Model AI SAGRNet rewolucjonizuje mapowanie pokrycia terenu z ulepszoną dokładnością

Naukowcy z Uniwersytetu w Aberdeen opracowali SAGRNet, zaawansowany model AI, zaprojektowany w celu znacznego poprawienia dokładności mapowania pokrycia terenu, zwłaszcza dla roślinności. Ten innowacyjny model wykorzystuje głębokie uczenie się do analizy całych obiektów krajobrazowych, zwiększając wydajność i precyzję w porównaniu z tradycyjnymi metodami piksel po pikselu. Badanie szczegółowo opisujące rozwój SAGRNet zostało opublikowane w czasopiśmie ISPRS Journal of Photogrammetry and Remote Sensing. SAGRNet został wytrenowany przy użyciu zdjęć satelitarnych różnorodnych krajobrazów w północno-wschodniej Szkocji, a następnie przetestowany w pięciu globalnie rozmieszczonych obszarach obrzeży miejskich. Obszary te, w tym Guangzhou, Durban, Sydney, Nowy Jork i Porto Alegre, zostały wybrane w celu reprezentowania zróżnicowanego tła ekologicznego. Takie podejście zapewnia niezawodność i możliwość przenoszenia modelu w różnych środowiskach. Otwarta dostępność modelu pozwala decydentom na szybką ocenę wpływu takich zdarzeń, jak powodzie i susze, na duże obszary ziemi. SAGRNet może również monitorować wzrost upraw, pomagając w prognozach zbiorów i decyzjach dotyczących zrównoważonego użytkowania gruntów. Technologia ta jest zgodna z trwającymi postępami w dziedzinie sztucznej inteligencji i teledetekcji, co podkreśla nadchodzące sympozjum IEEE IGARSS 2025 oraz niedawna aktualizacja map pokrycia terenu Esri. Zdolność SAGRNet do szybkiej i dokładnej oceny zmian w krajobrazie ma kluczowe znaczenie dla zrozumienia wpływu zmian klimatycznych. Wszechstronność modelu sprawia, że nadaje się on do zastosowań na dużą skalę, takich jak badania zasobów ziemi i monitoring ekologiczny. Opracowanie SAGRNet stanowi znaczący krok naprzód w monitoringu środowiska i zrównoważonym zarządzaniu gruntami, oferując cenne narzędzia dla naukowców i decydentów na całym świecie.