Swamp-AI: en djupinlärningsmodell för att övervaka våtmarksförändringar över hela världen

Varför det är viktigt att bevaka jordens fuktiga gränsområden

Våtmarker – kärr, träsk, deltan och översvämningsslätter – skyddar i tysthet våra kuster, lagrar kol, renar vatten och ger skydd åt vilda djur. Ändå krymper de över hela världen, ofta utom synhåll i avlägsna eller svåråtkomliga områden. Denna studie presenterar “Swamp-AI”, ett datorvisionssystem som skannar satellitbilder för att hitta våtmarker och följa hur deras utbredning förändras över tid, och erbjuder ett snabbare och billigare sätt att ha koll på dessa hotade landskap.

Att se dolda vatten från rymden

Traditionella våtmarksinventeringar bygger på experter som besöker platser och mäter växter, jordarter och vattennivåer. Den typen av fältarbete är långsam och kostsam, och många våtmarker ligger i vägfria tundror, tropiska översvämningsslätter eller politiskt instabila regioner. Satelliter, däremot, kretsar runt jorden varannan till var femte dag och fångar upprepad avbildning av jordytan. Utmaningen är att omvandla dessa råa bilder till tillförlitliga våtmarkskartor utan en armé av mänskliga tolkar. Tidigare kartläggningsmetoder krävde att specialister noggrant ställde in tröskelvärden eller ritade gränser för hand, och de resulterande modellerna fungerade ofta bara i ett land eller för en typ av våtmark. Swamp-AI syftar till att bryta den flaskhalsen genom att lära sig generella “visuella signaturer” för våtmarker som håller från Louisiana till Mekongdeltat.

Att bygga ett globalt träningsatlas

För att lära en algoritm hur en våtmark ser ut behövde teamet först sammanställa ett träningsatlas av märkta satellitscener. De skapade Global Swamp Annotated Database (GSADB) med 2019 års bilder från Europas Sentinel-2-satellit, som ger medelupplösta färg- och infraröda vyer av jorden var femte dag. Från 34 platser världen över, som täcker 21 inlandslägen och 13 kustregioner, ritade de 102 detaljerade masker som markerar var våtmarker fanns. Istället för att besöka varje plats kombinerade de flera globala dataprodukter: en befintlig 30-meters våtmarkskarta, en digital höjdmodell som indikerar låglänta, översvämningsbenägna områden, och ett vegetationsindex som framhäver gröna, växande växter. Fyra annoterare kontrollerade varandras arbete, förkastade scener när de inte kunde enas, och definierade en enda bred klass ”våtmark” för att hålla etiketterna konsekventa från arktiska kärr till tropiska träsk.

Att lära maskinen känna igen fuktig mark

Beväpnade med detta atlas tränade forskarna 15 olika djupinlärningsmodeller som utför ”semantisk segmentering” – alltså tilldelar varje pixel i en bild antingen våtmark eller icke-våtmark. De testade tre populära nätverksarkitekturer som har fungerat väl på medicinska bilder och andra miljöbilder, och kombinerade varje arkitektur med fem sätt att mäta träningsfel, så kallade förlustfunktioner. Eftersom våtmarker vanligtvis utgjorde minoriteten i varje scen, experimenterade de också med förlustfunktioner anpassade för obalanserade data. Träningsbilderna delades upp efter geografi, inte slumpmässigt, så att modellerna alltid testades på platser de aldrig sett i närheten, vilket minskade risken för överanpassning till lokala särdrag.

Att välja en vinnare och testa i verkligheten

Efter träning utsattes de bäst presterande modellerna för hårdare prov. Teamet skapade en oberoende testuppsättning med skarpare, 3-metersbilder från tre naturreservat i USA, och nedskalade sedan de handritade våtmarkskonturerna för att matcha Sentinel-2:s grövre upplösning. Mästartiteln gick till ett nätverk kallat ResUNet34 kombinerat med en hybrid ”focal-dice” förlustfunktion. Denna version av Swamp-AI klassificerade korrekt cirka 94 % av pixlarna totalt och uppnådde ett intersection-over-union-värde – ett strängt mått på hur väl predicerade och verkliga våtmarksområden överlappar – på cirka 75 %. Visuella kontroller visade att den fortsatte hitta kärr och träsk även utanför de regioner som användes för testning. Författarna tillämpade sedan Swamp-AI på välkända våtmarker världen över och fann att den, med en liten justering av sin interna konfidenströskel, bibehöll hög noggrannhet från kalla nordliga mossar till tropiska översvämningsslätter.

Att följa en krympande strandlinje i New York

För att illustrera hur Swamp-AI kan användas i praktiken spårade teamet saltmarsöar i Jamaica Bay, New York, från 2019 till 2024. Genom att köra modellen på årliga bildkompositer uppskattade de att buktens öar tillsammans förlorade cirka 18 hektar våtmark per år, där vissa öar förblev relativt stabila medan andra visade starka tecken på tillbakadragande. Jämförelser av bilder tagna vid hög- och lågvatten 2024 avslöjade en annan nyans: när vattennivåerna var låga och marschytor blottades hittade Swamp-AI nästan 30 % mer våtmarksarea än i högvattenvyn, vilket understryker hur känslig satellitbaserad kartläggning kan vara för tidpunkt och vattennivå.

Ett nytt tidigt varningssystem för våtmarksförlust

För icke-specialister är huvudbudskapet att Swamp-AI fungerar som en automatiserad våtmarksinspektör, som skannar globala satellitflöden och flaggar var vegetationstäcka, vattenmättade områden håller sig stabila eller försvinner. Det kan ännu inte särskilja detaljer som växtarter eller våtmarkssubtyper, och det ärft några begränsningar från referenskartorna som användes för träningen. Ändå, genom att leverera snabba, globalt konsistenta kartor med noggrannhet jämförbar med många lokala studier, erbjuder Swamp-AI bevarandeforskare och planerare ett tidigt varningsverktyg. Det kan hjälpa till att styra kostsamma fältinventeringar till mest utsatta platser och stödja smartare beslut om restaurering, kustområdesskydd och klimatanpassning.

Citering: 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

Nyckelord: våtmarker, fjärranalys, djupinlärning, miljöövervakning, satellitbilder