科罗拉多州立大学玛丽·格登 人类压力的巨大变化被定义为2019年的ml-HFI减去2000年的ml-，其中红色阴影表示变化大于0
25，蓝色阴影表示小于0的变化
25
灰色阴影表示2000年的ml-HFI作为参考
绿色轮廓国家正在经历HFI的大幅增长，并朝着SDG15取得进展
插图提供了增加人类压力的例子以及美国有线电视新闻网用来识别人类活动的相关特征
从左到右，每个插图显示(左)年份-2000 GFCv1
7幅图像，(中)年-2019年
7张图片和(右)与美国有线电视新闻网2019年预测ml-HFI最相关的特写
GFCv1
7图像以假色绘制，因为其光谱带在可见光谱之外
信用:环境研究信函(2021)
DOI: 10
1088/1748-9326/abe00a 冠状病毒大流行导致研究人员因健康协议或无法旅行而改变策略或暂时放弃项目
但是对于科罗拉多州立大学的帕特里克·凯斯和伊丽莎白·巴恩斯这对夫妻科学家来说，过去的一年带来了富有成效的研究合作
他们与密歇根大学助理教授尼尔·卡特合作，在《环境研究快报》上发表了一篇论文，概述了基于卫星的人类对世界各地土地压力的地图
首席作者、加州大学全球环境可持续发展学院的研究科学家凯斯说，该团队使用机器学习来制作地图，该地图揭示了世界各地景观发生突变的地方
这张地图展示了近期毁林、采矿、道路网络扩张、城市化和农业增长的影响
“我们开发的地图可以帮助人们理解生物多样性保护和可持续发展方面的重要挑战，”凯斯说
大流行年为科罗拉多州立大学的科学家帕特里克·凯斯和伊丽莎白·巴恩斯夫妇提供了一个合作进行新研究的机会
荣誉:乔·门多萨/加州大学摄影系 这种类型的地图可用于监测联合国可持续发展目标15“陆地上的生命”的进展情况，该目标旨在促进可持续发展，同时保护生物多样性
包含来自世界各地数据的八种算法 巴恩斯是加州大学大气科学系的副教授，他在项目的数据方面承担了重任
她一边用Keys惊人地履行养育责任，一边编写前所未有的代码，处理数万亿个数据点，并训练多达八种不同的算法来覆盖世界的不同地方
然后，她合并了算法，为整个星球提供了一个无缝的分类
起初，两位研究人员必须学会说对方的工作语言
巴恩斯说:“帕特最初对这项研究有一个想法，我说，“机器学习不是那样工作的。”
然后她和他一起勾画出组件:输入是我们希望能够从太空看到的东西，比如卫星图像；输出是对人类在地球上所做事情的某种衡量
等式的中间部分是机器学习
凯斯说巴恩斯设计的是一个卷积神经网络，通常用于解释图像
这类似于脸书网站建议在照片中标记朋友时的工作方式
“这就像我们的眼睛和大脑，”他说
在开发算法的过程中，他们使用了现有的数据，这些数据对人类对地球的影响进行了分类，包括道路和建筑、牲畜放牧地和森林砍伐等因素
然后，卷积神经网络学会了如何根据现有数据准确解释卫星图像
从一个国家的分析，到世界 研究人员从印度尼西亚开始，这个国家在过去的20年里经历了快速的变化
夏末，当他们对自己在印度尼西亚使用机器学习识别的东西有信心后，凯斯建议他们观察整个地球
“我记得告诉他这是不可能的，”巴恩斯说
“他知道每当我说这句话的时候，我都会回去努力让它发挥作用
一周后，我们发现了整个地球
" 巴恩斯说，使用机器学习并不简单，它需要一些后续工作来确保数据的准确性
“不管是不是垃圾，机器学习总能提供答案，”她解释道
“作为科学家，我们的工作是确定它是否有用
" 2000年，凯斯在谷歌地球上花了很多个晚上查看了全球2000多个地方，然后将这些网站与2019年进行了比较
他注意到了变化，并与巴恩斯确认了数据
研究小组还深入三个国家——圭亚那、摩洛哥和冈比亚——以更好地了解他们的发现
将来，当新的卫星数据可用时，凯斯说该团队可以快速生成新的地图
“我们可以将这些数据插入到这个现在已经训练好的神经网络中，生成一张新的地图，”他说
“如果我们每年都这样做，我们将会有连续的数据显示人类对景观的压力是如何变化的
" 凯斯说，这个研究项目在过去的一年里帮助他振作了精神
“老实说，在流感大流行期间，我过得很艰难，”他说
“回顾过去，我能够参与这个令人兴奋、有趣、有趣、开放的项目，与伟大的人一起工作
它极大地点亮了这场流行病
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
