Grandes cambios en la presión humana definida como ml-HFI en 2019 menos la de 2000, donde el sombreado rojo denota cambios mayores que 0,25 y el sombreado azul denota cambios menores que −0,25. El sombreado gris indica el ml-HFI de 2000 como referencia. Los países delineados en verde están experimentando aumentos sustanciales en HFI y avanzando hacia el ODS 15. Los paneles insertados proporcionan ejemplos del aumento de la presión humana y las características relevantes utilizadas por la CNN para identificar la actividad humana. De izquierda a derecha, cada recuadro muestra (izquierda) imágenes de la GFCv1.7 del año 2000, Imágenes de la GFCv1.7 (mitad) del año 2019 y las características (derecha) más relevantes para la CNN por su predicción del año 2019 del ml-HFI. Las imágenes de GFCv1.7 se trazan en color falso ya que sus bandas espectrales están fuera del espectro visible. Crédito: Cartas de investigación ambiental (2021). DOI:10.1088 / 1748-9326 / abe00a
La pandemia de coronavirus ha llevado a los investigadores a cambiar de marcha o abandonar temporalmente proyectos por protocolos de salud o por no poder viajar. Pero para Patrick Keys y Elizabeth Barnes, Científicos de marido y mujer de la Universidad Estatal de Colorado, el año pasado condujo a una colaboración de investigación productiva.
Se asociaron con Neil Carter, profesor asistente en la Universidad de Michigan, en un artículo publicado en Cartas de investigación ambiental que describe un mapa basado en satélites de la presión humana en tierras de todo el mundo.
Teclas, autor principal y científico investigador de la Escuela de Sostenibilidad Ambiental Global de CSU, dijo que el equipo utilizó el aprendizaje automático para producir el mapa, que revela dónde se han producido cambios abruptos en el paisaje en todo el mundo. El mapa muestra una instantánea casi actual de los efectos de la deforestación, minería, ampliar las redes de carreteras, urbanización y aumento de la agricultura.
"El mapa que hemos desarrollado puede ayudar a las personas a comprender los desafíos importantes en la conservación de la biodiversidad y la sostenibilidad en general, "dijo Keys.
El año de la pandemia brindó una oportunidad para Patrick Keys y Elizabeth Barnes, Científicos de marido y mujer de la Universidad Estatal de Colorado, colaborar en nuevas investigaciones. Crédito:Joe Mendoza / CSU Photography
Este tipo de mapa podría usarse para monitorear el progreso del Objetivo de Desarrollo Sostenible 15 de las Naciones Unidas (ODS 15), "La vida en la tierra, "que tiene como objetivo fomentar el desarrollo sostenible conservando la biodiversidad.
Ocho algoritmos para abarcar datos de todo el mundo
Barnes, profesor asociado en el Departamento de Ciencias Atmosféricas de CSU, hizo el trabajo pesado en el lado de los datos del proyecto.
Mientras escalona los deberes de los padres con Keys, ella escribió código como nunca antes, trabajando con billones de puntos de datos y entrenando hasta ocho algoritmos separados para cubrir diferentes partes del mundo. Luego fusionó los algoritmos para proporcionar una clasificación perfecta para todo el planeta.
En primer lugar, los dos investigadores tuvieron que aprender a hablar el idioma de trabajo del otro.
"Pat inicialmente tuvo una idea para esta investigación, y yo dije, "El aprendizaje automático no funciona de esa manera, '", dijo Barnes.
Luego bosquejó los componentes con él:La entrada es algo que queremos poder ver desde el espacio, como una imagen de satélite; y el resultado es una medida de lo que están haciendo los humanos en la Tierra. La parte central de la ecuación fue el aprendizaje automático.
Keys dijo que lo que Barnes diseñó es una red neuronal convolucional, que se usa comúnmente para interpretar imágenes. Es similar a cómo funciona Facebook cuando el sitio sugiere etiquetar amigos en una foto.
"Es como nuestros ojos y nuestro cerebro, " él dijo.
Al desarrollar el algoritmo, utilizaron datos existentes que clasificaron los impactos humanos en el planeta, factores como carreteras y edificios, y tierras de pastoreo para ganado y deforestación. Luego, la red neuronal convolucional aprendió a interpretar con precisión las imágenes de satélite, basado en estos datos existentes.
A partir de un análisis de un país, al mundo
Los investigadores comenzaron con Indonesia, un país que ha experimentado cambios rápidos en los últimos 20 años. Al final del verano después de tener confianza en lo que identificaron en Indonesia mediante el aprendizaje automático, Keys sugirió que miraran todo el mundo.
"Recuerdo haberle dicho que no es posible, "dijo Barnes." Él sabe que cuando digo eso, Volveré e intentaré que funcione. Una semana después, teníamos todo el mundo resuelto ".
Barnes dijo que usar el aprendizaje automático no es infalible, y requiere cierto seguimiento para garantizar que los datos sean precisos.
"El aprendizaje automático siempre proporcionará una respuesta, ya sea basura o no, ", explicó." Nuestro trabajo como científicos es determinar si es útil ".
Keys pasó muchas noches en Google Earth revisando más de 2, 000 lugares en el mundo en el año 2000 y luego comparó esos sitios con 2019. Observó cambios y confirmó los datos con Barnes.
El equipo de investigación también profundizó en tres países:Guyana, Marruecos y Gambia, para comprender mejor lo que encontraron.
En el futuro, cuando haya nuevos datos satelitales disponibles, Keys dijo que el equipo puede generar rápidamente un nuevo mapa.
"Podemos conectar esos datos a esta red neuronal ahora entrenada y generar un nuevo mapa, ", dijo." Si hacemos eso todos los años, tendremos estos datos secuenciales que muestran cómo está cambiando la presión humana sobre el paisaje ".
Keys dijo que el proyecto de investigación ayudó a levantarle el ánimo durante el último año.
"Honestamente, He tenido momentos difíciles durante la pandemia, ", dijo." Mirando hacia atrás, Pude trabajar en este proyecto que fue emocionante, divertida, interesting and open-ended, and with great people. It brightened the pandemic considerably."
