Cuando ocurre un desastre, se necesita una respuesta rápida y coordinada, y eso requiere datos para evaluar la naturaleza del daño, la escala de la respuesta necesaria y planificar evacuaciones seguras.
Desde el terreno, esta recopilación de datos puede llevar días o semanas, pero un equipo de investigadores de la UConn ha encontrado una manera de reducir drásticamente el tiempo de demora para estas evaluaciones utilizando datos de teledetección y aprendizaje automático, acercando la evaluación de perturbaciones al tiempo casi real ( NRT) seguimiento. Sus hallazgos se publican en Remote Sensing of Environment. .
Su Ye, investigador postdoctoral en el Laboratorio de Teledetección Ambiental Global (GERS) de la UConn y primer autor del artículo, dice que se inspiró en los métodos utilizados por los investigadores biomédicos para estudiar los primeros síntomas de las infecciones.
"Es una idea muy intuitiva", dice Ye. "Por ejemplo, con el COVID, los primeros síntomas pueden ser muy sutiles y no se puede saber si se trata de COVID hasta varias semanas después, cuando los síntomas se vuelven severos y luego confirman la infección".
Ye explica que este método se llama revisión retrospectiva de gráficos (RCR) y es especialmente útil para aprender más sobre infecciones que tienen un largo período de latencia entre la exposición inicial y el desarrollo de una infección obvia.
"Esta investigación utiliza las mismas ideas. Cuando realizamos un seguimiento de las perturbaciones del suelo como desastres o enfermedades en los bosques, por ejemplo, al comienzo de nuestras observaciones de teledetección, es posible que tengamos muy pocas o sólo una imagen de teledetección, por lo que detectar los síntomas a tiempo podría ser muy beneficioso", afirma Ye.
Varios días o semanas después de una perturbación, los investigadores pueden confirmar un cambio y, al igual que un paciente diagnosticado con COVID, Ye razonó que podrían rastrear y hacer un análisis retrospectivo para ver si se podían encontrar señales anteriores en los datos y si esos datos podrían utilizarse para construir un modelo para monitoreo casi en tiempo real.
Ye explica que tienen una gran cantidad de datos con los que trabajar (por ejemplo, los datos de Landsat se remontan a 50 años atrás), por lo que el equipo podría realizar un análisis retrospectivo completo para ayudar a crear un algoritmo que pueda detectar cambios mucho más rápido que los métodos actuales que se basan en una enfoque más manual.
"Hay tantos datos y muchos buenos productos, pero nunca los hemos aprovechado al máximo para analizar retrospectivamente los síntomas para análisis futuros. Nunca hemos conectado el pasado y el futuro, pero este trabajo los une". P>
El profesor asociado del Departamento de Recursos Naturales y Medio Ambiente y director del Laboratorio GERS, Zhe Zhu, dice que utilizaron la gran cantidad de datos disponibles y aplicaron el aprendizaje automático, junto con barreras físicas, para ser pioneros en una técnica que traspasa los límites de la detección casi en tiempo real. a, como máximo, cuatro días en lugar de un mes o más.
Hasta ahora, la detección temprana era más difícil, porque es más difícil diferenciar el cambio en las primeras etapas posteriores a la perturbación, afirma Zhu.
"Estos datos contienen mucho ruido causado por cosas como nubes, sombras de nubes, humo, aerosoles e incluso el cambio de estaciones, y tener en cuenta estas variaciones dificulta la interpretación del cambio real en la superficie de la Tierra, especialmente cuando el objetivo es detectar esas perturbaciones lo antes posible."
Un punto clave en el desarrollo del método es el acceso abierto a los datos más avanzados disponibles en resolución media, afirma Ye.
"Los científicos de Estados Unidos colaboran con científicos europeos y combinamos los cuatro satélites, por lo que nos hemos basado en el trabajo de muchos, muchos otros. Tecnologías satelitales como Landsat:creo que es uno de los proyectos más grandes de la historia de la humanidad. "
Más allá de hacer que las imágenes sean de código abierto, Zhu agrega que el conjunto de datos (datos armonizados de Landsat y Sentinel-2 (HLS) de la NASA) fue armonizado por un equipo de la NASA, lo que significa que todos los datos de Landsat y Sentinel-2 se calibraron con la misma resolución. lo que ahorra mucho tiempo de procesamiento y permite a los investigadores comenzar a trabajar con los datos directamente,
"Sin los datos HLS de la NASA, podemos pasar meses simplemente preparando los datos".
Ye explica que establecieron umbrales basados en el conocimiento empírico de lo que se vio en disturbios territoriales anteriores. Observan las señales en los datos, llamadas cambios espectrales, y calculan la magnitud general del cambio para ayudar a distinguir el ruido de las primeras señales de perturbaciones.
Este enfoque ignora otra información importante relacionada con las perturbaciones, como el ángulo de cambio espectral, los patrones de estacionalidad y las condiciones del terreno antes de las perturbaciones, afirma Ye.
"El nuevo método permite que los datos pasados nos supervisen para encontrar señales reales. Por ejemplo, algunas perturbaciones ocurren en ciertas estaciones, por lo que se podría tener en cuenta la similitud, y algunas perturbaciones tienen características espectrales especiales que aumentarán en ciertas bandas, pero disminuirán". en otras bandas podemos usar los datos para construir un modelo que caracterice mejor los cambios."
Por otro lado, aprovechamos numerosos productos de perturbación existentes que podrían usarse como datos de entrenamiento en aprendizaje automático e inteligencia artificial, afirma Zhu.
"Una vez que se recopila esta enorme cantidad de datos de entrenamiento, puede haber algunos píxeles incorrectos, pero este enfoque de aprendizaje automático puede refinar aún más los resultados y proporcionar mejores resultados. Es como si las reglas físicas y estadísticas hablaran con el enfoque de aprendizaje automático y trabajar juntos para mejorar los resultados."
El coautor e investigador postdoctoral Ji Won Suh dice que el equipo está ansioso por continuar trabajando en este método y monitorear las alteraciones del suelo en todo el país.
"Para direcciones futuras, espero que podamos ayudar a contar la historia sobre los impactos socioeconómicos y lo que está sucediendo en nuestro sistema terrestre. Si se dispone de datos de series temporales más densas y hay más almacenamiento de datos disponible, junto con este algoritmo, podremos podemos entender nuestro sistema de forma más intuitiva. Tengo muchas ganas de ver el futuro".
Zhu dice que el enfoque ya está atrayendo interés y espera que el interés crezca. Su trabajo es de código abierto y Zhu dice que están felices de ayudar a otros grupos a adoptar el método. La plataforma ya se ha utilizado para el seguimiento de desastres casi en tiempo real. Después del huracán Ian, el equipo empleó rápidamente este método para ayudar en los esfuerzos de recuperación.
"Creo que es extremadamente beneficioso", afirma Zhu. "Si ocurre algún tipo de desastre, podemos ver los daños en el área rápidamente y determinar el alcance y el costo estimado de la recuperación. Esperamos tener este sistema integral de monitoreo de perturbaciones terrestres casi en tiempo real para ayudar a las personas a reducir el riesgo". daños causados por esos grandes desastres."
Más información: Su Ye et al, Aprovechando la información pasada y el aprendizaje automático para acelerar el monitoreo de perturbaciones del suelo, Detección remota del medio ambiente (2024). DOI:10.1016/j.rse.2024.114071
Proporcionado por la Universidad de Connecticut
