一块石头，并认为这是一棵树。进一步南方，它将找到看起来像树木的房屋。它听起来很容易，你想 - 有一棵树，为什么模特不应该知道这是一棵树？但挑战具有这种细节。有更多细节，越大的挑战。“

在该领域建立准确的树木数为研究人员，政策制定者和保护主义者提供了重要信息。此外，测量如何通过降雨量和密度随着降雨而变化 - 具有较湿度和更多的人口稠密地区，支持越来越大的树木 - 为地下省的节省工作提供重要数据。

可视化从全球范围开始，然后推动以显示研究区域。为了说明这是一个干燥的区域，利用1982 - 2017年的年降雨平均值显示了气候区，包括：超干旱（0-150毫米降雨/年），干旱（150-300毫米/年），半 - arid（300-600 mm /年），潜水（600-1000毫米/年）。然后，我们将塞内加尔的半干旱地区放大到我们可以看到辛苦树的一点。可视化下次示出了树木的高分辨率图像的区域，然后覆盖机器学习的结果，其填充了每棵树的树冠的区域。然后计算树木。树木的区域也使用树冠区域总共。然后，我们缩小了解整个研究区域和总树数和区域。

“不仅有着重要的生态过程，不仅在里面，而且森林外，杰西·戈达德的程序员杰西·戈达德（Nasa Loddard），他们领导了蓝色水域的加工。“对于保存，恢复，气候变化和其他目的，这些目的是建立基线非常重要。在一两年或十年中，可以使用新数据重复该研究，并与今天的数据相比，看看是否努力振兴和减少森林砍伐是有效的。它具有相当实际的影响。“

通过将其与来自该区域的手动编码的数据和现场数据进行比较来衡量程序的准确性之后，该团队在整个研究区域中运行了该程序。神经网络确定了超过18亿树的树木 - 令人惊讶的地区令人惊讶的数字，通常假设支持小植被，说迈耶和塔克。

“该系列中的未来论文将在计数树木的基础上建立，延长所研究的区域，看看碳含量的看法，”Tucker说。NASA任务如全球生态系统动力学调查任务，或GEDI和ICESAT-2，或ICE，云和陆海拔卫星-2已经收集了用于测量森林高度和生物量的数据。将来，将这些数据来源与人工智能的力量相结合，可以开辟新的研究可能性。

“我们的目标是看看孤立的树木在世界上的巨大干旱和半干旱部分中有多少碳，”Tucker说。“那我们需要了解驱动干旱和半干旱地区碳储存的机制。也许通过在大气中从大气中取出更多的二氧化碳，可以利用这些信息来储存更多的碳。“

“从碳循环的角度来看，就在那里的树木和碳的密度而言，这些干燥区域没有很好的映射，”Brandt说。“这是地图上的白色区域。这些干燥区域基本上掩盖。这是因为正常的卫星只是看不到树木 - 他们看到森林，但如果树被孤立，他们看不到它。现在我们正在填补地图上填补这些白色斑点的路。这非常令人兴奋。“

参考：“西非撒哈拉和萨赫尔的意外大量的树木”由Martin Brandt，Compton J. Tucker，Ankit Kariryaa，Kjeld Rasmussen，Christin Abel，Jennifer Small，Jerome Chave，Laura Vang Rasmussen，Pierre Hiernaux，Abdoul Aziz Diouf， Laurent Kergoat，Ole Mertz，Christian Igel，Fabanian Gieseke，JohannesSchöning，Sizhuo Li，Katherine Melocik，Jesse Meyer，Scott Sinno，Eric Romero，Erin Glennie，Amandine Montagu，Morgane Dendoncker和Rasmus Fensholt，10月14日，自然：
10.1038 / S41586-020-2824-5