用于湿地测绘的人工智能深度学习模型准确率达94%
安纳波利斯, MD -十大赌博正规老平台协会的数据科学团队开发了一个人工智能深度学习模型，用于绘制湿地地图, 这导致了94%的准确率. EPRI支持, 一个独立的, non-profit energy research and development institute; Lincoln Electric System; and the Grayce B. 克尔基金公司., 这种湿地制图方法可以为保护和保存湿地提供重要的成果. 研究结果发表在同行评议期刊上 整体环境科学.
卡尔弗特悬崖州立公园.
威尔·帕森/切萨皮克湾项目
该团队训练了一个机器学习(卷积神经网络)模型，使用来自三个地区的免费数据进行高分辨率(1m)湿地测绘, Minnesota; Kent County, Delaware; and St. 劳伦斯县，纽约. 完整模型, 这需要国家湿地数据和国家湿地清单(NWI)提供的当地培训数据。, 以94%的准确度绘制湿地地图.
“我们很高兴支持这个令人兴奋的项目，因为它探索了利用卫星图像划定湿地的新方法,EPRI首席技术主管Dr. Nalini饶. “通过在办公桌上使用GIS工具，它有可能节省自然资源管理人员在现场的时间. +, 它可以帮助公司和公众管理对湿地的影响，因为计划建设基础设施以实现脱碳目标.”
“《十大赌博平台排行榜》将数千亿美元投入到将对景观产生影响的项目中. 然而, 我们用来减少对湿地影响的数据已经过时了,环境政策创新中心恢复经济中心主任贝卡·马德森说, 前EPRI研究员. “现在是更新我们国家湿地数据的最佳时机，并建立一个可持续的、具有成本效益的过程来保持它们的更新.”
“当这个高度精确的模型被放大到更大的地理区域，比如切萨皮克湾或美国本土的湿地时, 这将改变游戏规则. 它避免了人工绘制湿地地图的需要，也避免了传统的机器学习绘制湿地地图需要大量的数据处理, 策展和手动特征工程, 这两种方法都很耗时, 劳动密集型且非常昂贵,十大赌博正规老平台协会的数据科学主管/高级数据科学家Dr. Kumar Mainali.
这对保护意味着什么 & 保护湿地
新模型将帮助基础设施规划者在规划过程中避免使用湿地, 从而节约成本和保护湿地. 潜在的有利情况包括不断努力扩大和发展可再生能源, 这需要扩大电力基础设施.
模型的产物是湿地概率图. 该概率数据可用于绘制最可能的湿地范围, 但是如果用户喜欢的话, 它们可以以较低的概率阈值绘制湿地范围. 最终的地图限制了湿地遗漏的可能性，即使它绘制的湿地比现实中存在的更多.
也有可能使用这个模型来绘制湿地已经消失的位置，因为它们是用NWI绘制的. 此外，还可以确定湿地恢复的潜在地点. 例如, 持续潮湿的农田被模型所捕捉，即使是为了野外湿地的描绘, 这些地区在被积极耕种时不被认为是湿地.
下一个步骤
该团队将把模型扩展到各州或更大的地区，并继续在不同的地理位置上训练模型.
内布拉斯加州试点模式克服过时数据
遵循最初的模型开发, 该模型被扩展到兰开斯特县, 内布拉斯加州. 在该地区建立湿地模型具有挑战性，因为该地区的NWI数据已经过时了几十年, 其中包括几个因开发而失去湿地的地区. 该团队有兴趣了解该模型是否可以成功地绘制湿地地图，因为最近没有高质量的湿地数据集来训练该模型.
湿地模型是用几十年前的NWI数据集和最近的卫星和航空图像数据进行训练的. 研究小组发现，与训练前的预测相比，NWI数据将湿地测绘的局部精度提高了10%, 显示在新地区使用当地培训数据的重要性. 除了, 该模型正确地忽略了因开发而消失的湿地, 尽管这些湿地的训练数据仍然是过时的, as shown in the image below (outdated training data shown in green; model prediction in purple, 覆盖最近的卫星图像). 该模型在确定数据中的主导模式方面的表现既提高了局部制图精度，又能准确地反映湿地的存在和不存在，这对该方法的实用性有很大的帮助.
尽管湿地数据在规划基础设施项目和管理野生动物方面发挥着重要作用, NWI湿地数据多年未全面更新. 如下图所示, 全国范围内的许多NWI数据可以追溯到20世纪70年代和80年代, 但仍然是现有的最佳数据. 一种可以利用不同年份的训练数据的湿地制图建模方法将在最需要的地方实现湿地制图的现代化，这将是非常有用的. (欲了解更多信息，请参见“是时候投资制作我们国家湿地的现代地图了”: http://www.policyinnovation.
关于模型
在湿地训练中使用的“预测”层，模型从中学习湿地中发现的模式:美国农业部国家农业图像计划(NAIP)航空图像(1m), Sentinel-2光学卫星图像(10-20米), LiDAR-derived geomorphons, an approach to mapping landforms that 十大赌博正规老平台 has been applying to advance high-resolution stream mapping; and LiDAR intensity, 一种常用于识别水和持续潮湿土壤的指数.
另外, 该团队仅使用USDA NAIP和Sentinel-2数据作为输入层，训练了一个更简单的模型, 确保精度为91.6%.
该论文的共同作者是十大赌博正规老平台协会的数据科学主管/高级数据科学家Kumar Mainali, Ph.D.，高级数据科学家Michael Evans，博士.D., 地理空间技术经理艾米丽·米尔斯(原十大赌博正规老平台协会), 高级地理空间技术主管David Saavedra, 气候战略副总裁苏珊·明尼迈尔, 以及前EPRI项目经理贝卡·马德森, 现在就职于环境政策创新中心.
阅读出版物"基于开放数据的高分辨率湿地映射的卷积神经网络:变量选择和可推广模型的挑战在线 整体环境科学.
欲了解更多信息，请参见数字故事地图。”用深度学习识别湿地:EPRI如何 & 十大赌博正规老平台协会合作改进桌面湿地识别以改进规划.”
###