Een samenwerkend team van onderzoekers onder leiding van Ben Weinstein van de Universiteit van Florida, Oregon, VS, gebruikte machinaal leren om zeer gedetailleerde kaarten te genereren van meer dan 100 miljoen individuele bomen uit 24 locaties in de VS, en publiceerde hun bevindingen op 16 juli in de open access tijdschrift PLOS Biologie. Deze kaarten bieden informatie over individuele boomsoorten en omstandigheden, wat enorm kan bijdragen aan natuurbehoudsinspanningen en andere ecologische projecten.
Ecologen verzamelen al lang gegevens over boomsoorten om het unieke ecosysteem van een bos beter te begrijpen. Historisch gezien werd dit gedaan door kleine percelen te onderzoeken en deze bevindingen te extrapoleren, hoewel dit de variabiliteit in het hele bos niet kan verklaren. Andere methoden kunnen bredere gebieden bestrijken, maar hebben vaak moeite om individuele bomen te categoriseren.
Om grote en zeer gedetailleerde boskaarten te genereren, trainden de onderzoekers een soort machine learning-algoritme, een diep neuraal netwerk genaamd, met behulp van afbeeldingen van het bladerdak en andere sensorgegevens die per vliegtuig zijn genomen. Deze trainingsgegevens hadden betrekking op 40.000 individuele bomen en werden, net als alle gegevens die in dit onderzoek werden gebruikt, verstrekt door het National Ecological Observatory Network.
Het diepe neurale netwerk kon de meest voorkomende boomsoorten classificeren met een nauwkeurigheid van 75 tot 85 procent. Daarnaast zou het algoritme ook andere belangrijke analyses kunnen opleveren, zoals het rapporteren welke bomen levend of dood zijn.
De onderzoekers ontdekten dat het diepe neurale netwerk de hoogste nauwkeurigheid had in gebieden met meer open ruimte in het bladerdak en het beste presteerde bij het categoriseren van naaldboomsoorten, zoals dennen, ceders en sequoia’s. Het netwerk presteerde ook het beste in gebieden met een lagere soortendiversiteit. Het begrijpen van de sterke punten van het algoritme kan nuttig zijn voor het toepassen van deze methoden in verschillende bosecosystemen.
De onderzoekers hebben de voorspellingen van hun modellen ook geüpload naar Google Earth Engine, zodat hun bevindingen ander ecologisch onderzoek kunnen ondersteunen. De onderzoekers voegen hieraan toe: “De diversiteit van overlappende datasets zal een rijker inzicht in de bosecologie en het functioneren van ecosystemen bevorderen.”
De auteurs voegen hieraan toe: “Ons doel is om onderzoekers te voorzien van de eerste grootschalige kaarten van de diversiteit van boomsoorten uit ecosystemen in de Verenigde Staten. Deze bladerdakboomkaarten kunnen worden bijgewerkt met nieuwe gegevens die op elke locatie zijn verzameld. Door samen te werken met onderzoekers op NEON-sites kunnen we in de loop van de tijd steeds betere voorspellingen doen.”
Link: http://journals.plos.org/plosbiology/article?id=10.1371/journal.pbio.3002700