El filósofo irlandés George Berkely, más conocido por su teoría del inmaterialismo, dijo una vez: “Si un árbol cae en un bosque y no hay nadie cerca para oírlo, ¿emite algún sonido?”
¿Qué pasa con los árboles generados por IA? Probablemente no harían ruido, pero de todos modos serán fundamentales para aplicaciones como la adaptación de la flora urbana al cambio climático. Con ese fin, el novedoso sistema «Tree-D Fusion» desarrollado por investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT, Google y la Universidad Purdue fusiona modelos de inteligencia artificial y de crecimiento de árboles con los datos de Auto Arborist de Google para crear imágenes 3D precisas. Modelos de árboles urbanos existentes. El proyecto ha producido la primera base de datos a gran escala de 600.000 modelos de árboles listos para simular y conscientes del medio ambiente en toda América del Norte.
«Estamos uniendo décadas de ciencia forestal con capacidades modernas de inteligencia artificial», dice Sara Beery, profesora asistente de ingeniería eléctrica e informática (EECS) del MIT, investigadora principal de CSAIL del MIT y coautora de un nuevo artículo sobre Tree-D Fusion. . “Esto nos permite no sólo identificar árboles en las ciudades, sino también predecir cómo crecerán e impactarán su entorno con el tiempo. No ignoramos los últimos 30 años de trabajo para comprender cómo construir estos modelos sintéticos 3D; en cambio, estamos utilizando la IA para hacer que este conocimiento existente sea más útil en un conjunto más amplio de árboles individuales en ciudades de América del Norte y, eventualmente, de todo el mundo”.
Tree-D Fusion se basa en esfuerzos anteriores de monitoreo de bosques urbanos que utilizaron datos de Google Street View, pero lo ramifica generando modelos 3D completos a partir de imágenes individuales. Si bien los intentos anteriores de modelado de árboles se limitaban a vecindarios específicos o tenían problemas con la precisión a escala, Tree-D Fusion puede crear modelos detallados que incluyen características típicamente ocultas, como la parte posterior de los árboles que no son visibles en las fotografías de la calle. .
Las aplicaciones prácticas de la tecnología van mucho más allá de la mera observación. Los planificadores urbanos podrían utilizar Tree-D Fusion para algún día mirar hacia el futuro, anticipando dónde las ramas en crecimiento podrían enredarse con las líneas eléctricas, o identificando vecindarios donde la colocación estratégica de árboles podría maximizar los efectos de enfriamiento y las mejoras en la calidad del aire. Estas capacidades predictivas, dice el equipo, podrían cambiar la gestión de los bosques urbanos desde un mantenimiento reactivo a una planificación proactiva.
Un árbol crece en Brooklyn (y en muchos otros lugares)
Los investigadores adoptaron un enfoque híbrido para su método, utilizando el aprendizaje profundo para crear una envoltura 3D de la forma de cada árbol y luego utilizando modelos de procedimientos tradicionales para simular patrones realistas de ramas y hojas basados en el género del árbol. Esta combinación ayudó al modelo a predecir cómo crecerían los árboles en diferentes condiciones ambientales y escenarios climáticos, como diferentes temperaturas locales posibles y acceso variable al agua subterránea.
Ahora, mientras las ciudades de todo el mundo se enfrentan al aumento de las temperaturas, esta investigación ofrece una nueva ventana al futuro de los bosques urbanos. En colaboración con el Senseable City Lab del MIT, la Universidad Purdue y el equipo de Google se están embarcando en un estudio global que reimagina los árboles como escudos climáticos vivos. Su sistema de modelado digital captura la intrincada danza de patrones de sombra a lo largo de las estaciones, revelando cómo la silvicultura urbana estratégica podría, con suerte, transformar manzanas sofocantes de la ciudad en vecindarios más refrescados naturalmente.
«Cada vez que un vehículo de mapeo de calles pasa por una ciudad, no solo tomamos instantáneas: observamos cómo estos bosques urbanos evolucionan en tiempo real», dice Beery. «Este monitoreo continuo crea un bosque digital vivo que refleja su contraparte física, ofreciendo a las ciudades una lente poderosa para observar cómo las tensiones ambientales moldean la salud de los árboles y los patrones de crecimiento en todo su paisaje urbano».
El modelado de árboles basado en IA se ha convertido en un aliado en la búsqueda de la justicia ambiental: al mapear el dosel de los árboles urbanos con un detalle sin precedentes, un proyecto hermano del equipo de Google AI for Nature ha ayudado a descubrir disparidades en el acceso a espacios verdes en diferentes áreas socioeconómicas. «No sólo estamos estudiando los bosques urbanos: estamos tratando de cultivar más equidad», dice Beery. El equipo ahora está trabajando estrechamente con ecologistas y expertos en salud de los árboles para perfeccionar estos modelos, asegurando que a medida que las ciudades amplíen sus cubiertas verdes, los beneficios se extiendan a todos los residentes por igual.
es una brisa
Si bien la fusión Tree-D marca un “crecimiento” importante en este campo, los árboles pueden representar un desafío singular para los sistemas de visión por computadora. A diferencia de las estructuras rígidas de edificios o vehículos que las técnicas actuales de modelado 3D manejan bien, los árboles cambian de forma en la naturaleza: se balancean con el viento, entrelazan ramas con sus vecinas y cambian constantemente de forma a medida que crecen. Los modelos de fusión Tree-D están «listos para simulación» porque pueden estimar la forma de los árboles en el futuro, dependiendo de las condiciones ambientales.
«Lo que hace que este trabajo sea emocionante es cómo nos empuja a repensar los supuestos fundamentales de la visión por computadora», dice Beery. “Aunque técnicas de comprensión de escenas 3D como la fotogrametría o NeRF [neural radiance fields] Sobresalen en la captura de objetos estáticos, los árboles exigen nuevos enfoques que puedan dar cuenta de su naturaleza dinámica, donde incluso una suave brisa puede alterar dramáticamente su estructura de un momento a otro”.
El enfoque del equipo de crear envolturas estructurales aproximadas que se aproximen a la forma de cada árbol ha demostrado ser notablemente efectivo, pero ciertos problemas siguen sin resolverse. Quizás el más desconcertante sea el “problema de los árboles enredados”; Cuando los árboles vecinos crecen entre sí, sus ramas entrelazadas crean un rompecabezas que ningún sistema de inteligencia artificial actual puede resolver por completo.
Los científicos ven su conjunto de datos como un trampolín para futuras innovaciones en visión por computadora y ya están explorando aplicaciones más allá de las imágenes de vistas de calles, buscando extender su enfoque a plataformas como iNaturalist y cámaras trampa para vida silvestre.
«Esto marca sólo el comienzo de Tree-D Fusion», dice Jae Joong Lee, estudiante de doctorado de la Universidad Purdue que desarrolló, implementó e implementó el algoritmo Tree-D-Fusion. “Junto con mis colaboradores, imagino expandir las capacidades de la plataforma a escala planetaria. Nuestro objetivo es utilizar conocimientos impulsados por la IA al servicio de los ecosistemas naturales: apoyando la biodiversidad, promoviendo la sostenibilidad global y, en última instancia, beneficiando la salud de todo nuestro planeta”.
Los coautores de Beery y Lee son Jonathan Huang, director de IA de Scaled Foundations (antes de Google); y otros cuatro de la Universidad Purdue: los estudiantes de doctorado Jae Joong Lee y Bosheng Li, el profesor y decano de teledetección Songlin Fei, el profesor asistente Raymond Yeh y el profesor y director asociado de informática Bedrich Benes. Su trabajo se basa en esfuerzos apoyados por el Servicio de Conservación de Recursos Naturales del Departamento de Agricultura de los Estados Unidos (USDA) y cuenta con el apoyo directo del Instituto Nacional de Alimentación y Agricultura del USDA. Los investigadores presentaron sus hallazgos en la Conferencia Europea sobre Visión por Computadora de este mes.
