_ Cercetătorii mai aproape de dezastrul aproape în timp real monitorizare

Când se produce un dezastru, este nevoie de un răspuns rapid și coordonat, iar aceasta necesită date pentru a evalua natura daunelor, amploarea răspunsului necesar și pentru a planifica evacuări în siguranță.

De la sol, această colectare de date poate dura zile sau săptămâni, dar o echipă de cercetători UConn a găsit o modalitate de a reduce drastic timpul de întârziere pentru aceste evaluări folosind date de teledetecție și învățarea automată, aducând evaluarea perturbărilor mai aproape de timp real. monitorizare (NRT). Descoperirile lor sunt publicate în Remote Sensing of Environment.

Su Ye, un cercetător post-doctoral la Laboratorul Global de Teledetecție a Mediului (GERS) al UConn și primul autor al lucrării, spune că s-a inspirat din metodele utilizate de biomedicale cercetătorii să studieze cele mai timpurii simptome ale infecțiilor.

„Este o idee foarte intuitivă”, spune Ye. „De exemplu, cu COVID, simptomele timpurii pot fi foarte subtile și nu poți spune că este COVID decât câteva săptămâni mai târziu, când simptomele devin severe și apoi confirmă infecția.”

Ye explică că această metodă se numește revizuire retrospectivă a diagramelor (RCR) și este deosebit de utilă pentru a afla mai multe despre infecțiile care au o perioadă lungă de latență între expunerea inițială la dezvoltarea unei infecții evidente.

„Această cercetare folosește aceleași idei. Când” facem monitorizarea perturbării terenurilor a unor lucruri precum dezastrele sau bolile din păduri, de exemplu, la începutul observațiilor noastre de teledetecție, este posibil să avem foarte puține sau doar o singură imagine de teledetecție, așa că identificarea simptomelor devreme ar putea fi foarte benefică. spune Ye.

La câteva zile sau săptămâni după o tulburare, cercetătorii pot confirma o schimbare și, la fel ca un pacient diagnosticat cu COVID, Ye a motivat că ar putea urmări și face o analiză retrospectivă pentru a vedea dacă semnalele anterioare ar putea pot fi găsite în date și dacă acele date ar putea fi utilizate pentru a construi un model pentru monitorizare aproape în timp real.

Ye explică că au o mulțime de date cu care să lucreze — de exemplu, datele Landsat se întinde înapoi 50 de ani — astfel încât echipa ar putea efectua o analiză retrospectivă completă pentru a ajuta la crearea unui algoritm care poate detecta schimbări mult mai rapid decât metodele actuale care se bazează pe o abordare mai manuală.

„Există atât de multe date și multe bune produse, dar nu am profitat niciodată la maximum de ele pentru a analiza retrospectiv simptomele pentru analize viitoare. Nu am conectat niciodată trecutul și viitorul, dar această muncă le aduce pe acestea două împreună.”

Profesor asociat la Departamentul de Resurse Naturale și Mediu și Director al Laboratorului GERS Zhe Zhu spune că au folosit o multitudine de date disponibile și învățarea automată aplicată, împreună cu barierele fizice pentru a iniția o tehnică care împinge limita detectării aproape în timp real la cel mult patru zile, spre deosebire de o lună sau mai mult.

Până la acum, detectarea timpurie a fost mai dificilă, deoarece este mai greu să diferențiezi schimbările în etapele timpurii post-perturbare, spune Zhu.

„Aceste date conțin mult zgomot cauzat de lucruri precum norii, umbrele norilor, fumul, aerosolii, chiar și schimbarea anotimpurilor și luarea în considerare a acestor variații fac dificilă interpretarea schimbărilor reale de pe suprafața Pământului, mai ales atunci când scopul este de a detecta acele perturbări cât mai curând posibil.”

Un punct cheie în dezvoltarea metodei este accesul deschis la cele mai avansate date disponibile la rezoluție medie, spune Ye.

„Oamenii de știință din Statele Unite sunt în colaborare cu oameni de știință europeni și combinăm toate cele patru sateliți, așa că ne-am construit pe munca multor, mulți alții. Tehnologii prin satelit precum Landsat — cred că acesta este unul dintre cele mai mari proiecte din istoria omenirii.”

Dincolo de a face imaginile open source, Zhu adaugă că setul de date — Datele Landsat și Sentinel-2 armonizate NASA (HLS) — a fost armonizat de o echipă de la NASA, ceea ce înseamnă că datele Landsat și Sentinel-2 au fost toate calibrate la aceeași rezoluție, ceea ce economisește mult timp de procesare și permite cercetătorilor să înceapă să lucreze direct cu datele,

„Fără datele NASA HLS, s-ar putea să petrecem luni pentru a pregăti doar datele. „

Ye explică că au stabilit praguri pe baza cunoștințelor empirice din ceea ce s-a văzut în perturbările anterioare ale terenurilor. Ei se uită la semnalele din date, numite modificare spectrală, și calculează amploarea globală a schimbării pentru a ajuta la distingerea zgomotului de semnalele timpurii ale perturbațiilor.

Această abordare ignoră alte informații importante relevante legate de perturbații, cum ar fi Unghiul de schimbare spectrală, modelele de sezonalitate, starea terenului pre-perturbare, spune Ye.

„Noua metodă permite datelor din trecut să ne supravegheze pentru a găsi semnale reale. De exemplu, unele perturbări apar în anumite anotimpuri, astfel încât asemănarea ar putea fi luată în considerare, iar unele perturbări au caracteristici spectrale speciale care vor crește la anumite benzi, dar vor scădea în alte benzi. Apoi putem folosi datele pentru a construi un model care să caracterizeze mai bine modificările."

Pe de altă parte, am profitat de numeroasele produse de perturbare existente care ar putea fi utilizate ca date de antrenament în învățarea automată și AI, spune Zhu.

„Odată ce această cantitate masivă de date de antrenament este colectată, există pot fi niște pixeli greșiți, dar această abordare de învățare automată poate rafina și mai mult rezultatele și poate oferi rezultate mai bune. Este ca și cum regulile fizice, statistice se referă la abordarea învățării automate și lucrează împreună pentru a îmbunătăți rezultatele.”

Coautorul și cercetătorul postdoctoral Ji Won Suh spune că echipa este dornică să continue să lucreze la această metodă și pentru a monitoriza perturbările terenurilor la nivel național.

„Pentru direcții viitoare, sper că putem ajuta să spunem povestea despre impactul socio-economic și ce se întâmplă în sistemul nostru pământesc. Dacă sunt disponibile date de serie temporală mai dense și este disponibilă mai multă stocare de date, împreună cu acest algoritm, putem înțelege sistemul nostru mai intuitiv. Aștept cu nerăbdare viitorul.”

Zhu spune că abordarea atrage deja interesul și se așteaptă ca interesul să crească. Munca lor este open source și Zhu spune că sunt bucuroși să îi ajute pe alții grupurile adoptă metoda. Platforma a fost deja folosită pentru monitorizarea dezastrelor în timp aproape real. În urma uraganului Ian, echipa a folosit rapid această metodă pentru a ajuta eforturile de recuperare.

„Cred este extrem de benefic", spune Zhu. „Dacă se întâmplă orice fel de dezastru, putem vedea rapid pagubele din zonă și putem determina amploarea și costul estimat pentru recuperare. Sperăm să avem acest sistem cuprinzător de monitorizare a perturbărilor terenurilor aproape în timp real, pentru a ajuta oamenii să reducă daunele cauzate de aceste mari dezastre.”

(Fluierul)