Swamp-AI: model uczenia głębokiego do monitorowania zmian mokradeł na całym świecie

Dlaczego warto obserwować bagienne brzegi Ziemi

Mokradła – torfowiska, bagna, delty i tereny zalewowe – cicho chronią nasze wybrzeża, magazynują węgiel, oczyszczają wodę i stanowią schronienie dla dzikiej fauny. Tymczasem kurczą się one na całym świecie, często poza zasięgiem wzroku, w odległych lub trudno dostępnych miejscach. W tym badaniu przedstawiono „Swamp-AI”, system widzenia komputerowego skanujący obrazy satelitarne w celu wykrywania mokradeł i śledzenia zmian ich rozmiarów w czasie, oferując szybszy i tańszy sposób monitorowania tych zagrożonych krajobrazów.

Dostrzeganie ukrytych wód z kosmosu

Tradycyjne inwentaryzacje mokradeł opierają się na pracy ekspertów odwiedzających miejsca, mierzących roślinność, gleby i poziomy wody. Taka praca terenowa jest wolna i kosztowna, a wiele mokradeł leży na bezdrożach tundry, tropikalnych terenach zalewowych czy w regionach niestabilnych politycznie. Satelity z kolei okrążają Ziemię co kilka dni, rejestrując powtarzalne obrazy powierzchni. Wyzwanie polega na przekształceniu tych surowych obrazów w wiarygodne mapy mokradeł bez angażowania armii ludzkich interpretatorów. Wcześniejsze metody mapowania wymagały od specjalistów starannego dostrajania progów lub ręcznego rysowania granic, a powstałe modele często działały tylko w jednym kraju lub dla jednego typu mokradła. Swamp-AI ma na celu przełamanie tej bariery przez nauczenie się ogólnych „wizualnych sygnatur” mokradeł, które sprawdzają się od Luizjany po deltę Mekongu.

Budowanie globalnego atlasu treningowego

Aby nauczyć algorytm, jak wygląda mokradło, zespół najpierw musiał zgromadzić atlas treningowy z opisanymi scenami satelitarnymi. Stworzyli Global Swamp Annotated Database (GSADB) korzystając z obrazów z 2019 roku satelity Sentinel-2 Europejskiej Agencji Kosmicznej, który dostarcza średniej rozdzielczości kolorowe i podczerwone widoki Ziemi co pięć dni. Z 34 lokalizacji na całym świecie, obejmujących 21 obszarów śródlądowych i 13 przybrzeżnych, sporządzili 102 szczegółowe maski oznaczające obecność mokradeł. Zamiast odwiedzać każde miejsce osobiście, połączyli kilka globalnych produktów danych: istniejącą mapę mokradeł o rozdzielczości 30 metrów, model cyfrowego terenu wskazujący nisko położone, podatne na zalania obszary oraz indeks wegetacji podkreślający zielone, rosnące rośliny. Czterech anotatorów wzajemnie sprawdzało swoją pracę, odrzucając sceny, gdy nie mogli dojść do porozumienia, i zdefiniowali jedną szeroką klasę „mokradeł”, aby zachować spójność etykiet od arktycznych torfowisk po tropikalne bagna.

Nauka maszyny rozpoznawania wilgotnego gruntu

Wyposażeni w ten atlas, badacze wytrenowali 15 różnych modeli uczenia głębokiego wykonujących „segmentację semantyczną” – przypisujących każdy piksel obrazu do klasy mokradła lub pozostałego tła. Przetestowali trzy popularne architektury sieci, które sprawdziły się w analizie skanów medycznych i innych obrazów środowiskowych, i sparowali każdą z nich z pięcioma sposobami mierzenia błędów treningowych, znanymi jako funkcje strat. Ponieważ mokradła zwykle stanowiły mniejszość w każdej scenie, eksperymentowali też z funkcjami strat dostosowanymi do niezrównoważonych danych. Obrazy treningowe podzielono według geografii, a nie losowo, tak aby modele zawsze były testowane na miejscach, których wcześniej nie widziały w pobliżu, co zmniejszało ryzyko przeuczenia na lokalne osobliwości.

Wybór zwycięzcy i weryfikacja w terenie

Po treningu najlepsze modele przeszły trudniejsze egzaminy. Zespół stworzył niezależny zbiór testowy korzystając z ostrzejszych, trzymetrowych obrazów trzech rezerwatów przyrody w Stanach Zjednoczonych, a następnie przeskalował ręcznie narysowane zarysy mokradeł, aby dopasować je do grubszej rozdzielczości Sentinel-2. Zwycięzcą okazała się sieć nazwana ResUNet34 w połączeniu z hybrydową funkcją straty „focal-dice”. Ta wersja Swamp-AI poprawnie sklasyfikowała około 94% pikseli ogółem i osiągnęła wskaźnik intersection-over-union – surową miarę pokrywania się przewidywanych i rzeczywistych obszarów mokradeł – na poziomie około 75%. Kontrole wizualne wykazały, że dalej znajdowała torfowiska i bagna nawet poza regionami użytymi do testów. Autorzy następnie zastosowali Swamp-AI do znanych mokradeł na całym świecie i stwierdzili, że przy drobnym dostrojeniu wewnętrznego progu pewności utrzymywał wysoką dokładność od zimnych północnych bagnisk po tropikalne tereny zalewowe.

Śledzenie kurczącego się linii brzegowej w Nowym Jorku

Aby zilustrować praktyczne zastosowanie Swamp-AI, zespół śledził wyspy torfowiskowe w Jamaica Bay w Nowym Jorku w latach 2019–2024. Uruchamiając model na rocznych kompozytach obrazów, oszacowali, że wyspy zatoki łącznie traciły około 18 hektarów mokradeł rocznie, przy czym niektóre wyspy pozostawały stosunkowo stabilne, a inne wykazywały silne oznaki cofania się. Porównanie obrazów zrobionych przy niskim i wysokim stanie wody w 2024 roku ujawniło kolejną niuans: gdy poziomy wody były niskie i powierzchnie bagnisk odsłonięte, Swamp-AI wykrywał niemal 30% więcej obszaru mokradłowego niż przy widoku z wysokiego pływu, co podkreśla, jak czułe może być mapowanie satelitarne na czas rejestracji i poziom wody.

Nowy system wczesnego ostrzegania przed utratą mokradeł

Dla osób niebędących specjalistami kluczowy przekaz jest taki, że Swamp-AI działa jak zautomatyzowany inspektor mokradeł, skanując globalne strumienie satelitarne i sygnalizując, gdzie zarośnięte, przesiąknięte wodą obszary utrzymują się lub znikają. Nie potrafi jeszcze rozróżniać drobnych szczegółów, takich jak gatunki roślin czy podtypy mokradeł, i dziedziczy pewne ograniczenia po mapach referencyjnych użytych do treningu. Mimo to, dostarczając szybkie, globalnie spójne mapy o dokładności porównywalnej z wieloma lokalnymi studiami, Swamp-AI oferuje konserwatorom i planistom narzędzie wczesnego ostrzegania. Może pomóc skierować kosztowne badania terenowe do najbardziej zagrożonych miejsc oraz wspierać mądrzejsze decyzje dotyczące przywracania, obrony wybrzeża i odporności klimatycznej.

Cytowanie: Andros, C.S., Conery, I.W., Alvarado, T.R. et al. Swamp-AI: a deep learning model for monitoring wetlands change across the globe. Sci Rep 16, 8830 (2026). https://doi.org/10.1038/s41598-026-39257-1

Słowa kluczowe: mokradła, teledetekcja, uczenie głębokie, monitoring środowiska, obrazy satelitarne