Исследователи из Университета создают новую методологию для улучшения наблюдения и анализа земной биосферы из космоса и с помощью машинного обучения. Этот статистический подход представляет собой значительный прогресс в мониторинге сельскохозяйственных культур и поглотителей углерода, а также в прогнозировании наводнений и засух. Работа опубликована в журнале Science Advances.
Новая методология машинного обучения позволяет повысить точность прогнозирования таких ключевых параметров, как индекс площади листа, валовая первичная продуктивность и индуцированная солнцем флуоресценция хлорофилла, среди прочего. Область применения огромна и будет очень полезна для улучшения мониторинга сельскохозяйственных культур и поглотителей углерода, обнаружения изменений и аномалий, засух и наводнений. Применение этих методов машинного обучения позволит более точно измерять динамику наземных поглотителей углерода, что имеет значение для смягчения последствий глобального изменения климата.
Земля быстро меняется, и это происходит во многих отношениях. Датчики на борту спутников, включая самолеты и дроны, постоянно дистанционно получают ценную информацию о нашей планете. Количественная оценка растительного покрова и изучение его биохимической структуры и функционирования из космоса является ключом к пониманию глобальных изменений, биоразнообразия и сельского хозяйства.
С 1970-х годов дистанционное зондирование в значительной степени полагалось на использование индексов растительности, которые представляют собой параметрические формулы для спектрального сигнала, получаемого со спутников. Эти простые для расчета индексы предназначены для хорошей корреляции с конкретными биофизическими явлениями земного покрова, такими как зелень, содержание воды или фотосинтетическая активность, среди прочего. По этой причине эти индексы использовались и продолжают широко использоваться для количественной оценки земной биосферы, ее продуктивности и динамики. Тем не менее, литература и многочисленные приложения выявляют важные ограничения, которые, наконец, устранены в этом исследовании.
В статье, опубликованной Science Advances, первым автором которой является физик и профессор электронной инженерии и координатор группы обработки изображений и сигналов (ISP) Университета Валенсии Густау Кэмпс-Валлс, ученые представляют методологический подход к машинному обучению. теоретическая база которого позволяет обобщить все вегетативные индексы, используемые в литературе по этому поводу. «Мы убедились, что все предыдущие подходы - более эвристические, интуитивные и основанные на простых физических принципах - подходят как частные случаи в нашей методологии. Теперь, со статистической точки зрения, мы повышаем точность и сохраняем ограничения, которые замедляли прогресс в этом раздел исследований земной биосферы », - поясняет Кэмпс-Валлс. «Новая методология улучшает результаты во всех приложениях, к которым мы подошли: мониторинг фенологии растительности, количественная оценка поглощения углерода и фотосинтетической активности в планетарном масштабе. Мы также показываем, что она чрезвычайно полезна для обнаружения изменений и растительного покрова, поскольку а также для оценки урожайности из космоса, например », - добавляет Альваро Морено, исследователь ISP (IPL-UV) и член ERC Synergy Grant USMILE, направляемый Gustau Camps.
Предлагаемая методология, которая позволяет улучшить все индексы растительности, и в частности индекс, наиболее часто используемый за последние четыре десятилетия - NDVI - дает ключи к разработке новых и более мощных индексов. Кроме того, он отличается чрезвычайной алгоритмической простотой. «Мы предоставляем исходный код на всех языках программирования, включая Google Earth Engine, платформу, которая позволяет масштабировать результаты на планетарном уровне. Таким образом, мы думаем, что эта структура будет принята многими учеными, профессионалами и разработчиками», говорит Хорди Муньос, соавтор и член интернет-провайдера. «Тот факт, что новый индекс обобщает все предыдущие индексы, дает теоретические гарантии того, что он всегда будет работать так же или лучше, - говорит Мануэль Кампос, член группы ESR физического факультета Университета Валенсии, - и это что-то очень просто рассчитать и применить на практике », - добавляет Хавьер Гарсия из той же группы.
Помимо использования для мониторинга земной биосферы, предлагаемый статистический подход имеет потенциальные применения, в частности, в океанографических и атмосферных исследованиях. Индикаторы широко используются во всех областях науки и могут быть легко улучшены с помощью этой методологии.