Ter informações detalhadas sobre a cobertura do solo é importante para uma melhor compreensão do meio ambiente, por exemplo, para estimar os serviços ecossistêmicos, como a polinização, ou para quantificar a entrada de nitratos e nutrientes em corpos d'água. Essas informações são cada vez mais obtidas a partir de imagens de satélite com alta resolução temporal e espacial. Contudo, as nuvens geralmente impedem a visão do espaço à superfície da Terra. O uso dinâmico de modelos de aprendizado de máquina pode levar em conta essa cobertura de nuvem local sem recorrer aos métodos de interpolação comumente usados. É o que mostram os cientistas da UFZ em estudo publicado na revista Remote Sensing of Environment. Seu algoritmo reconhece 19 tipos diferentes de culturas, com precisão de 88 por cento.

"Se pudermos determinar a safra cultivada para cada campo agrícola, podemos tirar conclusões não apenas sobre as necessidades de nutrientes, mas também sobre a carga de nitrato das águas circundantes, "explica Sebastian Preidl, Cientista do Departamento de Ecologia da Paisagem da UFZ. A informação também pode ser usada, por exemplo, para melhor iniciar ações para proteger as populações de abelhas selvagens. "Só podemos proteger a diversidade biológica de uma região de forma eficaz se tivermos uma imagem clara da distribuição da cobertura espacial do solo, "explica Preidl.

Os satélites de observação da Terra do programa Copernicus fundado pela Agência Espacial Europeia (ESA) fornecem dados de alta resolução no tempo e no espaço e permitem o monitoramento contínuo da superfície terrestre em uma escala ecologicamente relevante. Imagens do satélite Sentinel-2 capturadas em intervalos regulares de tempo em nove bandas espectrais formaram a base para o trabalho de Preidl. A partir dessas séries de tempo espectrais, os pesquisadores podem obter informações sobre a cobertura do solo para sua área de estudo.

A ocorrência de nuvens é um grande desafio ao lidar com séries temporais de dados óticos de satélite. Apesar das inúmeras imagens de satélite, a cobertura frequente de nuvens pode levar a maiores lacunas de dados na série de tempo espectral. Ao mesmo tempo, um número suficiente de pixels (observações) é necessário para muitas fases de crescimento da planta para atribuir as assinaturas espectrais registradas às espécies de plantas correspondentes.

Essas lacunas são geralmente preenchidas por dados gerados artificialmente que são interpolados a partir de pixels de imagem sem nuvens. "Em vez de fazer isso, optamos por uma aplicação dinâmica de modelos de aprendizado de máquina. Isso significa que estamos gerando algoritmos personalizados para cada pixel, "diz Preidl." Nosso algoritmo seleciona automaticamente pixels livres de nuvens de todo o conjunto de dados de imagens de satélite e não depende de cenas livres de nuvens em grande escala. Para atribuir um tipo de corte específico a cada pixel da imagem, a sequência temporal de observações sem nuvens no nível do pixel é levada em consideração por um grande número de modelos. "

Com base nas informações fornecidas pelos estados federais, o tipo de cultura cultivada é conhecido apenas para campos agrícolas selecionados. Esse conhecimento é usado para treinar os modelos UFZ para distinguir entre milho e trigo, por exemplo. Para determinar a cobertura do solo da área agrícola total, os cientistas dividiram a Alemanha em seis regiões de paisagem. "Culturas diferentes em 'Magdeburger Börde' e não em 'Rheingau', "explica Preidl." Além disso, uma única e mesma espécie de cultivo cresce de maneira diferente no 'Breisgau' e no 'Uckermark'. O clima e a altitude fazem uma grande diferença. "O resultado:o algoritmo dos pesquisadores atinge uma precisão de 88% na identificação de 19 tipos de culturas diferentes. Para as culturas principais, a taxa de sucesso é superior a 90%. Inicialmente para o ano de 2016, eles criaram um mapa de cobertura do solo da área agrícola da Alemanha usando cerca de 7.000 imagens de satélite. Além deste mapa, O pesquisador da UFZ também pode fornecer informações sobre o desempenho do modelo, ou seja, a precisão com que o algoritmo detecta as espécies de plantas para um determinado pixel.

Mas a abordagem UFZ pode ser explorada de muitas outras maneiras. Em um projeto com a Agência Federal Alemã para a Conservação da Natureza (BfN), em vez de trigo e milho, Os algoritmos de Preidl também distinguem o abeto, faia e outras espécies de árvores. Desta forma, ele está investigando como o valor da conservação da natureza das florestas pode ser determinado usando dados de satélite. “Se soubermos quais espécies de árvores predominam em uma área de floresta ao longo do tempo, os efeitos dos eventos de tempestade, danos de seca ou infestação de pragas podem ser melhor avaliados. Uma floresta resiliente é econômica e ecologicamente altamente relevante em termos das metas de desenvolvimento sustentável, "diz Preidl.

"Nossa metodologia pode ser aplicada a outras regiões dentro e fora da Europa, e para outros anos, levando em consideração a respectiva sequência temporal relevante de observações sem nuvens e uso da terra, "diz o Dr. Daniel Doktor, chefe do grupo de trabalho de Sensoriamento Remoto do Departamento de Ecologia Computacional da Paisagem da UFZ, delineando as próximas etapas. "Se esta metodologia for combinada com outros modelos - por exemplo, sobre fenologia ou ecologia -, declarações podem ser feitas não apenas sobre a vulnerabilidade específica da espécie a eventos extremos, como secas, mas também no comportamento futuro dos ecossistemas como fontes ou sumidouros de carbono, "explica Doktor.