AI helpt wetenschappers te zien wat reuzenpanda’s zien

Zhu combineerde WorldView-beelden met zeer hoge resolutie met tientallen jaren aan satellietgegevens en deep learning-modellen. Door beelden te combineren die onder verschillende lichtomstandigheden waren gemaakt, verminderde ze de schaduwen en bracht ze bosstructuren aan het licht die voorheen moeilijk te detecteren waren. De modellen leerden ook groenblijvende bamboe te herkennen, zelfs op plekken waar de boomtoppen het zicht blokkeren.

Het resultaat was een gedetailleerde kaart van de bamboe in het Qinling-gebergte, een van de belangrijkste pandaregio's van China. In het westen waren er grote, aaneengesloten stukken bamboe. Het oosten was veel meer versnipperd. Deze verschillen beïnvloeden hoe oe panda's zich door het landschap verplaatsen en of populaties er op de lange termijn kunnen overleven.

Zhu bleef niet bij het in kaart brengen van bossen. Ze stelde ook een centrale vraag in het behoud van panda's: wat bepaalt eigenlijk waar panda's leven? Natuurbeschermers zijn er al lang van uitgegaan dat de hoeveelheid bamboe de belangrijkste factor is.

Zhu ontdekte iets anders. Met behulp van haar boskaarten en ecologische modellen toonde ze aan dat menselijke activiteit zelfs belangrijker is dan de voedselvoorziening. De afstand tot akkerland en wegen voorspelde het aantal panda's beter dan bamboe alleen. Met andere woorden: voldoende bamboe is niet genoeg. Een bos kan nog steeds ongeschikt zijn als er in de buurt te veel menselijke druk is.
Verder dan reuzenpanda's

Hoewel Zhu haar methoden voor panda's ontwikkelde, kunnen ze veel breder worden toegepast. Soortgelijke benaderingen kunnen onderzoekers helpen bij het bestuderen van tropische regenwouden en andere plaatsen waar schaduw en dichte begroeiing satellietkartering bemoeilijken. "Dit gaat niet alleen over panda's", zegt Tiejun Wang, Zhu's copromotor. "Het gaat om het begrijpen van ecosystemen op manieren die voorheen niet mogelijk waren."

Xiao Zhu voerde haar promotieonderzoek uit bij ITC, de Faculteit Geo-informatiewetenschappen en Aardobservatie van de Universiteit Twente. Haar promotor was prof. dr. Andrew K. Skidmore en haar copromotor was prof. dr. Tiejun Wang van de Sun Yat-sen Universiteit in China. Haar proefschrift is getiteld Multi-resolution deep learning for forest structure mapping to support giant panda habitat and distribution modelling.