大流行已导致研究人员由于卫生规程或无法旅行而改变了档次或暂时放弃了项目。但是对于科罗拉多州立大学的夫妻科学家Patrick Keys和伊丽莎白·巴恩斯(Elizabeth Barnes)来说，去年促成了卓有成效的研究合作。

他们与密歇根大学助理教授尼尔·卡特(Neil Carter)合作，在《环境研究快报》上发表了一篇论文，该论文概述了基于卫星的人类对世界各地土地压力的地图。

凯斯(Keys)是科罗拉多州立大学(CSU)全球环境可持续发展学院的首席作者和研究科学家，他说，该团队使用机器学习来制作地图，该地图揭示了世界各地景观突然发生的变化。该地图显示了森林砍伐，采矿，扩大的道路网络，城市化和农业增加带来的近期影响。

Keys说：“我们开发的地图可以帮助人们了解生物多样性保护和可持续发展方面的重要挑战。”

大流行年为科罗拉多州立大学的夫妻科学家Patrick Keys和Elizabeth Barnes提供了合作开展新研究的机会。图片来源：Joe Mendoza / CSU Photography

此类地图可用于监测合国可持续发展目标15(SDG15)“陆上生命”的进展，该目标旨在促进可持续发展，同时保护生物多样性。

八种算法可包含来自世界各地的数据

科罗拉多州立大学大气科学系副教授巴恩斯(Barnes)在该项目的数据方面做了繁重的工作。

在使用Keys繁琐的育儿职责时，她以前所未有的方式编写了代码，处理了数万亿个数据点，并训练了多达八种单独的算法来覆盖世界的不同地区。然后，她合并了算法，以提供整个星球的无缝分类。

最初，两位研究人员必须学习说对方的工作语言。

巴恩斯说：“帕特最初对这项研究有一个想法，我说，“机器学习不是那样的。”

然后，她与他一起勾勒出了各个组成部分：输入是我们希望能够从太空看到的东西，例如卫星图像。输出是人类在地球上做什么的某种量度。等式的中间部分是机器学习。

Keys说，Barnes设计的是卷积神经网络，通常用于解释图像。这与网站建议在照片中标记朋友时Facebook的工作方式类似。

他说：“这就像我们的眼睛和大脑。”

在开发算法时，他们使用现有数据对人类对地球的影响，道路和建筑物等因素以及牧场，牲畜和森林砍伐等因素进行了分类。然后，卷积神经网络学习了如何根据现有数据准确地解释卫星图像。

从一个国家到世界的分析

研究人员从尼西亚开始，该国在过去20年中经历了快速的变化。到夏季末，在对自己在尼西亚使用机器学习识别出的东西充满信心之后，Keys建议他们将目光投向整个地球。

“我记得告诉他这是不可能的，”巴恩斯说。“他知道，只要我这样说，我就会回去尝试并使其正常工作。一周后，我们已经弄清楚了整个地球。”

巴恩斯说，使用机器学习并不是万无一失的，它需要进行一些跟进以确保数据的准确性。

她解释说：“无论是否是垃圾，机器学习总是可以提供答案。” “我们作为科学家的工作是确定它是否有用。”

Keys在Google Earth上度过了很多个夜晚，在2000年回顾了全球2,000多个地方，然后将这些网站与2019年进行了比较。他指出了变化，并与Barnes确认了数据。

该研究小组还深入研究了三个国家(圭亚那，摩洛哥和冈比亚)，以更好地了解他们的发现。

在将来，当有新的卫星数据可用时，Keys说，该团队可以快速生成新的地图。

他说：“我们可以将数据插入到现在训练的神经网络中，并生成新的地图。” “如果我们每年这样做，我们将获得这些连续数据，以显示人类对景观的压力是如何变化的。”

Keys说，该研究项目在过去的一年中帮助他振奋了精神。