Los investigadores de QUT han desarrollado un nuevo sistema matemático de aprendizaje automático que ayuda a identificar y detectar cambios en la biodiversidad. incluida la limpieza de tierras, cuando las imágenes de satélite están obstruidas por nubes.

Usando métodos estadísticos para cuantificar la incertidumbre, la investigación, publicado en Remote Sensing in Ecology and Conservation, analizó las imágenes de satélite disponibles de un área cuadrada de 180 km en el centro sureste de Queensland.

La región es el hogar de muchas especies nativas, incluido el wombat peludo del norte, que se encuentra en peligro crítico de extinción, y el vulnerable planeador mayor. y el área consiste principalmente en bosques, pastar, y tierras agrícolas.

La Dra. Jacinta Holloway-Brown dice que medir los cambios en la cubierta forestal a lo largo del tiempo es esencial para rastrear y preservar los hábitats y es un objetivo clave de desarrollo sostenible de las Naciones Unidas y el Banco Mundial para gestionar los bosques de forma sostenible.

"Las imágenes satelitales son importantes, ya que es demasiado difícil y costoso recopilar datos de campo con frecuencia en grandes áreas boscosas, "Dijo el Dr. Holloway-Brown.

"El problema con el uso de imágenes satelitales es que grandes porciones de la tierra están oscurecidas por las nubes y esta cubierta de nubes causa grandes y frecuentes cantidades de datos faltantes".

El Dr. Holloway-Brown dijo que se estimó en base a 12 años de imágenes satelitales en promedio, aproximadamente el 67 por ciento de la tierra está oscurecida por la cobertura de nubes.

"Utilizando nuestro método, podemos comparar píxel a píxel qué tipo de cobertura terrestre hay y si ha cambiado desde la última imagen. Por ejemplo, si el píxel era bosque en la última imagen y en la próxima semana más o menos ha cambiado a suelo o tocón de árbol, somos capaces de detectar eso, " ella dijo.

La investigación implicó el cálculo de dos tipos simulados de eventos de compensación, tala rasa que implica quitar todos los árboles del área y quemarlos para prepararse para el crecimiento futuro y, en segundo lugar, raleo de árboles que implica solo la eliminación de árboles del área, dejando arbustos más pequeños, pradera, y pasto detrás.

Simulando nubes, los investigadores, que incluye a la distinguida profesora de QUT Kerrie Mengersen y a la Dra. Kate Helmstedt, podría "probar los límites" del método y saber qué tan bien o no podía predecir lo que había debajo de las nubes.

Los resultados mostraron que el método detectó con precisión el cambio de cobertura terrestre simulado tanto en tala rasa como en raleo de árboles.

"Obtenemos las predicciones más actualizadas de los datos faltantes debido a las nubes al entrenar nuestro método de aprendizaje automático en los bordes de esas nubes y predecir las áreas faltantes, " ella dijo.

El Dr. Holloway-Brown debe presentar la investigación al Equipo de Trabajo de las Naciones Unidas sobre Datos de Observación de la Tierra.

"Existen posibilidades reales de utilizar nuestro método para marcar una diferencia real en el monitoreo forestal, " ella dijo.

Los investigadores son parte del Centro de Excelencia para Fronteras Matemáticas y Estadísticas del Consejo de Investigación de Australia con sede en QUT.