Forskere tættere på katastrofeovervågning i realtid

Et nøglepunkt i udviklingen af ​​metoden er den åbne adgang til de mest avancerede data, der er tilgængelige i medium opløsning, siger Ye.

"Forskere i USA er i samarbejde med europæiske videnskabsmænd, og vi kombinerer alle fire satellitter, så vi har bygget videre på arbejdet fra mange, mange andre. Satellitteknologier som Landsat – jeg tror, ​​det er et af de største projekter i menneskehedens historie. "

Udover at gøre billederne open source, tilføjer Zhu, at datasættet - NASA Harmonized Landsat og Sentinel-2 data (HLS) - blev harmoniseret af et hold hos NASA, hvilket betyder, at Landsat og Sentinel-2 dataene alle var kalibreret til den samme opløsning, hvilket sparer en masse behandlingstid og giver forskere mulighed for at begynde at arbejde med dataene direkte,

"Uden NASA HLS-data kan vi bruge måneder på bare at gøre dataene klar."

Ye forklarer, at de satte tærskler baseret på empirisk viden fra det, der blev set i tidligere jordforstyrrelser. De ser på signaler i dataene, kaldet spektral ændring, og beregner den overordnede størrelse af ændringen for at hjælpe med at skelne støjen fra de tidlige signaler om forstyrrelser.

Denne tilgang ignorerer anden relevant vigtig forstyrrelsesrelateret information, såsom spektral ændringsvinkel, sæsonbestemte mønstre, jordforhold før forstyrrelse, siger Ye.

"Den nye metode lader tidligere data overvåge os for at finde de rigtige signaler. For eksempel forekommer nogle forstyrrelser på bestemte årstider, så ligheden kunne tages i betragtning, og nogle forstyrrelser har særlige spektrale træk, der vil stige på visse bånd, men falde i andre bånd kan vi så bruge dataene til at bygge en model til bedre at karakterisere ændringerne."

På den anden side udnyttede vi adskillige eksisterende forstyrrelsesprodukter, der kunne bruges som træningsdata i maskinlæring og kunstig intelligens, siger Zhu.

"Når først denne enorme mængde træningsdata er indsamlet, kan der være nogle forkerte pixels, men denne maskinlæringstilgang kan yderligere forfine resultaterne og give bedre resultater. Det er som om de fysiske, statistiske regler taler til maskinlæringstilgangen, og de arbejde sammen for at forbedre resultaterne."

Medforfatter og postdoc-forsker Ji Won Suh siger, at holdet er ivrige efter at fortsætte med at arbejde på denne metode og overvåge jordforstyrrelser på landsplan.

"For fremtidige retninger håber jeg, at vi kan være med til at fortælle historien om socioøkonomiske påvirkninger, og hvad der foregår i vores jordsystem. Hvis tættere tidsseriedata er tilgængelige, og mere datalagring er tilgængelig, vil vi sammen med denne algoritme kan forstå vores system mere intuitivt. Jeg ser meget frem til fremtiden."

Zhu siger, at tilgangen allerede tiltrækker interesse, og han forventer, at interessen vil vokse. Deres arbejde er open source, og Zhu siger, at de er glade for at hjælpe andre grupper med at adoptere metoden. Platformen er allerede blevet brugt til katastrofeovervågning næsten i realtid. I kølvandet på orkanen Ian brugte holdet hurtigt denne metode til at hjælpe med genopretningsbestræbelserne.

"Jeg tror, ​​det er ekstremt gavnligt," siger Zhu. "Hvis der sker nogen form for katastrofe, kan vi hurtigt se skaderne i området og bestemme omfanget og de anslåede omkostninger til genopretning. Vi håber at have dette omfattende overvågningssystem for jordforstyrrelser i næsten realtid for at hjælpe folk med at reducere skade fra de store katastrofer."

Flere oplysninger: Su Ye et al, Udnyttelse af tidligere information og maskinlæring til at fremskynde overvågning af jordforstyrrelser, Remote Sensing of Environment (2024). DOI:10.1016/j.rse.2024.114071

Leveret af University of Connecticut