Google DeepMind 運用 AI 進行自然的映射、建模與理解

Google DeepMind 與 Google Research 已推出一套由 AI 驅動的工具與研究計畫，旨在監測與保護地球的生物圈。這些進展聚焦於三個主要領域：預測森林砍伐風險、擴大物種分布映射規模，以及自動化生物聲學監測。

使用 Vision Transformers 預測森林砍伐風險

Google 已開發出一個高解析度模型來預測森林砍伐風險，從簡單的追蹤邁向主動風險評估。

主要技術細節包括：

  • 解析度與規模：該模型提供大區域內以 30 公尺為解析度的森林砍伐風險預測。
  • 架構：該系統以 vision transformers 為核心，並使用純衛星輸入，消除了對道路圖等局部輸入層的需求。
  • 歷史背景：此工作建基於與 World Resources Institute 合作開發的森林損失驅動因素模型（包括採礦、伐木、農業和火災），該模型在 2000 年以 1km² 解析度提出。

Google 正在發佈一個基準資料集，以支援森林損失預測的進一步研究。

透過 GNN 進行物種分布映射的規模擴大

為了應對為數百萬物種繪製地理分布範圍的挑戰，Google 研究人員正使用 Graph Neural Network (GNN) 方法，以前所未有的規模產生高解析度的物種分布圖。

GNN 模型整合了三個主要數據來源：

  1. 野外觀測：物種目擊的公開資料庫。
  2. 衛星嵌入：來自 AlphaEarth Foundations 的數據。
  3. 物種特徵：生物資訊，例如體質量。

此方法論使研究人員能夠同時推斷多個物種的潛在地理分布。在與 QCIF 與 EcoCommons 的試點專案中，該模型被用來映射澳洲哺乳類動物，包括大型滑翔袋熊（Greater Glider）。這些物種圖中的二十三張已透過 UN Biodiversity Lab 和 Earth Engine 發布。

使用 Perch 2.0 進行生物聲學監測

Google 已隨著 Perch 2.0 的發布更新其動物發聲分類器。該模型解決了手動審閱由經濟實惠的生物聲學監測設備產生的巨量音訊資料集的困難。

功能與應用：

  • 基礎模型：Perch 2.0 被設計為基礎模型，使野外生態學家能夠快速適應以識別全球的新物種與棲息地。
  • 最先進的鳥類識別：該模型提供鳥類發聲的高準確識別。
  • 保育影響：與夏威夷大學（University of Hawai`i）合作，Perch 2.0 正被用來識別幼鳥叫聲，並為瀕危的蜜鳥導引保護措施。

生物圈建模的整合未來

Google 的長期目標是將這些不同的模型整合為一個綜合系統，該系統將多種模態——衛星資料、圖像、生物聲學和文件——與人類活動模型結合，例如土地利用變化和農業實踐。透過將環境資料與農業產量和防洪模型結合，Google 旨在為政策制定者提供生物圈威脅的全面理解，以指導保育與永續決策。

Sources