GAN-Based Sample Augmentation for Improving Above-Ground Biomass Inversion of Salt Marsh Vegetation Using Multi-Source Remote Sensing Data

Kustwetlands behoren tot de meest efficiënte koolstofputten op aarde en fungeren als krachtige natuurlijke motoren die broeikasgassen uit de atmosfeer trekken en opslaan in de bodem en plantenweefsel. Deze ecosystemen, vaak "blauwe koolstof"-habitats genoemd, omvatten zoutmoerassen waar gespecialiseerde planten gedijen in zoute, getijdenomstandigheden. Om te begrijpen hoeveel koolstof deze gebieden opslaan, moeten wetenschappers de "bovengrondse biomassa" meten, wat simpelweg het totale gewicht is van al het levende plantmateriaal—stengels, bladeren en takken—dat boven de bodem groeit. Traditioneel gezien is het verkrijgen van dit getal een traag, arbeidsintensief proces waarbij onderzoekers door modderige velden moeten waden, planten met de hand moeten afknippen, ze in ovens moeten drogen en ze moeten wegen. Hoewel deze methode accuraat is, kan deze slechts kleine stukjes land beslaan, wat het moeilijk maakt om een volledig beeld te krijgen van uitgestrekte, afgelegen wetlands.

Om dit probleem op te lossen, richten onderzoekers zich op satellieten die het hele landschap in één oogopslag kunnen zien, maar deze ruimtegebaseerde instrumenten hebben "grondwaarheid" nodig om te leren de gegevens correct te interpreteren. Een nieuwe studie uit het Liaohe-wetland in China pakt de uitdaging aan van een tekort aan grondmetingen door een slimme kunstmatige intelligentietechniek te gebruiken om realistische "virtuele" monsters te creëren. Door satellietbeelden te combineren met een beperkte set echte veldgegevens, ontwikkelde het team een methode om het plantgewicht over het hele gebied met verrassende precisie te schatten. Hun werk biedt een nieuwe manier om deze cruciale ecosystemen te monitoren, waardoor wetenschappers de koolstofopslag kunnen volgen zonder elk vierkante meter van het moeras te hoeven bezoeken.

Het Liaohe-wetland, gelegen waar de Liaohe-rivier de Bohai-zee ontmoet, is een uitgestrekt gebied van getijdenvlaktes en zouttolerante vegetatie. Het is de thuisbasis van twee dominante planttypen: de hoge, rietachtige Phragmites australis en de laagblijvende, zouttolerante kruidachtige plant Suaeda glauca. Deze planten zijn essentieel voor de koolstofcyclus van de regio, maar hun verspreiding is complex en verschuift met de getijden en de seizoenen. Om hun biomassa in kaart te brengen, verzamelde het onderzoeksteam eerst gedurende meerdere jaren echte gegevens, waarbij zij specifieke locaties bezochten in juli, november en september om het droge gewicht van de planten te meten. Zij koppelden deze metingen aan beelden van de Sentinel-2-satellieten van de Europese Ruimtevaartorganisatie, die gedetailleerde uitzichten op het aardoppervlak vastleggen in verschillende kleuren licht, inclusief die onzichtbaar voor het menselijk oog.

De uitdaging was dat het team slechts 53 echte meetlocaties had, een aantal dat te klein is om een computermodel te trainen om de biomassa over het gehele 128.000 hectare grote wetland accuraat te voorspellen. Als een computer leert van te weinig voorbeelden, faalt hij vaak wanneer hij wordt geconfronteerd met nieuwe, onbekende gebieden. Om dit te overwinnen, maakten de onderzoekers gebruik van een Generative Adversarial Network, een type kunstmatige intelligentie dat werkt als een paar concurrerende programma's. Eén programma, de generator, probeert nepdata te creëren die precies lijkt op de echte metingen, terwijl de andere, de discriminator, probeert de vervalsingen te ontdekken. Terwijl zij dit spel steeds opnieuw spelen, wordt de generator steeds beter in het produceren van synthetische monsters die statistisch niet te onderscheiden zijn van de echte.

Met deze methode breidde het team hun kleine dataset van 53 echte monsters uit naar een veel grotere trainingsset van 600 monsters, met 300 voor elk planttype. Deze nieuwe, virtuele monsters waren geen willekeurige gokken; ze behielden de exacte statistische patronen en relaties die in de echte wereld worden gevonden, zoals hoe hogere rietplanten over het algemeen corresponderen met specifieke signalen in de satellietbeelden. De onderzoekers trainden vervolgens een neuraal netwerk, een breinachtig computermodel, op deze uitgebreide dataset om de complexe, niet-lineaire relatie tussen de satelliet-signalen en het werkelijke gewicht van de planten te leren. Zij testten deze aanpak tegen andere veelvoorkomende machine learning-methoden en stelden vast dat hun neurale netwerk, gevoed door de uitgebreide data, de anderen consistent overtrof.

De resultaten toonden een significante verbetering in nauwkeurigheid. Voor de hoge rietplanten verbeterde het vermogen van het model om het juiste gewicht te voorspellen aanzienlijk, waarbij de foutmarge met bijna 100 gram per vierkante meter daalde in vergelijking met modellen die alleen op de oorspronkelijke kleine dataset waren getraind. Voor de kleinere kruidachtige planten was de verbetering ook duidelijk; het model werd veel betrouwbaarder in het schatten van hun biomassa. Wanneer het team hun best presterende model toepaste op het gehele wetland met behulp van satellietbeelden van september 2024, produceerden zij een gedetailleerde kaart van het plantgewicht over het landschap. De kaart onthulde dat de hoge rietplanten, geconcentreerd in de bovenloop van de estuarium, een gemiddeld gewicht hadden van 514,22 gram per vierkante meter, terwijl de kleinere kruidachtige planten in de lagere, meer open modderplaten gemiddeld 230,07 gram per vierkante meter wogen.

Deze studie demonstreert dat kunstmatige intelligentie effectief de kloof kan overbruggen tussen beperkt veldwerk en de noodzaak voor grootschalige milieumonitoring. Door realistische virtuele data te generen, kunnen wetenschappers robuustere modellen bouwen die goed werken, zelfs wanneer grondmetingen schaars zijn. De bevindingen bevestigen dat het Liaohe-wetland een belangrijke koolstofvoorraad is, waarbij de hoge rietplanten het overgrote deel van de biomassa opslaan. Deze aanpak biedt een betrouwbaar, schaalbaar instrument voor het beoordelen van de gezondheid en de koolstofopslagcapaciteit van kustwetlands, wat cruciale ondersteuning biedt voor wereldwijde inspanningen om deze vitale blauwe koolstofecosystemen te begrijpen en te beschermen.