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."