Microsoft와 National Geographic Society, 지구 혁신 지원 대상자를위한 AI 발표
북극권의 녹는 빙하에서부터 이전에 깨끗했던 아티 틀란 호수의 조류 꽃, 머치 슨 폭포 주변의 생태계 변화, 남극 대륙의 펭귄 추적에 이르기까지 우리 주변 세계에 대한 더 많은 지식이 필요하고 어떻게 변화하고 있는지는 분명하고 심각합니다. 오늘 내셔널 지오그래픽 협회 (National Geographic Society)와 파트너십을 맺고 Microsoft 는 7 월에 발표 된 Microsoft와 National Geographic Society AI for Earth Innovation Grant 프로그램 의 수상자를 발표하게되어 기쁘게 생각합니다 .
인공 지능 (AI)의 도움을 받아이 11 개의 체인지 메이커는 세계의 천연 자원을보다 효과적으로 지속적으로 모니터링, 모델링 및 궁극적으로 관리하기위한 새로운 통찰력을 발견 할 것입니다. 전 세계의 지구를위한 200 명 이상의 AI와 같은이 수 여자 는 과학적 탐구 및 연구에서 AI의 혁신적인 응용 프로그램을 테스트 하여 중요한 환경 문제를 해결하는 데 도움을줍니다. 기후 변화, 생물 다양성 보전, 농업 및 물의 네 가지 범주로이 혁신적인 지도자와 그들의 영감을주는 작업을 아래에서 소개합니다.
기후 변화
데이터는 명확합니다. 기후 변화는 실제이며 전 세계적으로 대응해야합니다. 그러나 어떤 행동이 가장 효과적입니까? 그리고 진도를 어떻게 측정 할 수 있습니까? 이 두 수 여자는 AI로 이러한 질문에 답하고 있습니다.
지구의 녹는 빙하에 대한 더 나은 이해
녹는 빙하는 지구 온난화의 가장 명확한 시각적 증거를 제공합니다. 불행히도, 데이터 수집 및 이러한 변화 측정은 조잡하게 만 수행 할 수 있기 때문에 빙하 표면 변화 및 용융 속도를 측정하기가 까다롭기 때문에 미래에 이러한 변화를 계획하지 마십시오.
이것은 조셉 쿡이 너무나 잘 알고있는 좌절입니다. 지난 10 년 동안 그는 주로 Greenland Ice Sheet의 야영지에서 12 개 이상의 북극 야전 탐험을 수행했으며, 전 세계 과학 저널, 다큐멘터리 및 컨퍼런스에서 발견 및 연구 통찰력을 쏟아 냈습니다.
이러한 경험으로 인해 Cook은 기계 학습, 특히 드론 및 위성의 광학 데이터에 적용하여 변화하는 극저온을 탐험했습니다. 핵심은 깨끗한 눈에서 먼지로 덮인, 조류로 덮인 물에 녹은 얼음에 이르기까지 얼음 표면 진화의 복잡성을 포착하는 것입니다. 다른 표면이 특정 파장의 빛, 즉 위성과 드론으로 측정 할 수있는 파장을 어떻게 반영하는지 인식하도록 알고리즘을 훈련시킴으로써 광대 한 지역의 정밀한 연구가 가능해집니다. Cook의 팀은 맞춤 제작 드론의 이미지 알고리즘을 테스트 한 후 위성 원격 감지 데이터에 적용하여 전체 빙하까지 확장 할 수 있습니다.
아프리카의 기후 관련 이주 예측
전 세계 사람들은 주소 변경을 포함하여 변화하는 기후에 대처하기 위해 이미 행동을 조정하고 있습니다. 이러한 조치는 특정 지역에서 기후 변화가 발생하는 방식과 사람들이 어떻게 대응할 것인지에 대한 유용한 정보를 제공합니다. 그러나 많은 국가의 역사적 패턴이 문서화되지 않았기 때문에 기후 변화가 언제, 어디서, 어떻게 기후 변화가 사람들의 대량 이주를 유발할 수 있는지 예측하는 것은 매우 어렵습니다.
Solomon Hsiang은 기후 변화가 사회의 모든 수준에서 갈등을 증가시키고 생산성의 급격한 감소와 관련이 있다는 연구를 통해 새로운 지평을 열었습니다. 현재 Hsiang 팀은 AI를 적용하여 기후 변화가 과거 아프리카 전역의 이주에 어떤 영향을 미치는지 살펴보고 있습니다.
이 팀은 1943 년 이래로 18 개 아프리카 국가를 대상으로 실시한 설문 조사에서 160 만 장의 항공 사진을 디지털화하고 있습니다. 스캔 된 이미지에 머신 러닝을 적용함으로써 아프리카 전역에서 인구 밀도, 도시 범위 및 토지 이용의 연대기를 재구성하고 있습니다. 통계 도구, 경제 이론 및 기후 모델 예측을 통해 미래의 아프리카 전역에 걸친 이주 위험을 추정하기 위해 연대기를 사용할 수 있습니다. 누가, 어디서, 왜 위험에 처한지를 이해함으로써 사회, 특히 정부는 결국 현재를 변화시키고 미래에 적응할 수있는 정보를 갖게 될 것입니다.
생물 다양성 보전
최신 보고서는 상황이 지구상의 생명에 대한 끔찍한입니다 나타냅니다. 지구상의 수백만 종으로 분류 된 종의 작은 부분을 고려하면 상황은 훨씬 더 나빠질 것입니다. 시간이 짧고 자원이 얇으며 데이터가 행성 수준에 존재합니다. 생물 다양성 프로젝트를 수행하는이 네 명의 양수인처럼 AI로 무장 한 체인지 메이커의 직업처럼 들립니다.
남극 펭귄 인구 추적
남극 대륙과 그 주변의 바다는 기후 변화의 영향으로 위협 받고있는 먼 곳의 원시 광야입니다. 얼음이 녹고 기온이 올라가면 서식지가 바뀌고 펭귄을 비롯한 지역 야생 생물 개체군이 먹이를 먹을 수 있습니다. 펭귄 인구는 추적하기 까다 롭습니다. 외딴 서식지는 데이터를 수집하고 처리하는 데 어려움이 있으며, 식민지를 식별한다는 것은 종종 비슷한 색의 암석에 대한 구아노 얼룩과 같이 찾기 어려운 마커를 찾는 것을 의미합니다.
스토니 브룩 대학교 (Stony Brook University)의 정량 생태 학자이자 부교수 인 헤더 린치 (Heather Lynch)는 AI가 두 가지 데이터 문제를 모두 해결할 수는 없지만 개선하기 위해 사용될 수 있다고 생각합니다. 특히, 그녀는 위성 영상에서 구아노 얼룩을 찾기 위해 컴퓨터 비전을 사용할 계획입니다. 이것은 펭귄 식민지에 대한 인구 추정치를 생성하는 분류 알고리즘을 알려주고 개발하는 데 도움이 될 것입니다.
Lynch는“이 펭귄 프로젝트를 통해 위성 이미지를 자동으로 가져오고 처리하고 인구 추정치를 생성하며 의사 결정 지원 도구를 통해 해당 정보를 제공 할 수있는 최초의 실제 사례 중 하나를 보유하고 있습니다.”라고 Lynch는 설명합니다. 그녀의 희망? 보존 주의자와 정책 입안자들이 데이터를 쉽고 지속적으로 이용할 수있게되면 펭귄에 대한 더 나은 예측.
음장 녹음에서 새 노래 식별
멸종 위기에 처한 종을 보호하기 위해 과학자들은 직접적인 현장 관찰자들이 포착 할 수있는 것보다 많은 데이터를 수집해야합니다. 마이크, 카메라 트랩 및 기타 자율 센서와 같은 간접 관찰 방법은 이러한 격차를 줄이는 데 없어서는 안될 도구입니다. 그러나 이러한 변형 도구에는 새로운 과제가 있습니다. 통찰력을 파악하기 위해 모든 도구를 구문 분석 할 수있는 경우에만 더 많은 문제가 있습니다.
새 노래는 복잡성으로 인해 분류하기가 특히 어렵습니다. 그러나 조류 개체군은 건강에 해로운 환경에 대한 조기 경고를 제공하기 때문에 모니터링해야합니다. 피츠버그 대학의 생물학과 조교수 인 저스틴 키츠 (Justin Kitzes)는 조류 개체수 변화를 더 잘 이해하기 위해 인공 지능 보조 연구 및 조류 노래 분류를 개척하고있다.
그의 OpenSoundscape 소프트웨어는 랩탑, 클라우드 서비스 또는 슈퍼 컴퓨터에서 미국에서 발견 된 약 600 종의 조류에 대한 훈련 된 분류기 라이브러리와 함께 음향 분석을 제공 할 것입니다. 이 연구에 의해 가능해진 데이터 수집은 변화하는 행성에서 조류와 다른 보컬 종의 효과적인 보존을위한 기반을 형성하는 데 도움이 될 것입니다.
열대 우림에서 곤충 소리 모니터링
열대 우림의 이점 (탄소 생물 저장 및 산소 생산뿐만 아니라 광대 한 생물 다양성)이 잘 알려져 있지만, 높은 캐노피와 빽빽한 초목으로 인해 야생 생물을 관찰하기가 어렵 기 때문에 그 안에 포함 된 종과 생태계에 대한 자세한 이해는 여전히 불가능합니다. Cornell University의 Bioacoustics Research Program의 Holger Klinck 및 Laurel Symes는 열대 우림 서식지의 역학을 더 잘 이해하는 방법으로 곤충에 대한 인공 지능 기반 음향 모니터링을 찾고 있습니다.
곤충은 일반적으로 종 내에서 거의 변하지 않는 단일 짝짓기 호출을 생성하여 식별 및 분류를 단순화합니다. 또한 태어날 때 먼 곳을 여행하지 않기 때문에 지역 환경의 건강에 대한 좋은 지표가됩니다.
Klinck의 팀은 열대성 먹이 그물에서 중심 위치를 차지하는 다양한 종인 신생 열대 우림 케이티 디드에 먼저 초점을 맞추고 있습니다. 다양한 종류의 katydids가 식물과 동물 모두의 다른 산림 종과 상호 작용하는 방법은 전체 생태계에 대한 많은 정보를 제공 할 수 있습니다. Klinck는 열대 우림의 보존을 돕기 위해 곤충을 넘어 조류, 원숭이 및 기타 성대 동물을 포함한 다른 종으로 확장하는 것을 목표로합니다.
라이온 인구에 대한 데이터 캡처 및 공유
효과적인 동물 보호를 위해서는 무엇을 가지고 있고 어디에 있는지 알아야합니다. 그러나 일부 동물은 국경과 보존 구역과 같은 인공 경계를 무시하고 널리 여행합니다. 이러한 경계는 여행 및 데이터 공유뿐만 아니라 자원의 낭비로 인해 연구원을 제약하므로 정확한 인구 수를 얻는 것이 어려워집니다. 그들은 각 지역마다 다른 동물을 세고 있습니까, 아니면 더 넓은 지역에 걸쳐 같은 동물을 세고 있습니까? 무리가 현장 작업 도중 국경을 넘어 이동하면 어떻게됩니까? 동물들이 눈에 띄는 특징이 거의없는 경우 이러한 질문에 대답하기가 더 어렵습니다.
생물 학자 스테파니 돌 렌리 (Stephanie Dolrenry)와 시스템 엔지니어 저스틴 다운스 (Justin Downs)의 발명품 인 라이온 식별 네트워크 협력자 (LINC)의 임무는 그보다 쉬워졌습니다. 협업 데이터베이스, 혁신적인 AI 검색 기능 및 소셜 미디어 도구를 결합한 사용자 지정 웹 응용 프로그램을 통해 사자 연구를 통합합니다. LINC는 보존 정책, 시민 과학자 및 정부 기관 간의 보존 노력, 데이터 공유를위한 플랫폼을 만들어 보존 정책을 수립하고 정보를 제공합니다.
현재 LINC 팀은 개별 라이온을 식별하기 위해 AI 기술을 추가로 개발하고 있습니다. 한 기술은 사자의 얼굴 특징을 사람이 볼 수있는 것보다 더 정밀하게 매핑합니다. 다른 하나는 수염처럼 지문이 고유 한 수염 패턴을 식별 할 수 있습니다. 더 나은 식별은보다 체계적인 연구 및 보존 노력을 가능하게합니다.
농업
전 세계의 농지는 우리 시대의 가장 큰 도전 중 하나입니다. 물을 덜 사용하고 더 많은 해충을 처리하고 예측할 수없는 성장기를 관리하는 동시에 많은 에이커의 새로운 경작지없이 오늘날보다 30 억 명의 사람들에게 먹이를주고 있습니다. 이 문제를 해결하는 것은 많은 인간의 독창성과 새로운 기술이 이미 3 명의 수 여자에 의해 테스트되고 있습니다.
우간다의 관개 효율 향상
적은 자원으로 더 많은 수율을 얻으려면 특히 물과 같은 귀중한 자원의 정확성이 중요합니다. 물 작물이 실제로 얼마나 필요한지 아는 한 가지 방법은 토양과 식물 표면에서 증발하는 물의 양, 즉 증발산 (ET) 비율을 측정하는 것입니다. 그렇지 않으면 농부들은 비효율적으로 물을 줄 가능성이 있지만 측정하기는 어렵습니다.
Torsten Bondo와 Radoslaw Guzinski는 기계 학습 및 위성 이미지를 사용하여 필드 레벨 ET 측정을 생성하는 방법을 모색하고 있습니다. 그들은 효과적인 관개를 위해 적절한 양의 물을 결정하기 위해 기상 데이터뿐만 아니라 광학 및 열 위성의 데이터를 병합 할 수있는 오픈 소스 알고리즘을 개발하고 있습니다. 이 시스템은 인구 증가와 기후 변화로 인해 물이 부족한 우간다의 대규모 국가 관개 프로젝트에서 테스트됩니다.
팀은이 기술이 지구 내에서 동일한 수율로 물 사용을 최대 30 % 줄일 수 있다고 예측합니다. 그들은이 기술이 전 세계 다른 가뭄에 취약한 국가에서 더 나은 관개 관행을위한 길을 열어 줄 것으로 기대하고 있습니다.
농지 및 물 사용 매핑
켈리 케이 일러 (Jelly Caylor), 산타 바바라 (Santa Barbara) 캘리포니아 대학교 (University of California)의 지리학과 및 브렌 (Bren) 환경 과학 및 경영 대학원의 지구 연구 연구소 책임자 및 생태 수학과 교수. Kelly Caylor의 사진 제공.
기후 변화가 날씨 패턴을 방해함에 따라 강우량은 더욱 신뢰할 수 없게되었습니다. 농부들은 중앙 피벗 관개를 위해 더 많은 우물을 뚫고 있습니다. 중앙 관개를 중심으로 회전하는 스프링클러로 작물에 물을주는 방법입니다. 그러나이 접근법은 수위가 낮아 지거나 배수 될 수 있으며, 해안 대수층의 염분, 육지 침강 및 생태계 파괴로 이어질 수 있습니다.
샌타 바버라 (Santa Barbara), 캘리포니아 대학교 (University of California)의 생태 수학 교수 인 켈리 케이 일러 (Kelly Caylor)는이 지하수 원에서 얼마나 많은 물이 사용되고 있는지 조사하고있다. 그는 기계 학습을 사용하여 위성 이미지 및 지형 공간 분석 도구에서 활성 작물 필드를 식별하여 시간에 따른 작물의 변화를 모니터링하는 웹 도구를 개발하고 있습니다. 농작물이 자라는 곳과 시간을 알고 날씨 데이터와 상관 관계를 파악하면 물 사용량을 추론 할 수 있습니다.
센터 피벗 관개에 의해 사용되는 지하수의 양을 더 잘 이해하면 더 나은 수자원 관리 정책뿐만 아니라보다 최적의 효율적인 관행을 개발할 수있는 기회가 생길 것입니다. 온라인지도와 도구를 통해 농민, 수자원 관리자, 정책 입안자 및 대중은 농업을보다 토지와 물 효율적으로 만들 수 있습니다.
우간다에서 토지 표지 변경 감지
우간다의 머치 슨 폭포 국립 공원은 코끼리, 기린, 하마 및 침팬지와 같은 상징적 인 종의 안전한 집입니다. 인근의 앨버트 호수와 주변 지역은 어업과 농업을 지원하며 석유와 같은 다른 천연 자원이 풍부하여 수입도 제공합니다. 특히 경쟁이 치열한 천연 자원 관리는 토지에 어떤 변화가 일어나고 있는지 모른 채 불가능합니다. 머치 슨 폭포 주변에서 토지 표지 매핑은 10 년 전에 마지막으로 이루어졌습니다.
지리 정보 시스템 전문가 인 Ketty Adoch가이를 해결하기 위해 노력하고 있습니다. 지리 데이터에 기술 도구를 적용하는 데 큰 옹호자 인 그녀는 위성 이미지에 대한 감독 분류 및 기계 학습을 사용하여 나무 표지 변경으로 인한 그림자와 같은 지표 유형의 모양이나 크기 변화를 감지합니다. 그녀는 이러한 분석을 역사적으로, 그리고 유망한 알고리즘이 개발되면 앞으로 10 년 동안 지속적으로 수행 할 것입니다.
연구 결과, 보존 연구자 및 기술자는 연구 결과를 기록하는 알고리즘 및 맵과 같은 주요 결과를 통해 해당 지역의 지표 변화를 모니터링하고 석유 활동의 영향을 확인하며 향후 보존 노력을 지원할 수 있습니다.
물
담수는 지구상 물의 2 % 미만을 차지하며 그 중 1 % 만 쉽게 접근 할 수 있습니다. 그것은 엄청나게 중요하고 매우 유한 한 자원에 대한 많은 압력입니다. 양수인 2 명은이 귀중한 자원을보다 효과적으로 측정, 모니터링 및 관리하기위한 새로운 기술을 선도하고 있습니다.
해조류 발생에 대한 조기 경보 제공
수년 동안 과테말라 고원의 아티 틀란 호수의 물은 자연의 아름다움과 생물 다양성의 랜드 마크인 깨끗했습니다. 그러나 2009 년에 호수는 여러 해로운 해조류 (HABs) – 물에서 산소를 빨아 들여 생명에 해를 끼칠 수있는 통제 불가 한 조류의 식민지 중 첫 번째를 경험 했습니다.
아프리카 플로레스는 아티 틀란 호의 첫 번째 HAB가 귀중한 생물 다양성을 보존하기위한 조치를 요구하는 모닝콜이라고 설명합니다. 그러나 과테말라는 자원과 수단이 부족하여 원인을 조사하고 더 잘 이해하고 향후 발생을 예측하고 예방할 수 있습니다. 고맙게도, 헌츠빌에있는 앨라배마 대학의 지구 시스템 과학 센터에서 연구 과학자로서 Flores의 연구는 그녀가 바로이 문제에 집중할 수있게합니다.
Flores와 그녀의 팀은 다른 위성의 이미지 데이터 세트에 대한 심층 분석을 수행 할 것입니다. 기계 학습은 미래 조류 조류를 예측할 수있는 변수를 식별하는 데 도움이됩니다. 이러한 방아쇠가 무엇인지에 대한 지식은 플로레스의 고향 호수뿐만 아니라 중남미에서 유사한 조건을 가진 다른 담수 기관에서도 정확한 예방 조치로 바뀔 수 있습니다.
소형 댐 및 저수지 감지 및 매핑
전 세계 수백만 개의 댐과 저수지는 식수와 수력 발전을 제공하지만 신중하게 건설하고 관리하지 않으면 환경에 위험을 초래할 수 있습니다. 놀랍게도 체계적으로 매핑되는 사람은 거의 없으므로 이들이 서로 어떻게 상호 작용하고 주변 환경과 생태계에 영향을 미치는지를 이해하는 것이 불가능합니다.
Natural Capital Project에서 Gretchen Daily, Lisa Mandle, Richard Sharp 및 Charlotte Weil과 같은 소규모 팀이 현 상태를 바꾸려고합니다. 이 팀은 원격 감지 데이터와 기계 학습을 결합하여 더 작은 댐과 저수지를 감지 할 수있는 모델을 개발하고 있습니다. 이를 위해 댐의 좌표를 사용하여 고해상도 위성 이미지에서 이미 매핑 된 수천 개의 댐을 찾은 다음 기계 학습을 사용하여 위성 이미지의 공유 특성을 기반으로 다른 댐이있는 위치를 투사합니다.
결과는 댐과 저수지를 탐지하기위한 오픈 소스 알고리즘이 될 것이며 샘플 결과는 모두 광범위한 보존 및 지속 가능한 개발 커뮤니티에 무료로 제공됩니다. 댐과 저수지의 위치를 알면 영향을 완화하고 수생 생태계 서비스를 보존 및 관리하고 개발을보다 지속 가능하게 계획하는 데 도움이됩니다.