Ученые разработали алгоритм, который помогает оценивать состояние сахалинских лесов по спутниковым снимкам. Система определяет породы деревьев, их возраст, высоту, запас древесины и углерода. Главное отличие от многих похожих решений — алгоритм показывает не только результат, но и степень своей уверенности. Это важно для Сахалина, где смешанные леса сложны для анализа и требуют точных данных для климатического мониторинга.
Исследователи из Сколтеха, Иркутского национального исследовательского технического университета и Института исследований искусственного интеллекта AIRI создали инструмент на основе машинного обучения.
Он анализирует спутниковые снимки и сопоставляет их с наземными данными лесничеств. В итоге система может оценить характеристики леса без постоянных выездов специалистов на каждый участок.
Результаты исследования, поддержанного грантом Российского научного фонда, опубликованы в журнале Scientific Reports.
Почему для эксперимента выбрали Сахалин
Для работы ученые использовали данные о Корсаковском, Невельском и Холмском лесах Сахалинской области. Эти территории отличаются высоким биоразнообразием и сложной структурой древостоев.
Проще говоря, сахалинский лес редко выглядит как ровная посадка одного вида. Здесь рядом могут расти разные породы и деревья разного возраста. Для алгоритма это сложная задача: по снимку сверху нужно понять, что именно находится на конкретном участке.
Именно поэтому Сахалин стал хорошей проверкой для новой модели. Если инструмент справляется с неоднородными островными лесами, его можно развивать и для других сложных лесных экосистем.
Как работает алгоритм
Авторы взяли три типа данных: сведения лесничеств, снимки Sentinel-2 и топографическую карту местности. Наземные данные помогли определить породы деревьев, возраст, высоту, запас древесины и углерода. Затем спутниковые снимки разбили на множество небольших участков.
После этого ученые сопоставили цветовые и спектральные характеристики снимков с реальными измерениями на земле. Например, разные породы и состояния растительности по-разному отражают и поглощают свет.
На этой базе обучили несколько моделей машинного обучения: XGBoost, Random Forest и TabNet. Их задача — научиться по спутниковым данным предсказывать параметры леса.
Чем новый подход отличается от обычных моделей
Часто алгоритмы работают как «черный ящик»: выдают одну цифру, но не объясняют, насколько ей можно доверять. Например, модель может сказать, что на участке запас углерода составляет определенное значение. Но пользователь не всегда понимает, это уверенный прогноз или результат с большой погрешностью.
Новый инструмент решает эту проблему иначе. Он показывает доверительный интервал. То есть выдает не одну жесткую цифру, а диапазон, внутри которого результат должен находиться с заданной вероятностью.
Светлана Илларионова, руководитель исследовательской группы Центра ИИ Сколтеха, объяснила это так:
«Главное нововведение, которое мы сделали, лежит в области разработки так называемого доверительного и адаптивного искусственного интеллекта. После обучения алгоритма мы адаптировали метод конформного предсказания, который позволяет для каждого прогноза построить доверительный интервал. Простыми словами, модель выдает не одну цифру, а диапазон, который соответствует определенной точности, например, 90%. Более того, этот интервал меняется в зависимости от сложности местности: на неоднородных, смешанных участках леса погрешность увеличивается, и алгоритм показывает ее. Это важное свойство доверительного ИИ, который не просто дает ответ, но и честно оценивает собственные ошибки».
Насколько точно ИИ распознает лес
Лучше всего с задачей справился алгоритм XGBoost. Преобладающую породу деревьев он определял с точностью 83%. Возраст леса — с точностью 70%.
С запасами древесины и углерода задача оказалась сложнее. Здесь достоверность результатов составила 53–63%. Ученые связывают это с неоднородной структурой сахалинских смешанных лесов и упрощениями в расчетных формулах, которые используют для оценки углерода.
Это важная деталь. Исследователи не представляют систему как идеальную замену лесникам и полевым измерениям. Наоборот, ее сильная сторона в том, что она показывает, где прогноз надежен, а где нужно проверить участок на земле.
Зачем вообще считать углерод в лесах
Лес — один из ключевых участников климатической системы. Деревья поглощают углекислый газ, превращают его в органическое вещество и накапливают углерод в стволах, ветвях, листьях и корнях.
Пока лес растет и остается здоровым, он работает как природное хранилище углерода. Но при пожарах, деградации, вырубках или массовом усыхании ситуация меняется. Такой лес может уже не поглощать, а возвращать углерод в атмосферу.
Поэтому для климатических расчетов важно понимать не просто площадь леса, а его состояние. Какие деревья растут, какого они возраста, какой у них запас древесины и сколько углерода в них накоплено.
Что это дает Сахалинской области
Для Сахалина такая технология может быть полезна сразу в нескольких направлениях.
Во-первых, она помогает быстрее видеть изменения в лесах. Например, где меняется структура древостоя, где есть признаки деградации или где данные со спутника требуют наземной проверки.
Во-вторых, инструмент может пригодиться для лесного хозяйства. Вместо редких и дорогих обследований на больших территориях специалисты получают карту с предварительными оценками и уровнем надежности.
В-третьих, такие данные важны для климатической политики. Сахалинская область уже не первый год говорит о климатической повестке, углеродном балансе и роли природных экосистем. Без точного учета лесов такие разговоры остаются слишком общими.
Почему это не просто «ИИ ради ИИ»
Главная ценность разработки не в модном слове «искусственный интеллект». Важнее то, что система помогает принимать решения там, где раньше было много неопределенности.
Если алгоритм уверен в прогнозе, участок можно учитывать в общей картине. Если погрешность высокая, специалисты видят: здесь нужны дополнительные полевые данные.
Такой подход честнее обычного автоматического расчета. Он не обещает невозможного и не скрывает слабые места модели.
Александр Бернштейн, профессор Центра ИИ Сколтеха, отметил:
«Разработанный инструмент сочетает спутниковые данные с алгоритмами оценки неопределенности для оперативного прогнозирования характеристик леса. Такой подход позволяет не только получать пространственно-распределенные оценки параметров леса, но и количественно оценивать достоверность результатов, что повышает качество принятия решений при мониторинге лесных ресурсов. В дальнейшем мы планируем масштабировать решения и повышать их устойчивость и достоверность для использования в лесных экосистемах, отличающихся высоким разнообразием».