Czy możliwa jest inwentaryzacja zasobów węgla zawartych we wszystkich drzewach rosnących w danym kraju? Naukowcy wspierani przez Unię Europejską wyruszyli do Rwandy, aby pokazać, że da się to zrobić.
W ramach nowatorskich badań realizowanych dzięki wsparciu finansowanych przez Unię Europejską projektów TOFDRY i DESIRA udało im się wykazać, że dokładne mapowanie zawartości węgla w drzewach w skali całego kraju jest możliwe przy wykorzystaniu zdjęć lotniczych i algorytmów uczenia głębokiego. To innowacyjne podejście do mapowania zasobów węgla zawartych we wszystkich drzewach zostało po raz pierwszy wykorzystane w Rwandzie i opisane w artykule naukowym opublikowanym na łamach czasopisma „Nature Climate Change”.
„Wykorzystywane obecnie na świecie metody oceny lasów dają wysoce niepewne wyniki. Dzięki mapowaniu zasobów węgla zawartych w pojedynczych drzewach byliśmy w stanie znacząco podnieść dokładność pomiarów”, twierdzi Maurice Mugabowindekwe, doktorant na Uniwersytecie Kopenhaskim oraz główny autor badania w ramach projektu TOFDRY, którego uczelnia jest gospodarzem. Jego wypowiedź została przytoczona w informacji prasowej opublikowanej na stronie internetowej uniwersytetu. „Co więcej, sposoby w jakie poszczególne kraje prowadzą swoje analizy są niespójne ze względu na zróżnicowane konteksty, cele i dostępne zestawy danych. Mamy nadzieję, że opracowana przez nasz zespół metoda stanie się nową normą, co umożliwi dokonywanie lepszych porównań między poszczególnymi krajami”.
Co skłoniło badaczy do podjęcia prac nad nową metodą w wybranym przez nich afrykańskim kraju? Jak wyjaśnia Mugabowindekwe, zespół postawił na Rwandę ze względu na bogaty i zróżnicowany krajobraz, który obejmuje „sawanny i lasy, w tym lasy umiarkowanie wilgotne i wilgotne, a także sawanny kolczaste, ekosystemy rolnicze oraz miejskie ekosystemy drzewiaste, które są reprezentatywne dla większości krajów tropikalnych”. Jak czytamy dalej: „Chcieliśmy udowodnić skuteczność naszej metody dla wszystkich typów krajobrazu. Co więcej, Rwanda podpisała szereg umów międzynarodowych dotyczących ochrony lasów i łagodzenia zmiany klimatu. Między innymi zobowiązała się do odtworzenia około 80 % powierzchni lasów do 2030 roku w ramach tak zwanego „Wyzwania z Bonn”. Innymi słowy, opracowanie wiarygodnej i niezawodnej metody monitorowania zasobów węgla zawartych w drzewach jest z tego powodu bardzo istotne”.
Jak czytamy w wynikach badania, aż 72 % zmapowanych drzew w kraju znajduje się na polach uprawnych i sawannach, z kolei 17 % rośnie na plantacjach. Co ciekawe, choć lasy naturalne odpowiadają zaledwie za 11 % całkowitej liczby drzew w Rwandzie, to właśnie one magazynują przeszło 51 % zasobów węgla w kraju. Z informacji prasowej dowiadujemy się, że jest to spowodowane przede wszystkim bardzo wysoką zawartością węgla względem objętości w przypadku lasów naturalnych, co stało się możliwe dzięki krajowym przepisom, które minimalizują ingerencje ze strony ludzi. „To odkrycie sugeruje, że zarówno ochrona, jak i odbudowa naturalnych lasów i zrównoważona gospodarka leśna mogą być bardziej skuteczne w łagodzeniu skutków zmiany klimatu niż nowe nasadzenia”, zauważa Mugabowindekwe.Zapewnienie dokładności i precyzji nowej metody wymaga rozpoznawania przez komputer poszczególnych drzew. Wynika to z prostej zależności – jedno bardzo duże drzewo charakteryzuje się znacznie większą zawartością węgla niż grupa drzew, których korony skupione razem są równie duże jak korona pojedynczego drzewa. W efekcie pomylenie grupy drzew z pojedynczym drzewem spowoduje znaczne przeszacowanie zawartości węgla. Aby zidentyfikować pojedyncze drzewa nawet w gęstych lasach deszczowych, zespół wykorzystał algorytmy rozpoznawania obrazów i uczenia maszynowego, dzięki którym przeszkolił model komputerowy, wykorzystując w tym celu 97 500 ręcznie wyznaczonych koron drzew w całym kraju.
Metoda opracowana dzięki wsparciu uzyskanemu z projektów TOFDRY (Trees outside forests in global drylands) i DESIRA (Digitisation: Economic and Social Impacts in Rural Areas) została dotychczas zweryfikowana także w Burundi, Kenii, Tanzanii i Ugandzie. Jak podsumowuje Mugabowindekwe: „Przeniesienie naszej metody na inny grunt i wykorzystanie jej bez konieczności adaptacji w nowym kraju lub regionie przynosi doskonałe rezultaty. Przedłużone trenowanie modelu na lokalnym zestawie próbek przekłada się na dalszy wzrost dokładności”.
Więcej informacji:
poleca:
Studentnews.pl