Swamp-AI: глубокая модель обучения для мониторинга изменений водно-болотных угодий по всему миру

Почему важно следить за влажными окраинами Земли

Водно-болотные угодья — болота, трясины, дельты и поймы — тихо защищают наши побережья, накапливают углерод, фильтруют воду и служат убежищем для дикой природы. Тем не менее они сокращаются во всем мире, часто вне поля зрения в отдаленных или труднодоступных местах. В этом исследовании представлена система компьютерного зрения «Swamp-AI», которая сканирует спутниковые снимки, чтобы обнаруживать водно-болотные угодья и отслеживать изменение их границ во времени, предлагая более быстрый и дешевый способ наблюдения за этими уязвимыми ландшафтами.

Наблюдение скрытой воды из космоса

Традиционные обследования водно-болотных угодий опираются на экспертов, посещающих площадки и измеряющих растения, почвы и уровни воды. Такое полевое исследование медленное и дорогое, и многие угодья находятся в бездорожной тундре, на тропических поймах или в политически нестабильных регионах. Спутники, напротив, кружат вокруг Земли каждые несколько дней, создавая повторные снимки поверхности. Задача — преобразовать эти необработанные изображения в надежные карты водно-болотных угодий без армии человеческих интерпретаторов. Ранние методы картирования требовали от специалистов тонкой настройки порогов или ручного обчерчивания границ, и полученные модели часто работали лишь в одной стране или для одного типа угодий. Swamp-AI стремится преодолеть это узкое место, обучаясь общим «визуальным сигнатурам» болот, которые сохраняются от Луизианы до дельты Меконга.

Создание глобального обучающего атласа

Чтобы обучить алгоритм распознавать, как выглядят водно-болотные угодья, команде сначала пришлось собрать обучающий атлас помеченных спутниковых сцен. Они создали Global Swamp Annotated Database (GSADB), используя снимки 2019 года со спутника Sentinel-2 Европейского космического агентства, который каждые пять дней предоставляет изображения среднего разрешения в видимом и инфракрасном диапазонах. Из 34 участков по всему миру, охватывающих 21 внутренний и 13 прибрежных регионов, они создали 102 детализированных маски, отмечающих присутствие угодий. Вместо посещения каждого участка они объединили несколько глобальных продуктов данных: существующую карту болот с разрешением 30 метров, цифровую модель рельефа, указывающую на низкие, подверженные затоплению участки, и индекс растительности, выделяющий зеленые растущие растения. Четверо аннотаторов сверяли работу друг друга, отбрасывали сцены при отсутствии согласия и определили один широкий класс «водно-болотное угодье», чтобы сохранить согласованность меток от арктических болот до тропических зарослей.

Обучение машины распознавать сырую землю

Вооружившись этим атласом, исследователи обучили 15 различных моделей глубокого обучения, выполнявших «семантическую сегментацию» — присваивание каждому пикселю изображения метки «болото» или «не болото». Они протестировали три популярные архитектуры сетей, которые хорошо зарекомендовали себя на медицинских снимках и других экологических изображениях, и сочетали каждую из них с пятью способами измерения ошибок обучения, известными как функции потерь. Поскольку угодья обычно составляли меньшинство в каждой сцене, они также экспериментировали с функциями потерь, адаптированными для несбалансированных данных. Обучающие изображения разделяли по географии, а не случайно, чтобы модели всегда тестировались на местах, которых они ранее не видели поблизости, что снижало риск переобучения на локальных особенностях.

Выбор победителя и проверка в реальном мире

После обучения лучшие модели подвергли более жестким испытаниям. Команда создала независимый тестовый набор, используя более четкие снимки с разрешением три метра трех природных заповедников в США, затем снизила детализацию вручную обрисованных контуров болот, чтобы привести их к более грубому разрешению Sentinel-2. Чемпионом оказалась сеть ResUNet34 в сочетании с гибридной функцией потерь «focal-dice». Эта версия Swamp-AI корректно пометила примерно 94% пикселей в целом и достигла показателя intersection-over-union — строгой меры совпадения предсказанных и истинных зон болот — около 75%. Визуальные проверки показали, что она продолжала обнаруживать болота и трясины даже за пределами регионов тестирования. Авторы затем применили Swamp-AI к известным водно-болотным угодьям по всему миру и обнаружили, что при небольшой настройке внутреннего порога уверенности модель сохраняет высокую точность от холодных северных торфяников до тропических пойм.

Прослеживая сокращение береговой линии в Нью-Йорке

Чтобы проиллюстрировать практическое применение Swamp-AI, команда отслеживала островки солончаковых болот в заливе Джамейка-Бей, Нью-Йорк, с 2019 по 2024 год. Запуская модель на годовых композитных изображениях, они оценили, что острова залива в сумме теряли примерно 18 гектаров болот в год: некоторые острова оставались относительно стабильными, тогда как другие демонстрировали явную ретратацию. Сравнение снимков, сделанных при высоком и низком приливе в 2024 году, выявило еще одну особенность: когда уровень воды был низким и поверхности болот обнажались, Swamp-AI обнаруживал почти на 30% больше площади болот, чем на снимках при высоком приливе, что подчеркивает чувствительность спутникового картирования к времени съемки и уровню воды.

Новая система раннего предупреждения о потере болот

Для неспециалистов главный вывод таков: Swamp-AI действует как автоматический инспектор болот, сканируя глобальные спутниковые потоки и отмечая, где вегетированные, заболоченные участки стабильно сохраняются или исчезают. Пока он не может различать тонкие детали, такие как виды растений или подтипы угодий, и унаследовал некоторые ограничения от эталонных карт, использованных при обучении. Тем не менее, предоставляя быстрые, глобально сопоставимые карты с точностью, сопоставимой со многими локальными исследованиями, Swamp-AI предлагает экологам и планировщикам инструмент раннего предупреждения. Он может помочь нацелить дорогостоящие полевые обследования на наиболее уязвимые участки и поддержать более разумные решения по восстановлению, прибрежной защите и повышению климатической устойчивости.

Цитирование: 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

Ключевые слова: водно-болотные угодья, дистанционное зондирование, глубокое обучение, экологический мониторинг, спутниковые снимки