Quando si verifica una catastrofe, è necessaria una risposta rapida e coordinata, che richiede dati per valutare la natura del danno, l'entità della risposta necessaria e per pianificare evacuazioni sicure.
Da terra, questa raccolta di dati può richiedere giorni o settimane, ma un team di ricercatori della UConn ha trovato un modo per ridurre drasticamente il tempo di ritardo per queste valutazioni utilizzando dati di telerilevamento e apprendimento automatico, avvicinando la valutazione dei disturbi quasi in tempo reale. NRT) monitoraggio. I loro risultati sono pubblicati in Remote Sensing of Environment .
Su Ye, ricercatore post-dottorato presso il Global Environmental Remote Sensing Laboratory (GERS) dell'UConn e primo autore dell'articolo, afferma di essere stato ispirato dai metodi utilizzati dai ricercatori biomedici per studiare i primi sintomi delle infezioni.
"È un'idea molto intuitiva", afferma Ye. "Ad esempio, con il COVID, i primi sintomi possono essere molto subdoli e non si può dire che si tratti di COVID fino a diverse settimane dopo, quando i sintomi diventano gravi e quindi confermano l'infezione."
Ye spiega che questo metodo si chiama revisione retrospettiva delle carte (RCR) ed è particolarmente utile per saperne di più sulle infezioni che hanno un lungo periodo di latenza tra l'esposizione iniziale e lo sviluppo di un'infezione evidente.
"Questa ricerca utilizza le stesse idee. Quando monitoriamo i disturbi del territorio di cose come disastri o malattie nelle foreste, ad esempio, all'inizio delle nostre osservazioni di telerilevamento, potremmo avere pochissime o solo una immagine di telerilevamento, quindi individuare precocemente i sintomi potrebbe essere molto utile," afferma Ye.
Diversi giorni o settimane dopo un disturbo, i ricercatori possono confermare un cambiamento e, proprio come un paziente con diagnosi di COVID, Ye ha pensato che avrebbero potuto risalire e fare un’analisi retrospettiva per vedere se i segnali precedenti potevano essere trovati nei dati e se tali dati potevano essere utilizzato per costruire un modello per il monitoraggio quasi in tempo reale.
Ye spiega che hanno una grande quantità di dati con cui lavorare - ad esempio, i dati Landsat risalgono a 50 anni fa - quindi il team potrebbe eseguire un'analisi retrospettiva completa per aiutare a creare un algoritmo in grado di rilevare i cambiamenti molto più velocemente rispetto ai metodi attuali che si basano su un approccio più manuale.
"Ci sono così tanti dati e molti buoni prodotti, ma non ne abbiamo mai tratto il massimo vantaggio per analizzare retrospettivamente i sintomi per analisi future. Non abbiamo mai collegato il passato e il futuro, ma questo lavoro li sta unendo."
Zhe Zhu, professore associato presso il Dipartimento di risorse naturali e ambiente e direttore del Laboratorio GERS, afferma di aver utilizzato la moltitudine di dati disponibili e applicato l'apprendimento automatico, insieme alle barriere fisiche, per aprire la strada a una tecnica che spinge i confini del rilevamento quasi in tempo reale a, al massimo, quattro giorni invece di un mese o più.
Fino ad ora, il rilevamento precoce era più impegnativo, perché è più difficile differenziare il cambiamento nelle prime fasi successive al disturbo, afferma Zhu.
"Questi dati contengono molto rumore causato da cose come nuvole, ombre di nuvole, fumo, aerosol, persino il cambiamento delle stagioni, e tenere conto di queste variazioni rende difficile l'interpretazione del cambiamento reale sulla superficie terrestre, specialmente quando l'obiettivo è per rilevare tali disturbi il prima possibile."
Un punto chiave nello sviluppo del metodo è l'accesso aperto ai dati più avanzati disponibili a media risoluzione, afferma Ye.
"Gli scienziati negli Stati Uniti collaborano con scienziati europei e combiniamo tutti e quattro i satelliti, quindi ci siamo basati sul lavoro di molti, molti altri. Tecnologie satellitari come Landsat:penso che sia uno dei più grandi progetti della storia umana. "
Oltre a rendere le immagini open source, Zhu aggiunge che il set di dati - dati NASA Harmonized Landsat e Sentinel-2 (HLS) - è stato armonizzato da un team della NASA, il che significa che i dati Landsat e Sentinel-2 erano tutti calibrati sulla stessa risoluzione, che consente di risparmiare molto tempo di elaborazione e consente ai ricercatori di iniziare a lavorare direttamente con i dati,
"Senza i dati HLS della NASA, potremmo impiegare mesi solo per preparare i dati."
Ye spiega che hanno fissato soglie basate sulla conoscenza empirica di ciò che è stato osservato nei precedenti disturbi del territorio. Osservano i segnali nei dati, chiamati cambiamento spettrale, e calcolano l'entità complessiva del cambiamento per aiutare a distinguere il rumore dai primi segnali di disturbo.
Questo approccio ignora altre importanti informazioni relative al disturbo, come l'angolo di cambiamento spettrale, i modelli di stagionalità e le condizioni del terreno prima del disturbo, afferma Ye.
"Il nuovo metodo lascia che i dati passati ci supervisionino per trovare i segnali reali. Ad esempio, alcuni disturbi si verificano in determinate stagioni, quindi la somiglianza potrebbe essere presa in considerazione, e alcuni disturbi hanno caratteristiche spettrali speciali che aumenteranno in certe bande, ma diminuiranno in altre bande possiamo quindi utilizzare i dati per costruire un modello per caratterizzare meglio i cambiamenti."
D'altro canto, abbiamo sfruttato numerosi prodotti di disturbo esistenti che potrebbero essere utilizzati come dati di addestramento nell'apprendimento automatico e nell'intelligenza artificiale, afferma Zhu.
"Una volta raccolta questa enorme quantità di dati di addestramento, possono esserci alcuni pixel errati, ma questo approccio di apprendimento automatico può perfezionare ulteriormente i risultati e fornire risultati migliori. È come se le regole fisiche e statistiche parlassero con l'approccio di apprendimento automatico e loro lavorare insieme per migliorare i risultati."
Il coautore e ricercatore post-dottorato Ji Won Suh afferma che il team è ansioso di continuare a lavorare su questo metodo e di monitorare i disturbi del territorio a livello nazionale.
"Per le direzioni future, spero che potremo aiutare a raccontare la storia degli impatti socio-economici e di ciò che sta accadendo nel nostro sistema terrestre. Se fossero disponibili serie temporali più dense e una maggiore capacità di archiviazione dei dati, insieme a questo algoritmo, potremmo può comprendere il nostro sistema in modo più intuitivo. Non vedo l'ora che arrivi il futuro."
Zhu afferma che l'approccio sta già suscitando interesse e si aspetta che l'interesse cresca. Il loro lavoro è open source e Zhu afferma che sono felici di aiutare altri gruppi ad adottare il metodo. La piattaforma è già stata utilizzata per il monitoraggio dei disastri quasi in tempo reale. All'indomani dell'uragano Ian, il team ha utilizzato rapidamente questo metodo per facilitare le operazioni di recupero.
"Penso che sia estremamente vantaggioso", afferma Zhu. "Se si verifica un qualsiasi tipo di disastro, possiamo vedere rapidamente i danni nell'area e determinare l'entità e il costo stimato per il recupero. Speriamo di avere questo sistema completo di monitoraggio dei disturbi del territorio quasi in tempo reale per aiutare le persone a ridurre i danni danni causati da questi grandi disastri."
Ulteriori informazioni: Su Ye et al, Sfruttare le informazioni passate e l'apprendimento automatico per accelerare il monitoraggio dei disturbi del territorio, Rilevamento remoto dell'ambiente (2024). DOI:10.1016/j.rse.2024.114071
Fornito dall'Università del Connecticut
