Google DeepMind 使用 AI 进行映射、建模和理解自然

Google DeepMind 和 Google Research 推出了一套由 AI 驱动的工具和研究计划，旨在监测和保护地球的生物圈。这些进展集中在三个主要领域：预测森林砍伐风险、扩大物种分布映射规模以及实现生物声学监测的自动化。

使用 Vision Transformers 预测森林砍伐风险

Google 已开发一个高分辨率模型来预测森林砍伐风险，从简单的跟踪转向主动的风险评估。

关键技术细节包括：

  • Resolution and Scale：该模型在大范围区域内提供精确到 30 米尺度的森林砍伐风险预测。
  • Architecture：该系统围绕 vision transformers 构建，并使用纯卫星输入，消除了对道路图等局部输入层的需求。
  • Historical Context：此工作基于与世界资源研究所（World Resources Institute）合作开发的森林损失驱动因素模型（包括采伐、采矿、农业和火灾），其分辨率为 1 平方公里，时间范围为 2000 年。

Google 正在发布一个基准数据集，以支持对森林损失预测的进一步研究。

通过 GNN 扩大物种分布映射

为了应对映射数百万物种地理分布的挑战，Google 研究人员正在使用图神经网络（GNN）方法，以前所未有的规模生成高分辨率物种分布图。

GNN 模型整合了三个主要数据来源：

  1. Field Observations：物种目击的开放数据库。
  2. Satellite Embeddings：来自 AlphaEarth Foundations 的数据。
  3. Species Traits：生物信息，例如体重。

此方法使研究人员能够同时推断多个物种的潜在地理分布。在与 QCIF 和 EcoCommons 的试点项目中，该模型被用于绘制澳大利亚哺乳动物的分布图，包括大型滑翔袋鼬（Greater Glider）。这些物种图中的二十三张已通过 UN 生物多样性实验室和 Earth Engine 发布。

使用 Perch 2.0 进行生物声学监测

Google 随着 Perch 2.0 的发布更新了其动物叫声分类器。该模型解决了手动审查由经济型生物声监测设备产生的巨大音频数据集的困难。

能力与应用：

  • Foundational Model：Perch 2.0 被设计为基础模型，使野外生态学家能够快速将其适应以在全球范围内识别新物种和栖息地。
  • State-of-the-Art Bird Identification：该模型提供鸟类叫声的高精度识别。
  • Conservation Impact：与夏威夷大学（University of Hawai`i）合作，Perch 2.0 正被用于识别幼鸟叫声并指导对濒危蜜雀的保护措施。

生物圈建模的集成未来

Google 的长期目标是将这些不同的模型整合到一个综合系统中，该系统将多种模态——卫星数据、图像、生物声学和文档——与人类活动模型（如土地利用变化和农业实践）相结合。通过将环境数据与农业产量和防洪模型相结合，Google 旨在为政策制定者提供生物圈威胁的全面理解，以指导保护和可持续发展决策。

Sources