Az európai erdőgazdálkodás a napokban kapta meg a GPS óta legnagyobb jelentőségű ajándékát a Szilícium-völgy egyik giga-cégétől. A Meta (a Facebook, Instagram és WhatsApp platformokat fejlesztő IT-óriás) kiadott egy nyílt forráskódú mesterséges intelligencia modellt, amely a globális erdőkorona magasságát 1 méteres felbontással térképezi fel – és mindezt teljesen ingyenesen használható módon.
Több mint egy évtizede a World Resources Institute (WRI) helyi vállalkozásokkal, kormányzati szervekkel és más nonprofit szervezetekkel együttműködve dolgozik az erdők, a termőföldek és más ökoszisztémák védelmén és helyreállításán.
Ennek a munkának a középpontjában az átláthatóság áll. Nagyon pontos, helyileg releváns és alacsony költségű adatok nélkül lehetetlen megmondani, hogy a világ által a környezetvédelembe fektetett milliárdok valóban kézzelfogható hatást eredményeznek-e a terepen. 2014 óta a WRI működteti a világ első számú erdőmegfigyelő platformját, a Global Forest Watch-ot, amely nyilvánosan elérhető műholdas adatok segítségével követi nyomon az erdők és a földhasználat változásait. Legfrissebb elemzésük elgondolkodtató volt: kimutatta, hogy 2024-ben a trópusi őserdők percenként 18 futballpályányi területen tűntek el. Hosszú együttműködésükre építve a Meta és a WRI kutatói a Meta DINOv2 alapmodelljét alkalmazták a világ faállományának magasságának eddig soha nem látott részletességgel történő feltérképezésére, hogy javítsák a jövőbeli adatkészletek pontosságát.
A DINOv3 alkalmazása az erdő-helyreállításban
A következő lépés ennek a munkának a helyi erdő-helyreállítási és agrár-erdészeti projektek nyomon követésére való alkalmazása. A WRI a One Tree Planted és a Realize Impact együttműködésével létrehozta a TerraFund alapot, amelynek célja több tucat afrikai kis léptékű projekt finanszírozása, amelyek erdőket újratelepítenek és farmokat állítanak helyre. A projekt 2022-ben indult a Bezos Earth Fund kezdőtőkéjével és a Meta támogatásával.
A meglévő adatkészletek segítségével azonosítani lehetett a eltűnő nagy fákat, de az újonnan növekvő fák nyomon követése sokkal nehezebb, mert sok időbe telik, mire elég magasra nőnek ahhoz, hogy az űrből is láthatóak legyenek. A alap partnerei olyan skálázható, alacsony költségű megoldásokra volt szükségük, amelyek technológiai eszközökkel azonosítani tudták, mely projektek voltak a leghatékonyabbak a 27 afrikai országban található több ezer projekt helyszíne közül – vagyis képesnek kellett lenniük az egyes csemetéket számlálni és nyomon követni, ahogy növekedtek.
A Meta-val együttműködve John Brandt – a WRI és a Land & Carbon Lab, a WRI és a Bezos Earth Fund által létrehozott térinformatikai kutatási kezdeményezés – adat tudományos vezetője a DINOv3 segítségével olyan algoritmust fejlesztett ki, amely pontosan megszámolja az egyes fákat drón- és műholdas képek alapján. Brandt nagy felbontású műholdas képeket használt, és a TerraFund projektek térinformatikai határait vizsgálva tanította be a modellt. Az első eredmények lenyűgözőek. A kutatók már 8 hónappal az ültetés után láthatják a növekvő csemetét, és továbbra is figyelemmel kísérhetik annak növekedését. A helyi projektekből származó önbevallásos adatok és az algoritmus eredményeinek összehasonlításával a WRI ellenőrizheti, mely projektek teljesítik a céljaikat, és javasolhatja azok további finanszírozását.
Egy ilyen univerzális, nyílt forráskódú modellel, amelyet nagy mennyiségű műholdas adattal előre betanítottak, a WRI könnyen alkalmazkodhat a saját igényeihez, ami Brandt szerint tökéletesen illeszkedik a WRI partnerségre és kollektív hatásra vonatkozó alapértékeihez. A fák növekedésének nyomon követésén túl a WRI Land & Carbon Labja a modellt arra is felhasználja, hogy mindenféle földborítás-típusra és ökoszisztémára kiterjedő, skálázható, alacsony költségű megfigyelési és földhasználati tervezési technikákat teszteljen. Ez máris felgyorsította a modellek különböző földmegfigyelési feladatokra való alkalmazását, növelve a hatékonyságot és csökkentve a költségeket.
Egységes megközelítés a műholdak között
Hagyományosan minden egyes műholdhoz egyedi modelleket építettek. Hat különböző műholdat használva különböző megfigyelési feladatokra, a WRI azzal a kihívással szembesült, hogy minden műholdhoz külön modelleket kellett létrehoznia és finomhangolnia, ami kiterjedt képzési adatelőkészítést és paraméteroptimalizálást igényelt. Míg a DINOv2 célja az univerzális képbeágyazás biztosítása volt, a DINOv3 jelentősen javított ezen, lehetővé téve az adatok elemzését több műhold és drónfelvételek között anélkül, hogy egyedi modellt kellett volna építeni.
„A DINOv3 lehetővé teszi számunkra, hogy egyetlen folyamaton keresztül egységesítsük összes modellezési megközelítésünket, miközben nagyobb pontossággal és nagyobb bizalommal tudjuk nyomon követni a helyreállítási projekteket” – mondja Brandt. Például a DINOv2-vel készített, korábban közzétett térképekhez képest a műholdas és drónadatokon képzett DINOv3 4,1 méterről 1,2 méterre javítja a fa lombkorona magasságának mérésében elkövetett átlagos hibát Kenya egy régiójában.
A DINOv3 a DINOv2-höz képest több mint 20%-kal javítja a műholdas műholdakból származó fák magasságának becslését. Ezek az adatok kritikus fontosságúak a globális szén-dioxid-kibocsátás megértéséhez, valamint a projekt szintű klímafinanszírozási tevékenységek nyomon követéséhez és ellenőrzéséhez.
Brandt hozzáteszi, hogy a DINOv3 segített a csapatnak egyszerűsíteni a munkafolyamatot. Most a csapat könnyedén helyettesítheti a munkájuk különböző területein található több moduláris komponenst egyetlen, robusztus DINOv3 gerinccel, így jobban tudnak koncentrálni a világ ökoszisztémáinak védelmére és helyreállítására irányuló fontos munkájukra.
Világunkat megváltoztató hatás
A gyorsabb, pontosabb monitoring megjelenése átalakítja a helyreállítási folyamat nyomon követésének módját, új lehetőségeket nyitva meg a méret és a beruházások terén. A Bezos Earth Fund 1 milliárd dolláros elkötelezettsége a földterületek helyreállítása iránt segített katalizálni ezt a változást, támogatva azokat az innovációkat, amelyek nagyobb hozzáférhetőséget biztosítanak az egész szektorban.
„A DINOv3-hoz hasonló nyílt forráskódú eszközök elősegítik a helyreállítás átláthatóságát és elszámoltathatóságát” – mondja Emily Averna, a Bezos Earth Fund munkatársa. „Örömmel járulunk hozzá olyan innovatív eszközök fejlesztéséhez, amelyek világszerte tisztázzák és felgyorsítják a helyreállítási erőfeszítéseket.”
„Mivel a DINOv3 nyilvánosan elérhető, egy kenyai vidéki helyi civil szervezet most már laptopjával és mindössze 10 dollárnyi felhőalapú kreditjével is képes nagy felbontású erdő-helyreállítási térképeket készíteni” – teszi hozzá Averna. „A jótékonysági szervezetek számára ez a helyreállítási munkát a vakhitből olyasmivé alakítja, amit láthatunk, mérhetünk és bízhatunk benne, hogy a bolygónak sürgősen szükséges szén-dioxid- és természeti nyereséget hoz. Ez egy jó példa arra, hogy mire lehet képes a jótékonysági szervezetek, a magánszektor és a civil szervezetek összefogása, ha mérhető hatást akarnak elérni az emberek és a bolygó számára.”
Az afrikai országokban, Brazíliában és Indiában végrehajtott, összesen 61 millió dollár értékű beruházások összekapcsolásával ezekkel a technikákkal a WRI jelzi, hogy még a legkisebb pontosságjavulás is növelheti ezeknek a tranzakcióknak a volumenét. Ez elősegíti a kisebb szervezetek finanszírozását.
„Nagyon izgatottak vagyunk, hogy rendelkezünk egy olyan modellel, amely elég robusztus ahhoz, hogy alátámassza a klímapiac nagyobb pénzügyi tranzakcióit” – mondja Brandt.
forrás: META
