Prévision de déforestation Cool Earth : Et si ?

Et qu'est-ce qui se passerait si; le début de toutes les grandes percées et la question qui propulse l'humanité en avant. Du pain tranché à l'homme sur la lune, nous ne serions pas allés très loin en tant qu'espèce sans lui.

Lorsqu'il s'agit de prévoir la déforestation, « et si » n'est pas différent.

Lors de la réunion hebdomadaire de l'équipe de Cool Earth, la question a été posée : « Et si nous pouvions prédire où et quand la déforestation se produira ? » Dans le plus pur style Cool Earth, nous avons relevé le défi.

Nous ne nous faisions aucune illusion sur le fait que développer un système pour produire des prévisions spatiales des futurs événements de déforestation ne serait pas un défi. Mais avec une nouvelle génération d'apprentissage automatique et une multitude de données forestières disponibles, il était temps de tenter le coup. L'appui à la R&D du projet a été financé en partie par le Fonds européen de développement régional à travers le par Aéronautique Cornouailles programme, et des liens de recherche ont été développés avec des experts dans le domaine de l'intelligence artificielle.

Des milliers de points de données historiques sur la déforestation ont été combinés avec des données topographiques et des images satellite. L'équipe de suivi, d'évaluation et d'apprentissage de Cool Earth a enseigné le type de technologie utilisée pour développer des voitures autonomes et reconnaître les codes postaux, pour interroger et apprendre de ces données et prévoir la déforestation future.

Comment les taux de déforestation évoluent-ils dans le temps ? Où se produit la déforestation par rapport aux collines et aux vallées ou aux rivières et aux routes ?

Le système est capable d'identifier des modèles dans ce type d'information et de l'utiliser comme matériel de formation. L'approche d'apprentissage en profondeur, cependant, signifie que nous ne savons pas nécessairement quels modèles ont été identifiés ; seulement que ce qui a été appris par le système peut être utilisé pour prédire où la déforestation se produira ensuite. Et que le système fait un travail de prédiction raisonnable lorsqu'il est testé à l'aide de données historiques.

Avec chaque partenariat Cool Earth entre, il est de plus en plus évident que la déforestation n'est pas aléatoire. Mais les modèles de déforestation peuvent être complexes et il est potentiellement au-delà des capacités humaines d'assimiler de grands ensembles de données et de produire des informations utiles. Notre nouveau système peut soutenir les efforts sur le terrain pour recueillir des informations sur la façon dont la forêt tropicale est utilisée et pour comprendre les principales menaces et moteurs de sa destruction. Ces approches combinées offrent une vue à multiples facettes des défis auxquels sont confrontées les communautés.

En prenant des données de la déforestation passée et en utilisant des techniques d'apprentissage en profondeur pour identifier des modèles, Cool Earth peut produire des cartes des zones à haut risque et donner aux populations locales les moyens de prendre des mesures pour maintenir les arbres sur pied.

Dans les mois à venir, nous travaillerons à produire des cartes détaillées de prévision de la déforestation qui mettent en évidence ces modèles. Ce n'est pas magique, et il y aura toujours des valeurs aberrantes, mais elles nous aideront à tirer parti des leçons du passé, en apprenant de l'avenir.

Au cœur du travail de Cool Earth a toujours été une approche agile, s'adaptant aux menaces qui surviennent et soutenant le bien-être des communautés en cours de route. De l'abattis-brûlis en Amazonie péruvienne à l'exploitation forestière illégale en Papouasie-Nouvelle-Guinée, la prédiction des événements de déforestation avec une grande précision guidera les communautés de Cool Earth à prendre des mesures préventives pour protéger leur forêt.

L'approche de Cool Earth est constamment dirigée par la communauté. Ce n'est qu'une façon de plus de soutenir ceux qui vivent dans la forêt tropicale pour qu'elle reste debout.