muestra 4.352.930 predicciones de árboles para siete especies en tres escalas espaciales del Bosque Experimental Bartlett, New Hampshire (BART). Crédito: Weinstein BG, et al., 2024, Más biologíaCC-BY 4.0 (creativecommons.org/licenses/by/4.0/)
Un equipo colaborativo de investigadores dirigido por Ben Weinstein de la Universidad de Florida, Oregón, EE. UU., utilizó el aprendizaje automático para crear mapas muy detallados de 100 millones de árboles individuales de 24 sitios en todo EE. UU. y publicó sus hallazgos abiertamente el 16 de julio. Diario de acceso Más biología. Estos mapas proporcionan información sobre especies y condiciones de árboles individuales, lo que ayuda enormemente a los esfuerzos de conservación y otros proyectos ambientales.
Los ecologistas llevan mucho tiempo recopilando datos sobre especies de árboles para comprender mejor los ecosistemas únicos de los bosques. Históricamente, esto se ha hecho mediante el estudio de pequeñas parcelas y la extrapolación de esos hallazgos, aunque esto no puede explicar la variación en todo el bosque. Otros métodos pueden cubrir grandes áreas, pero a menudo tienen dificultades para clasificar árboles individuales.
Para crear mapas forestales más grandes y detallados, los investigadores entrenaron un algoritmo de aprendizaje automático llamado red neuronal profunda utilizando imágenes de la copa de los árboles y otros datos de sensores tomados de la aeronave. Estos datos de entrenamiento consistieron en 40.000 árboles individuales y, como todos los datos utilizados en este estudio, fueron proporcionados por la Red Nacional de Observatorios Ambientales.
La red neuronal profunda pudo clasificar las especies de árboles más comunes con una precisión del 75 al 85%. Además, el algoritmo también proporciona otros análisis importantes, como informar qué árboles están vivos o muertos.
Los investigadores descubrieron que la red neuronal profunda tenía la mayor precisión en áreas con más espacio abierto en la copa de los árboles y funcionaba mejor al clasificar especies de árboles coníferos como pinos, cedros y secuoyas.
La red funciona mejor en áreas con baja diversidad de especies. Comprender las capacidades del algoritmo es útil para aplicar estos métodos en diferentes ecosistemas forestales.
Los investigadores subieron las predicciones de sus modelos a Google Earth Engine para que sus hallazgos pudieran ayudar en otras investigaciones ambientales. Los investigadores dicen: «La diversidad de conjuntos de datos superpuestos promueve áreas más ricas de comprensión de la ecología forestal y el funcionamiento de los ecosistemas».
Los autores añaden: «Nuestro objetivo es proporcionar a los investigadores los primeros mapas a gran escala de la diversidad de especies de árboles de los ecosistemas de todo Estados Unidos. Estos mapas de árboles del dosel se pueden actualizar con nuevos datos recopilados en cada sitio. Al colaborar con investigadores de NEON sitios, podemos construir predicciones cada vez mejores con el tiempo».
Más información:
Weinstein BG, Marconi S, Jarre A, Bolman SA, Singh A, Graves SJ, et al. (2024) Mapas de especies de árboles de dosel individuales para la Red de Observatorios Ecológicos Nacionales, Biología PLoS (2024) DOI: 10.1371/journal.pbio.3002700
Proporcionado por la Biblioteca Pública de Ciencias
referencia: Los científicos utilizan el aprendizaje automático para predecir la diversidad de especies de árboles en los bosques (2024, 16 de julio) Consultado el 17 de julio de 2024 en https://phys.org/news/2024-07-scientists-machine-diversity-tree-species.html
Este documento está sujeto a derechos de autor. Ninguna parte puede reproducirse sin permiso por escrito, excepto en cualquier trato justo con fines de estudio o investigación privados. El contenido se proporciona únicamente con fines informativos.
