Using deep convolutional neural networks to forecast spatial patterns of Amazonian deforestation

Abstract

Abstract Tropical forests are subject to diverse deforestation pressures while their conservation is essential to achieve global climate goals. Predicting the location of deforestation is challenging due to the complexity of the natural and human systems involved but accurate and timely forecasts could enable effective planning and on‐the‐ground enforcement practices to curb deforestation rates. New computer vision technologies based on deep learning can be applied to the increasing volume of Earth observation data to generate novel insights and make predictions with unprecedented accuracy. Here, we demonstrate the ability of deep convolutional neural networks (CNNs) to learn spatiotemporal patterns of deforestation from a limited set of freely available global data layers, including multispectral satellite imagery, the Hansen maps of annual forest change (2001–2020) and the ALOS PALSAR digital surface model, to forecast deforestation (2021). We designed four model architectures, based on 2D CNNs, 3D CNNs, and Convolutional Long Short‐Term Memory (ConvLSTM) Recurrent Neural Networks (RNNs), to produce spatial maps that indicate the risk to each forested pixel (~30 m) in the landscape of becoming deforested within the next year. They were trained and tested on data from two ~80,000 km 2 tropical forest regions in the Southern Peruvian Amazon. The networks could predict the location of future forest loss to a high degree of accuracy ( F 1 = 0.58–0.71). Our best performing model (3D CNN) had the highest pixel‐wise accuracy ( F 1 = 0.71) when validated on 2020 forest loss (2014–2019 training). Visual interpretation of the mapped forecasts indicated that the network could automatically discern the drivers of forest loss from the input data. For example, pixels around new access routes (e.g. roads) were assigned high risk, whereas this was not the case for recent, concentrated natural loss events (e.g. remote landslides). Convolutional neural networks can harness limited time‐series data to predict near‐future deforestation patterns, an important step in harnessing the growing volume of satellite remote sensing data to curb global deforestation. The modelling framework can be readily applied to any tropical forest location and used by governments and conservation organisations to prevent deforestation and plan protected areas. RESUMEN Los bosques tropicales enfrentan diversas presiones de deforestación, y mientras estas avanzan, se hace esencial su conservación para el cumplimiento de las metas climáticas a nivel global. Realizar predicciones sobre la ubicación de focos de deforestación resulta complejo debido a los sistemas naturales y humanos involucrados en esta amenaza. Sin embargo, las predicciones precisas y a tiempo de estos sitios podrían facilitar la planificación efectiva y el establecimiento de medidas para disminuir las tasas de deforestación en terreno. Nuevas tecnologías de visión computacional basadas en deep learning pueden aplicarse al creciente volumen de datos de observación de la Tierra, y son útiles para generar novedosas perspectivas y realizar predicciones con una precisión sin precedentes. En este estudio, se demuestra la habilidad de las redes neuronales convolucionadas profundas (CNNs) para el aprendizaje de patrones espaciotemporarles de deforestación. Esto se llevó a cabo a partir de un conjunto limitado de capas de datos globales de libre acceso que incluyeron imágenes satelitales multiespectrales, mapas de deforestación anual (2001–2020; Hansen et al., 2013), y modelos digitales de superficie ALOS PALSAR para hacer predicciones de deforestación (2021). Así, diseñamos cuatro modelos de arquitectura basados en 2D CNNs, 3D CNNs, y la memoria a largo plazo a corto plazo convolucional (ConvLSTM) de redes neuronales recurrentes (RNNs) para producir mapas espaciales sobre el riesgo de deforestación en cada pixel con cobertura boscosa actual (~30 m), para el siguiente año. Los cuatro modelos se entrenaron y fueron validados utilizando datos provientes de ~80,000 km2 de bosque tropical en la región Amazónica del Sur del Perú. Las redes demostraron su capacidad para predecir la ubicación de futuras áreas de pérdida de cobertura boscosa con un alto grado de precisión ( F 1 = 0.58–0.71). Particularmente, el modelo que tuvo mejor rendimiento, presentó la mayor precisión a nivel de pixeles ( F 1 = 0.71) al ser validado con datos de pérdida de cobertura boscosa para el año 2020, y ser entrenado con datos entre los años 2014 al 2019. Por otra parte, la interpretación visual de los mapas de predicción permitió evidenciar que las redes pueden discernir automáticamente las causas de la pérdida de cobertura boscosa a partir de los datos empleados para entrenar los modelos. Por ejemplo, se asignó un alto riesgo a los pixeles ubicados alrededor de nuevas vías de acceso (e.g. carreteras), mientras que este no fue el caso para eventos de pérdida de bosque asociados a causas naturales (e.g. derrumbes remotos). Las CNNs son una herramienta útil para predecir patrones de deforestación a corto plazo utilizando series de datos temporales limitadas. Esto representa un avance importante en el aprovechamiento del creciente volumen de datos generados por sensores remotos para disminuir la deforestación global. El marco de modelamiento utilizado en este estudio puede ser fácilmente aplicado por gobiernos y organizaciones de conservación en cualquier área de bosque tropical, con el fin de establecer acciones para frenar la deforestación y planificar el manejo de áreas protegidas.