Roma – Un team di ricercatori guidato da Ben Weinstein dell’Università della Florida, Oregon, Stati Uniti, ha utilizzato l’apprendimento automatico per generare mappe altamente dettagliate di oltre 100 milioni di singoli alberi da 24 siti negli Stati Uniti, pubblicando i propri risultati sulla rivista open-access PLOS Biology . Queste mappe forniscono informazioni sulle singole specie di alberi e sulle loro condizioni, che possono aiutare notevolmente gli sforzi di conservazione e altri progetti ecologici. Gli ecologi raccolgono da tempo dati sulle specie arboree per comprendere meglio l’ecosistema unico di una foresta. Storicamente, ciò è stato fatto esaminando piccoli appezzamenti di terreno ed estrapolando tali risultati, sebbene ciò non possa chiarire la variabilità nell’intera foresta. Altri metodi possono coprire aree più ampie, ma spesso hanno difficoltà a categorizzare singoli alberi. Per generare mappe forestali ampie e molto dettagliate, i ricercatori hanno addestrato un tipo di algoritmo di apprendimento automatico chiamato deep neural network utilizzando immagini della chioma degli alberi e altri dati dei sensori presi dall’aereo. Questi dati di addestramento coprivano 40.000 singoli alberi e, come tutti i dati utilizzati in questo studio, sono stati forniti dal National Ecological Observatory Network. L’algoritmo è stato in grado di classificare la maggior parte delle specie arboree più comuni con una precisione del 75-85 percento. Inoltre, l’algoritmo potrebbe anche fornire altre analisi importanti, come la segnalazione di quali alberi sono vivi o morti. I ricercatori hanno scoperto che il sistema aveva la massima accuratezza nelle aree con più spazio aperto nella chioma degli alberi e funzionava meglio quando si categorizzavano specie di conifere, come pini, cedri e sequoie. La rete funzionava meglio anche nelle aree con una minore diversità di specie. Comprendere i punti di forza dell’algoritmo può essere utile per applicare questi metodi in una varietà di ecosistemi forestali. I ricercatori hanno anche caricato le previsioni dei loro modelli su Google Earth Engine in modo che le loro scoperte possano aiutare altre ricerche ecologiche. (30science.com)
