Foundation-Model Earth Representations Enable Regional-Scale Forest Aboveground Biomass Monitoring Across the Northeastern United States

Stellen Sie sich die Erde als eine riesige, atmende Lunge vor. Jedes Mal, wenn diese Lunge einatmet, zieht sie Kohlendioxid aus der Luft ein und speichert es in ihrem Gewebe – in Bäumen, Blättern und Wurzeln. Dieser gespeicherte Kohlenstoff wird als „oberirdische Biomasse“ bezeichnet und ist die Geheimwaffe, mit der Wälder den Klimawandel bekämpfen. Aber hier liegt der Haken: Um zu wissen, wie viel Kohlenstoff ein Wald speichert, müssen Wissenschaftler normalerweise ausfliegen, jeden einzelnen Baum messen und einige schwere mathematische Berechnungen durchführen. Es ist, als würde man versuchen, die Sandkörner an einem Strand zu zählen, indem man sie eins nach dem anderen aufhebt. Das ist langsam, teuer und oft überall gleichzeitig unmöglich zu leisten.

In den letzten Jahren haben Wissenschaftler versucht, Satelliten zu nutzen, um eine Abkürzung zu nehmen. Anstatt Bäume direkt zu messen, betrachten sie Bilder aus dem Weltraum, um zu schätzen, wie viel Holz dort vorhanden ist. Aber herkömmliche Satellitenbilder sind ein bisschen so, als würde man einen Wald durch ein beschlagenes Fenster betrachten; sie können zwar das grüne Blätterdach sehen, aber sie können Ihnen nicht sagen, wie hoch die Bäume sind oder wie dick die Äste sind. Genau hier kommt ein neues „Super-Satelliten“-Werkzeug ins Spiel. Betrachten Sie diese Werkzeuge als einen magischen Übersetzer. Anstatt nur ein Bild zu zeigen, verwandeln sie die gesamte Landschaft in einen geheimen Code – eine lange Liste von Zahlen, die die Form, die Gesundheit und die Geschichte des Waldes gleichzeitig beschreiben. Diese Arbeit stellt eine große Frage: Können wir diesen neuen „geheimen Code“ aus einem globalen KI-System nutzen, um den Kohlenstoffspeicher des Waldes auch an Orten genau zu zählen, an denen wir keine teuren, hochtechnologischen 3D-Karten der Bäume haben?

---

Der geheime Code des Waldes

In dieser Studie beschlossen zwei Forscher der University of Connecticut, diesen neuen „geheimen Code“ in den Wäldern des Nordosten der USA auf die Probe zu stellen. Sie wollten sehen, ob sie ein leistungsfähiges neues Werkzeug namens Google Satellite Embeddings (GSE) nutzen können, um zu schätzen, wie viel Holz in den Bäumen gespeichert ist.

Um die Herausforderung zu verstehen, stellen Sie sich vor, Sie versuchen, das Gewicht eines Rucksacks zu erraten.

• Der alte Weg (LiDAR): Sie haben einen 3D-Scanner, der die exakte Höhe und Form des Rucksacks misst. Er ist super genau, aber Sie können ihn nur verwenden, wenn Sie den Scanner direkt vor Ort haben. In der realen Welt ist dies LiDAR, eine Lasertechnologie, die detaillierte 3D-Karten von Wäldern erstellt. Sie ist großartig, aber selten und teuer, wie das Besitzen eines 3D-Scanners für nur wenige Rucksäcke in einer ganzen Schule.
• Der neue Weg (GSE): Sie haben eine superintelligente KI, die Millionen von Rucksäcken aus der Weltraumperspektive, Wetterberichten und Karten gesehen hat. Sie sieht den Rucksack nicht direkt, aber sie hat einen „geheimen Code“ gelernt (eine Liste von 64 Zahlen), der beschreibt, wie ein Rucksack basierend auf seiner Umgebung normalerweise aussieht. Dies ist das Google Satellite Embedding. Es ist überall und jedes Jahr verfügbar, aber es ist ein wenig mysteriös, weil es eine „Black Box“ ist – wir wissen, dass es funktioniert, aber wir wissen nicht immer genau, welche Zahl für „hohen Baum“ und welche für „dicke Blätter“ steht.

Das Experiment: Die Werkzeuge mischen

Die Forscher sammelten Daten aus dem Northeastern Forest Inventory Network (NEFIN), was wie ein massives Logbuch mit Waldmessungen ist, die über Jahrzehnte von Menschen durchgeführt wurden. Sie hatten zwei Hauptziele:

1. Konnten sie den „geheimen Code“ (GSE) allein nutzen, um das Gewicht des Waldes zu erraten?
2. Konnten sie den „geheimen Code“ mit den 3D-Laserkarten (LiDAR) mischen, um eine noch bessere Schätzung zu erhalten?

Sie fütterten all diese Informationen in drei verschiedene Arten von Computer-„Gehirn“-Modellen (genannt Random Forest, XGBoost und ExtraTrees), um zu sehen, welches am besten lernen kann.

Die Ergebnisse: Eine Gewinnkombination

Hier ist das, was sie herausfanden, und es ist ziemlich aufregend:

• Die 3D-Laserkarten sind immer noch der König: Wenn sie nur die 3D-Laserkarten (LiDAR) verwendeten, machten die Computermodelle einen tollen Job und erreichten einen Genauigkeitswert (genannt R²) von 0,79 nach der Feinabstimmung der Einstellungen. Das bedeutet, dass das Modell etwa 79 % der Veränderungen im Waldgewicht erklären konnte.
• Der geheime Code ist ein starker Zweiter: Wenn sie nur den „geheimen Code“ (GSE) verwendeten, schnitten die Modelle immer noch überraschend gut ab und erreichten eine Genauigkeit von 0,67 mit dem kleineren Datensatz. Dies beweist, dass der KI-geheime Code tatsächlich viel über den Wald weiß, selbst ohne die 3D-Laserkarten.
• Die Kraft der Teamarbeit: Das absolut beste Ergebnis kam, als sie die 3D-Laserkarten mit dem „geheimen Code“ kombinierten. Dieses Teamwork steigerte die Genauigkeit ebenfalls auf 0,79, was zeigt, dass sich die beiden Methoden perfekt ergänzen. Es stellt sich heraus, dass die 3D-Karten dem Computer sagen, wie hoch die Bäume sind, während der geheime Code ihm sagt, was für eine Art von Wald es ist und wie er sich im Laufe der Zeit verändert. Zusammen sind sie ein perfektes Match.

Der große Durchbruch: Die Lücken füllen

Die überraschendste Entdeckung geschah, als sie aufhörten, sich um die 3D-Laserkarten zu sorgen. Da der „geheme Code“ (GSE) jedes Jahr für die ganze Welt verfügbar ist, konnten die Forscher viel mehr Daten nutzen. Sie erweiterten ihre Studie von einer kleinen Gruppe von 589 Waldparzellen auf massive 6.801 Parzellen!

Durch die Nutzung dieser riesigen Menge an Daten und indem sie den Computer lernen ließen, allein vom „geheimen Code“ zu profitieren, erreichten sie ihre höchste Genauigkeit von 0,82.

Was dies für die Zukunft bedeutet

Diese Studie legt nahe, dass wir nicht immer teure 3D-Laserkarten benötigen, um Wälder zu überwachen. Wenn wir gute Bodenmessungen (wie das NEFIN-Logbuch) haben und diesen neuen globalen „geheimen Code“ verwenden, können wir genaue Karten der Kohlenstoffspeicherung von Wäldern für ganze Regionen erstellen, selbst an Orten, an denen wir nie einen Laserscanner eingesetzt haben.

Die Forscher fanden heraus, dass sie durch diese Methode den Modell-Bias (Modellverzerrung) um über 70 % reduzieren konnten, im Vergleich zu Modellen, die die jährlichen Wachstumsanpassungen und GSE-Daten nicht verwendeten. Sie zeigten auch, dass sie durch das Anpassen der Computereinstellungen (ein Prozess namens Hyperparameter-Optimierung) die Ergebnisse viel stabiler und zuverlässiger machen konnten.

Das Fazit

Obwohl die 3D-Laserkarten immer noch das präziseste Werkzeug für kleine, detaillierte Gebiete sind, ist dieser neue „geheime Code“ von Googles KI ein Game-Changer für die großflächige Überwachung. Er ermöglicht es Wissenschaftlern, die Lücken zu füllen, in denen Laserkarten nicht existieren. Die Studie kommt zu dem Schluss, dass wir durch die Kombination dieser neuen KI-Werkzeuge mit traditionellen Walddaten endlich ein viel besseres, jährliches Auge darauf werfen können, wie viel Kohlenstoff unsere Wälder speichern, was uns hilft, unser Planetenklima effektiver als je zuvor zu verstehen und zu schützen.