De grands changements dans la pression humaine définis comme le ml-HFI en 2019 moins celui de 2000, où l'ombrage rouge indique des changements supérieurs à 0,25 et l'ombrage bleu indique des changements inférieurs à -0,25. L'ombrage gris indique le ml-HFI de 2000 pour référence. Les pays aux contours verts connaissent des augmentations substantielles de leur HFI et progressent vers l'ODD15. Les panneaux en médaillon fournissent des exemples de pression humaine croissante et les caractéristiques pertinentes utilisées par le CNN pour identifier l'activité humaine. De gauche à droite, chaque encart montre (à gauche) des images GFCv1.7 de l'année 2000, (au milieu) les images GFCv1.7 de l'année 2019 et (à droite) les caractéristiques les plus pertinentes pour le CNN pour sa prédiction de l'année 2019 du ml-HFI. L'imagerie GFCv1.7 est tracée en fausses couleurs car ses bandes spectrales sont en dehors du spectre visible. Crédit: Lettres de recherche environnementale (2021). DOI :10.1088/1748-9326/abe00a
La pandémie de coronavirus a conduit les chercheurs à changer de vitesse ou à abandonner temporairement des projets en raison de protocoles sanitaires ou de ne pas pouvoir voyager. Mais pour Patrick Keys et Elizabeth Barnes, mari et femme scientifiques à la Colorado State University, l'année dernière a mené à une collaboration de recherche productive.
Ils ont fait équipe avec Neil Carter, professeur assistant à l'Université du Michigan, sur un article publié dans Lettres de recherche environnementale qui présente une carte satellitaire de la pression humaine sur les terres du monde entier.
Clés, auteur principal et chercheur à la School of Global Environmental Sustainability de la CSU, a déclaré que l'équipe a utilisé l'apprentissage automatique pour produire la carte, qui révèle où des changements brusques dans le paysage ont eu lieu à travers le monde. La carte montre un instantané proche des effets de la déforestation, exploitation minière, étendre les réseaux routiers, l'urbanisation et le développement de l'agriculture.
"La carte que nous avons développée peut aider les gens à comprendre les défis importants de la conservation de la biodiversité et de la durabilité en général, " dit Keys.
L'année pandémique a été l'occasion pour Patrick Keys et Elizabeth Barnes, mari et femme scientifiques à la Colorado State University, collaborer à de nouvelles recherches. Crédit :Joe Mendoza / CSU Photographie
Ce type de carte pourrait être utilisé pour suivre les progrès de l'Objectif de développement durable 15 des Nations Unies (ODD15), "La vie sur terre, " qui vise à favoriser le développement durable tout en préservant la biodiversité.
Huit algorithmes pour englober les données du monde entier
Barnes, professeur agrégé au Département des sciences de l'atmosphère de la CSU, fait le gros du travail du côté des données du projet.
Tout en échelonnant les tâches parentales avec Keys, elle a écrit du code comme jamais auparavant, travailler avec des milliards de points de données et entraîner jusqu'à huit algorithmes distincts pour couvrir différentes parties du monde. Elle a ensuite fusionné les algorithmes pour fournir une classification transparente pour toute la planète.
En premier, les deux chercheurs ont dû apprendre à parler la langue de travail de l'autre.
"Pat a d'abord eu une idée pour cette recherche, et j'ai dit, "L'apprentissage automatique ne fonctionne pas de cette façon, '", a déclaré Barnes.
Elle a ensuite esquissé les composants avec lui :L'entrée est quelque chose que nous voulons pouvoir voir de l'espace, comme une image satellite ; et le résultat est une certaine mesure de ce que les humains font sur Terre. La partie médiane de l'équation était l'apprentissage automatique.
Keys a dit que ce que Barnes a conçu est un réseau de neurones convolutifs, qui est couramment utilisé pour interpréter les images. C'est similaire à la façon dont Facebook fonctionne lorsque le site suggère de marquer des amis sur une photo.
"C'est comme nos yeux et notre cerveau, " il a dit.
En développant l'algorithme, ils ont utilisé des données existantes qui classaient les impacts humains sur la planète, des facteurs comme les routes et les bâtiments, et les pâturages pour le bétail et la déforestation. Puis, le réseau de neurones convolutifs a appris à interpréter avec précision l'imagerie satellitaire, sur la base de ces données existantes.
A partir d'une analyse d'un pays, au monde
Les chercheurs ont commencé par l'Indonésie, un pays qui a connu des changements rapides au cours des 20 dernières années. A la fin de l'été, après avoir eu confiance en ce qu'ils ont identifié en Indonésie grâce à l'apprentissage automatique, Keys a suggéré qu'ils regardent le monde entier.
"Je me souviens lui avoir dit que ce n'était pas possible, " dit Barnes. " Il sait quand je dis ça, Je vais y retourner et essayer de le faire fonctionner. Une semaine plus tard, nous avions compris le monde entier."
Barnes a déclaré que l'apprentissage automatique n'était pas infaillible, et il nécessite un certain suivi pour s'assurer que les données sont exactes.
"L'apprentissage automatique apportera toujours une réponse, que ce soit des ordures ou pas, " a-t-elle expliqué. " Notre travail en tant que scientifiques est de déterminer si c'est utile. "
Keys a passé de nombreuses nuits sur Google Earth à réviser plus de 2, 000 endroits sur le globe en l'an 2000, puis a comparé ces sites avec 2019. Il a noté les changements et confirmé les données avec Barnes.
L'équipe de recherche a également approfondi trois pays :la Guyane, Maroc et Gambie – pour mieux comprendre ce qu'ils ont trouvé.
À l'avenir, lorsque de nouvelles données satellitaires sont disponibles, Keys a déclaré que l'équipe peut rapidement générer une nouvelle carte.
« Nous pouvons connecter ces données à ce réseau de neurones désormais formé et générer une nouvelle carte, " a-t-il dit. " Si nous faisons cela chaque année, nous aurons ces données séquentielles qui montreront comment la pression humaine sur le paysage change."
Keys a déclaré que le projet de recherche avait aidé à lui remonter le moral au cours de la dernière année.
"Franchement, J'ai eu des moments difficiles pendant la pandémie, " dit-il. " En regardant en arrière, I was able to work on this project that was exciting, fun, interesting and open-ended, and with great people. It brightened the pandemic considerably."
