一个人不可能希望世界树的计数。但一群他们世界的旱地森林,在这个过程中,绘制森林从未映射,累计增加面积大小的亚马逊雨林。

当前技术使计算机自动检测森林面积通过卫星数据为了充分地图世界上大部分的森林。但旱地,树相距越来越远,阻碍这些现代方法。

衡量的程度在旱地森林,占地球上超过40%的陆地表面,研究者从联合国粮食及农业组织(FAO)、世界资源研究所和几所大学和组织必须想出非常规技术。其中最重要的是向居民,通过本地map-a-thons贡献了他们的专业技能。

技术挑战,人类的解决方案

传统的遥感算法检测树木覆盖在一个像素,而不是捕捉个别树木景观。这意味着该方法可以错过树木密度较低的森林树木或个人在农田或草地,这通常是旱地地区的性质。

谷歌地球卫星收集的数据来自多个卫星的分辨率和技术能力。旱地卫星图像收集编制的谷歌从不同的供应商,包括数字全球质量特别高,因为沙漠地区没有云层阻碍视图。

所以当算法很难检测非惯用土地覆盖,人类的眼睛没有问题区分树木景观。利用这一优势,科学家们决定在成千上万的树木可视化计算高分辨率图像来确定整体旱地树木覆盖。

当地map-a-thons使用收集地球

配备质量图像从谷歌,允许研究人员看到大约20英寸大小,团队全球旱地图像划分为12个区域,每个区域合作伙伴领导计算评估。

区域合作伙伴又招募了当地居民与景观的实践知识来识别内容的示例图像。这些志愿者们会在一起参与映射工作坊,俗称map-a-thons。

为当地map-a-thon事件奠定了基础研究小组发现了一个入口点,通常是一个大学,能够帮助招募参与者,以及设备能力和网络主机map-a-thon。一旦训练,任何给定的分析可以确定每天80到100块。

事后质量控制是通过比较确定土地覆盖树的数量统计。例如,如果一个本地参与者识别图像刚刚三棵树但后来确定森林一样的图像,研究人员知道人为错误,需要进一步评估。

这些map-a-thons这样设计是当地风景的第一手知识的人可以参加。没有遥感或任何技术超越互联网的知识素养是必需的。专业技能是对区域景观和土地使用的理解。这个地区的实践知识是至关重要的参与者不仅能够计算个别树木还确定土地利用的类型和树木上他们看到谷歌地球图片。

本研究只“发现”新森林,哥伦布“发现”新大陆。旱地森林总是在那里,生活在该地区的人总是知道它的存在。事实上,他们唯一的背景知识来识别微妙之处比如图像区域的植物是灌木或一个年轻的树,或者是树只是一个多年生植物。

一些常见的多年生作物,包括咖啡和香蕉,像灌木在卫星图像,但当地参与者没有问题正确识别多年生作物而不是灌木,区别与卫星图像分析是不可能的。

这个人工识别组件,以及能力放大sub-meter决议用廉价和可用的技术,实现了森林覆盖的突破性结果识别比之前报道的高出9%。

当地的地图和土地的所有权

使用本地景观知识不仅提高地图质量还创建了一个归属感在每个地区。map-a-thon参与者使用开源工具和现在可以使用这些数据和结果,以便更好地进行土地利用变化在他们的社区。当地专家,包括林业办公室,也可以使用这个方便的应用在未来继续监测。

全球森林看(GFW)使用中等分辨率卫星(约89英尺)和复杂的算法来检测实时密集森林地区的森林砍伐。旱地树覆盖地图补充GFW通过提供监控非惯用的能力树覆盖和小规模,速度如退化和事件恢复。

映射森林变化在这个级别的细节是至关重要的对于指导土地决策,使政府和业务角色来展示他们的承诺被满足,即使在很短的时间。

数据记录由当地参与者将使科学家能够做更多的分析自然和人造土地变化包括定居点,侵蚀特征和道路。映射树在旱地仅仅是个开始。