Google Earth AI 发布高分辨率生态特征检测框架

原标题:From pixels to planning: Earth AI for nature restoration
42AI 研判分

Google Earth AI 团队开发了一种高分辨率深度学习框架,能够识别标准卫星图像中通常不可见的细粒度生态特征(如树篱和小树林)。该框架生成的精确矢量数据旨在帮助在保障粮食安全的前提下,通过优化土地利用来应对气候和生物多样性危机。

报道正文

本文目录3 个章节

我们开发了一套高分辨率深度学习框架,用于揭示那些通常无法被标准卫星探测捕捉到的精细尺度生态特征,例如树篱和小片林地。这些精确的矢量数据为在不损害粮食安全的前提下,应对生产性土地上的气候与生物多样性危机开辟了新路径。

森林不仅仅是树木的聚集地;它们是至关重要的系统,能够固碳、净化水质,并支撑着人类赖以生存的生物多样性。随着全球努力缓解气候危机并遏制生物多样性丧失,增加森林栖息地已成为一项全球优先事项。

难点在于土地利用。随着人口增长,对食物的需求日益增加,而大规模扩张森林不可避免地会与满足这一需求所需的农业用地产生竞争。这种张力带来了一个关键挑战:我们如何在应对气候变化和遏制生物多样性丧失的同时,不损害粮食安全,也不引发“泄漏”效应——即在一个地区的保护行动无意中导致环境退化转移到另一个地区?

诸如穿插于农田之间的树篱和防护林带等精细尺度的木本特征,提供了一种潜在的解决方案。它们能够在不挤占作物种植空间的情况下增强碳储存和生物多样性,但由于其尺寸太小,超出了标准卫星探测的范围,因此在国家森林清查中往往被视为“不可见”。

为了让这些隐性资产变得可见,我们此前发布了 Farmscapes 2020:这是首张大规模、高分辨率地图,旨在识别英格兰境内被忽视的特征(如树篱和线性林地),该成果由我们与牛津大学的 Leverhulme 自然恢复中心 合作完成。虽然最初的栅格(基于像素)格式在检测方面迈出了重要一步,但景观修复和碳核算的实际应用需求远超像素本身。今天,我们发布了一个 矢量化数据集,将这些地图转化为关于树篱、石墙和小树林的可操作清单。这一新资源使土地所有者和环保人士能够测量并扩展英国境内的这些精细尺度特征。

绘制乡村肌理

从高分辨率栅格地图过渡到可操作的矢量数据集,需要克服空间拓扑、语义和计算规模交叉领域的技术障碍。

首先,农业景观呈现出复杂的空间拓扑结构。特征很少是孤立的;例如,树篱可能毗邻田地或直接沿着石墙延伸,这意味着标准的单层模型难以表示这些重叠元素。此外,处理如此庞大的地图需要将其分割为 S2 单元格瓦片(一种将圆形地球展平为地图上正方形的网格系统),这往往导致特征在瓦片边界处被人为切断。

其次,存在语义价值的问题。简单的“木质”像素无法区分森林核心、连接走廊或孤立的小树林。为了使矢量化数据集对保护工作有用,我们必须找到一种方法,根据形状的实际生态功能对其进行程序化分类。

最后,我们面临计算规模的挑战。高分辨率数据集的庞大体量使得标准的栅格转矢量操作在计算上令人望而却步。在整个英格兰(面积超过 130,000 平方公里)处理数百万个独立的木质特征,需要精心设计的数据处理方法,以避免压垮传统系统。

教 AI 认识乡村的形状

为了弥合像素与规划之间的差距,我们开发了一个高分辨率深度学习框架,旨在显式地映射农业用地这一复杂拼贴图中的各类特征。

训练 AI 识别英国乡村的具体特征(如经过管理的树篱)需要深厚的专业知识,但我们仅有相对少量的标注数据(约 247 平方公里)。为克服这一限制,我们采用了 Remote Sensing Foundations (RSF) 的 Vision-Transformer (ViT) 骨干网络,该网络已在超过 3 亿张全球卫星图像上进行预训练。RSF 是 Google Earth AI 的一部分,这是我们旨在将行星数据转化为可操作洞察的地理空间模型和数据集集合。通过以这种稳健的空间纹理基础为起点,我们对模型进行了微调,从而能以更高的精度识别英国景观的独特细微之处。

以这个训练好的模型为基础,我们设计了一条流水线来解决核心的空间、语义和扩展性挑战。

为了处理乡村的分层拓扑结构——例如石墙可能直接位于树篱冠层之下——我们利用亚米级影像和 1 米分辨率的 LiDAR 数据,开发了一套双层标注系统。这使得我们的模型能够在同一空间中识别两类信息:(1) 地面边界(如农田或水域)和 (2) 地上特征(如位于其上的树木和墙体)。为了解决瓦片边界处的人为切割问题,我们开发了一种可扩展算法,用于合并跨单元格的几何形状,确保每个特征在几何上都是完整的。

随后,我们着手解决语义层面的挑战。AI 模型能够轻松识别植被,但它并不天然具备区分小型树丛与狭长绿篱的能力。为了将模型输出的原始数字轮廓转化为具有实用价值的生态清单,我们应用了一种名为 Polsby–Popper 紧凑度得分的数学测试方法。通过分析每个检测目标的物理足迹,我们以编程方式对乡村景观的几何形态进行了分类。我们将林地定义为直径至少为 30 米的大片连续树冠;将木质斑块定义为小树林或单株树木;而线性木质特征(如绿篱和狭长廊道)则通过其拉伸状的足迹来界定,并严格规定其紧凑度得分低于 0.5。这种基于几何特征的智能分析使我们能够通过编程手段分离出那些对野生动物迁徙至关重要的狭长廊道。

最后,为了解决计算瓶颈并将此分析扩展至全国范围,我们利用了 Google Earth Engine。通过并行处理数千个独立的 S2 单元格,我们突破了传统计算能力的限制,从而能够同时生成数百万个独立特征的矢量几何数据。这些技术进步共同作用,使我们将原始地图转化为服务于自然恢复的功能性工具。

展望未来

虽然 矢量化数据集 的发布是向前迈出的重要一步,但我们已经在致力于进一步优化这些数据。

我们正在探索高精度检测在多样化基于自然的解决方案中的更广泛用途,例如支持对 林牧系统 和 农林复合系统 中细粒度木质特征的量化。这项技术还有助于识别“泄漏”事件,确保局部地区在碳汇和生物多样性方面的增益不会因项目边界之外的损失而被抵消。这些方法为在生产性土地上规模化开展生态修复、应对气候和生物多样性危机而不损害全球粮食安全提供了关键路径。

[注:本文篇幅超长,以上为核心前篇精译,后续内容保留原文呈现]

By making this data open and accessible, we hope to empower farmers, scientists, and policymakers to protect the small-scale features that make a large-scale difference for our planet.

Learn more about our AI and sustainability efforts by checking out Google Earth AI and Google Earth Engine.