Tener información detallada sobre la cobertura del suelo es importante para una mejor comprensión del medio ambiente, por ejemplo, estimar los servicios de los ecosistemas como la polinización o cuantificar los aportes de nitratos y nutrientes en los cuerpos de agua. Esta información se obtiene cada vez más de imágenes de satélite con alta resolución temporal y espacial. Sin embargo, las nubes a menudo impiden la vista desde el espacio a la superficie de la tierra. El uso dinámico de modelos de aprendizaje automático puede tener en cuenta esta cobertura de nubes local sin recurrir a métodos de interpolación de uso común. Así lo demuestran los científicos de UFZ en un estudio publicado en la revista Remote Sensing of Environment. Su algoritmo reconoce 19 tipos diferentes de cultivos, precisa al 88 por ciento.

"Si podemos determinar el cultivo cultivado para cada campo agrícola, podemos sacar conclusiones no solo sobre los requisitos de nutrientes, sino también sobre la carga de nitratos de las aguas circundantes, "explica Sebastian Preidl, científico del departamento de Ecología del Paisaje de la UFZ. La información también podría usarse, por ejemplo, para iniciar mejor las acciones para proteger las poblaciones de abejas silvestres. "Solo podemos proteger la diversidad biológica de una región de manera eficaz si tenemos una imagen clara de la distribución espacial de la cubierta terrestre, "explica Preidl.

Los satélites de observación de la Tierra del programa Copernicus, fundado por la Agencia Espacial Europea (ESA), proporcionan datos de alta resolución en el tiempo y el espacio y permiten un seguimiento continuo de la superficie terrestre a una escala ecológicamente relevante. Las imágenes del satélite Sentinel-2 capturadas a intervalos de tiempo regulares en nueve bandas espectrales formaron la base del trabajo de Preidl. De estas series de tiempo espectrales, los investigadores pueden obtener información sobre la cobertura del suelo para su área de estudio.

La aparición de nubes es un desafío importante cuando se trata de series temporales de datos de satélites ópticos. A pesar de las numerosas imágenes de satélite, la nubosidad frecuente puede dar lugar a lagunas de datos más grandes en la serie de tiempo espectral. Al mismo tiempo, Se requiere un número suficiente de píxeles (observaciones) para muchas fases de crecimiento de las plantas para asignar las firmas espectrales registradas a las especies de plantas correspondientes.

Estos vacíos generalmente se llenan con datos generados artificialmente que se interpolan a partir de píxeles de imagen sin nubes. "En lugar de hacer esto, optamos por una aplicación dinámica de modelos de aprendizaje automático. Esto significa que estamos generando algoritmos personalizados para cada píxel, ", dice Preidl." Nuestro algoritmo selecciona automáticamente píxeles sin nubes de todo el conjunto de datos de imágenes de satélite y no depende de escenas sin nubes a gran escala. Para asignar un tipo de recorte específico a cada píxel de la imagen, la secuencia temporal de observaciones sin nubes a nivel de píxel se tiene en cuenta en un gran número de modelos ".

Basado en información proporcionada por los estados federales, el tipo de cultivo cultivado se conoce solo para campos agrícolas seleccionados. Este conocimiento se utiliza para entrenar los modelos UFZ para distinguir entre maíz y trigo, por ejemplo. Para determinar la cobertura terrestre del área agrícola total, los científicos han dividido Alemania en seis regiones paisajísticas. "En el 'Magdeburger Börde' se cultivan diferentes cultivos que en el 'Rheingau', "explica Preidl." Además, una misma especie de cultivo crece de manera diferente en el 'Breisgau' que en el 'Uckermark'. El clima y la altitud marcan una gran diferencia ". El resultado:el algoritmo de los investigadores logra una precisión del 88% en la identificación de 19 tipos de cultivos diferentes. Para los cultivos principales, la tasa de éxito es superior al 90%. Al principio para el año 2016, crearon un mapa de cobertura terrestre de la zona agrícola de Alemania utilizando alrededor de 7000 imágenes de satélite. Además de este mapa, El investigador de UFZ también puede proporcionar información sobre el rendimiento del modelo, es decir., la precisión con la que el algoritmo detecta las especies de plantas para un píxel determinado.

Pero el enfoque UFZ puede explotarse de muchas otras formas. En un proyecto con la Agencia Federal Alemana para la Conservación de la Naturaleza (BfN), en lugar de trigo y maíz, Los algoritmos de Preidl también distinguen el abeto, hayas y otras especies arbóreas. De esta manera, está investigando cómo se puede determinar el valor de conservación de la naturaleza de los bosques utilizando datos satelitales. "Si sabemos qué especies de árboles predominan en un área forestal a lo largo del tiempo, los efectos de las tormentas, Se pueden evaluar mejor los daños causados ​​por la sequía o la infestación de plagas. Un bosque resiliente es económica y ecológicamente muy relevante en términos de los objetivos de desarrollo sostenible, "dice Preidl.

"Nuestra metodología se puede aplicar a otras regiones dentro y fuera de Europa, y a otros años, teniendo en cuenta la respectiva secuencia temporal relevante de observaciones libres de nubes y uso de la tierra, "dice el Dr. Daniel Doktor, jefe del grupo de trabajo de Teledetección del Departamento de Ecología Computacional del Paisaje de la UFZ, describiendo los siguientes pasos. "Si esta metodología se combina con otros modelos, por ejemplo, sobre fenología o ecología, se pueden hacer declaraciones no solo sobre la vulnerabilidad específica de la especie a eventos extremos como las sequías, sino también sobre el comportamiento futuro de los ecosistemas como fuentes o sumideros de carbono, "explica Doktor.