Gillespie e colegas criaram uma ferramenta de IA chamada Deepbiosphere para rastrear a biodiversidade vegetal. Usando imagens de satélite e dados de cientistas cidadãos, esse modelo de aprendizado profundo mapeou mais de 2,000 espécies de plantas na Califórnia. Ele supera os métodos tradicionais, identificando sequoias imponentes e flores silvestres com alta precisão. A biosfera profunda pode revolucionar os esforços globais para monitorar a vida vegetal, ajudando-nos a entender como as mudanças climáticas e a atividade humana estão remodelando os ecossistemas.
Os autores afirmam que o Deepbiosphere supera os modelos tradicionais de distribuição de espécies, alcançando maior precisão. Ele pode mapear espécies com resolução de até alguns metros e identificar com precisão comunidades de plantas. O modelo detectou tanto o recrescimento maduro quanto o jovem em florestas de sequoias, mostrando os efeitos duradouros do desmatamento. Ele também pode identificar mudanças rápidas em comunidades de plantas após eventos como incêndios florestais, demonstrando seu potencial para monitorar mudanças na biodiversidade ao longo do tempo.
Gillespie e colegas desenvolveram um modelo de aprendizado profundo, Deepbiosphere, usando uma arquitetura de rede neural convolucional modificada para alimentar com imagens aéreas combinadas do National Agriculture Imagery Program com mais de 650,000 observações de plantas de cientistas cidadãos em toda a Califórnia. O modelo foi treinado para prever a presença de 2,221 espécies de plantas. Seu desempenho foi comparado a abordagens de modelagem tradicionais como MaxEnt e Random Forest.
A biodiversidade vegetal está mudando rapidamente devido à destruição do habitat e às mudanças climáticas. Os métodos tradicionais não têm resolução espacial e temporal para detectar essas mudanças rápidas para espécies individuais. A abordagem da Deepbiosphere, combinando aprendizado profundo com sensoriamento remoto, oferece novas possibilidades para monitoramento de biodiversidade de alta resolução.
Por fim, vislumbramos uma mudança de paradigma em direção a modelos de fundação de código aberto que são continuamente treinados e aprimorados com novos dados de sensoriamento remoto, observações de ciência cidadã e modalidades de dados à medida que se tornam disponíveis. Conseguir isso a partir de imagens aéreas ou de satélite públicas e observações crescentes de ciência cidadã tornará o monitoramento da biodiversidade mais acessível, avançando assim as metas locais e globais de conservação da natureza.
Gillespie, LE, Ruffley, M., & Exposito-Alonso, M. (2024). Modelos de aprendizado profundo mapeiam mudanças rápidas em espécies de plantas a partir de dados de ciência cidadã e sensoriamento remoto. Proceedings of the National Academy of Sciences, 121(37), e2318296121. https://doi.org/10.1073/pnas.2318296121 (OA)
Postagem cruzada para Bluesky, Mastodonte & Tópicos.
Yones Marrom
meses 4 atrásIsso tem um potencial enorme!
Comentários estão fechados.