Нейросеть оценила запасы углерода в лесах Сахалина с указанием точности прогнозов

Ученые из Сколтеха, Иркутского национального исследовательского технического университета и Института исследований искусственного интеллекта AIRI представили новый инструмент для оценки запасов углерода в лесах. Разработанный алгоритм машинного обучения анализирует спутниковые снимки и определяет породу деревьев, их возраст, высоту, а также запасы древесины и углерода. Главное отличие от аналогов — способность количественно оценивать достоверность каждого предсказания.

Как работает доверительный искусственный интеллект

В основе подхода лежит метод конформного предсказания, адаптированный для задач лесного мониторинга. Алгоритм выдает не единичное значение, а интервал с указанием вероятности, например 90%. Причем чем сложнее и неоднороднее участок леса, тем шире становится доверительный интервал. Это позволяет исследователям понимать, где прогнозу можно доверять, а где требуются дополнительные наземные проверки.

Для обучения модели использовались данные по трем лесничествам Сахалинской области — Корсаковскому, Невельскому и Холмскому. Эти леса отличаются высоким биоразнообразием. Спектральные характеристики спутниковых снимков Sentinel-2 сопоставлялись с наземными измерениями и топографическими картами. Исследователи применили три алгоритма: XGBoost, Random Forest и TabNet.

Результаты тестирования и точность прогнозов

Лучшие результаты показал XGBoost. Породу деревьев он определил с точностью 83%, возраст — с точностью 70%. При оценке запасов древесины и углерода достоверность оказалась ниже: 53–63%. Как поясняют авторы, это связано со сложной структурой смешанных сахалинских лесов и упрощениями в уравнениях, используемых для расчета углерода. Тем не менее, инструмент уже позволяет получать пространственно-распределенные оценки параметров леса с указанием надежности.

«Разработанный инструмент сочетает спутниковые данные с алгоритмами оценки неопределенности для оперативного прогнозирования характеристик леса. Такой подход не только дает пространственно-распределенные оценки, но и количественно оценивает достоверность результатов, что повышает качество принятия решений при мониторинге лесных ресурсов», — отметил Александр Бернштейн, доктор физико-математических наук, профессор Центра ИИ Сколтеха.

Исследователи планируют масштабировать решение и повысить его устойчивость для работы в лесах с высоким разнообразием. В перспективе инструмент поможет отслеживать состояние лесного хозяйства России и оценивать влияние изменения климата на углеродный баланс конкретных территорий.