AI-metode afslører millioner af døde træer, skjult blandt de levende, før Californiens historiske skovbrande i 2020

Klimaforandringer har sat skoven i fokus globalt, på godt og ondt. Initiativer til at plante træer og øge skovenes areal er skudt frem verden over, fordi træerne kan trække CO₂ ud af atmosfæren og fastholde den. Men samtidigt har massive og mere hyppige skovbrande raset for rullende kameraer, og tvunget hundredetusinder til at flygte fra deres hjem.

Et af de steder, som har været hårdest ramt af tørke og skovbrænde, er Californien, hvor 4% af statens samlede areal i 2020 gik op i røg. Forskere ved Københavns Universitet kan nu vise et nyt og skarpere billede af de Californiske skoves helbred, der viser en ny status for skovdød i regionen, og en mulig, hidtil ukendt, bagvedliggende forklaring på de omfattende brande i et studie, som er udgivet i Nature Communications.

Ved hjælp af en optimeret AI-model og luftfotos med høj opløsning (<1 meter) har forskerne været i stand til at kortlægge træernes sundhed på tværs af hele Californien, og beskrive udbredelsen af døde træer (over 90 millioner træer) med en præcision, der aldrig før er opnået. Den bedrift viste sig at afsløre en underoptælling af døde træer, der alle har et særligt karaktertræk:

"Vores data viser, at et rigtig stort antal af disse træer er isolerede, eller placeret i små klynger af kun få træer, hvilket har tilladt dem at gemme sig spredt blandt sunde, levende træer på satellitbilleder med dårligere opløsning. Det er ny viden," siger Stéphanie Horion fra Københavns Universitets Institut for Geovidenskab og Naturforvaltning.

Ifølge forskeren er brandspredning i forbindelse med skovbrande stærkt forbundet med den ujævne fordeling af brændsel, hvor tæt det står, og dets brandbarhed.

"Det gør det rimeligt at spekulere i, at sådanne spredte enklaver af døde, tørre træer kan have fungeret som en slags tænd-briketter mellem de levende træer, og således påvirket brandenes intensitet og spredning. Denne nye viden er interessant både som en mulig del af forklaringen på Californiens voldsomme skovbrande, men i den grad også for vores forsøg på at forstå fænomenet trædød mere generelt," siger Stéphanie Horion.

Ilden er ikke træernes største dræber

Faktisk var formålet med undersøgelsen ikke at studere skovbrande specifikt. Snarere har forskernes mål været at blive klogere på det globale fænomen massiv trædød, hvor store skovarealer pludselig dør bort. Et fænomen, der er blevet stadig mere hyppigt, og som drives af klimaforandringer.

På grund af skovbrandes imponerende og faretruende natur, bliver de i offentlighedens øjne ofte fejlagtigt opfattet som den helt store enkeltårsag til trædød. Casestudiet i Californien har dog vist, at det ikke er tilfældet. Faktisk er det snarere omvendt, viser det sig.

”Den nye data viser, at tørke og efterfølgende insektangreb er de største dræbere i skovene. Ilden kan så følge efter som en indirekte konsekvens. For at en skovbrand kan bryde ud, kræver det grundlæggende tre ting: Varmt, tørt vejr og klimaforhold, som klimaforandringer har øget hyppigheden af, noget til at antænde den – fx lynnedslag eller en uopmærksom person – og så masser af brandbare materialer. Tørke sænker træernes immunforsvar, hvilket øger risikoen for at mange træer dør, fx efter angreb af barkbiller. Og døde træer brænder godt,” forklarer Stephanie Hoiron.

Hun peger på den tyske skov Harzen, som eksempel på massiv skovdød, hvor tørke og siden barkbiller har taget livet af kæmpe arealer, længe før skovbrande blev en del af problemet.

”Ironisk nok var mange lokale glade, da barkbillerne først blev opdaget, fordi de så dem som et tegn på skovens sundhed og biodiversitet. Det har siden vist sig, at disse biller i tørkeperioder spreder sig som en epidemi, og en tredjedel af Harzens træer er i dag helt døde af den grund. Det er vi nødt til at lære af, hvis det er meningen, at træplantning skal spille en vigtig rolle som klimaløsning,” siger forskeren.

Hun understreger, at den nye AI-model kan blive et afgørende nyt redskab i den fremtid, fordi den effektive kortlægning af trædød kan give forskere og myndigheder et system til tidlig varsling, der gør det muligt at gribe ind i tide.

AI overvågning af trædød har globalt potentiale og betydning

For at udvikle den nye metode, trænede forskningsartiklens førsteforfatter, Yan Cheng, en AI-model til at undersøge detaljerede luftfotos og genkende tegn på trædød. Yan, som er ph.d.-studerende på projektet DRYTIP, der undersøger tørke-relaterede tipping points i økosystemer, brugte til formålet mere end 20.000 ”computer-venlige” polygoner til at definere områder med bestemte karakteristika.

Polygoner er en måde at opdele et område i klart definerede dele, der er egnede til AI-læring. De blev brugt til at træne den kunstige intelligens til at genkende træer i forskellige tilstande og omstændigheder, og skelne døde fra levende (dvs. i forskellige landskaber og forskellige stadier af død).

Meget enkelt gør tilgangen det muligt at skelne mellem levende skove, døde skove og skove med en blanding af døde og levende træer. Det efterfølgende casestudie, der skulle afprøve modellen, bestod af et stort antal højkvalitets luftfotos af skove i Californien. Og resultatet var markant.

”Modellen præsterer langt over forventning. Af de 90 millioner døde træer, som vores kunstige intelligens var i stand til at identificere, ville omkring 60% have forblevet ukendte ved brug af den bedste nuværende metode til kortlægning af skader på skovens sundhed og produktivitet,” forklarer Yan Cheng.

Problemet med klima-relateret trædød er dog langt fra lokalt. Heldigvis har metoden vist sig anvendelig i store dele af verden, og forskerne er i gang med lignende undersøgelser flere steder i verden.

”Vi har allerede prøvetestet den andre steder siden, og selv uden at kalibrere modellen til andre skovtyper, giver den overraskende præcise resultater. Når den er lokalt kalibreret til den type træer og særlige terræn, der er findes lokalt, vil den være endnu mere effektiv,” siger Yan Cheng.

Forskerne håber, deres algoritme kan blive et vigtigt redskab, der finder brug mange steder i verden. Derfor er både deres resultater og selve koden for AI-modellen gjort frit tilgængelig for forskere og myndigheder.