Crédito:CC0 Domínio Público Quando ocorre uma catástrofe, é necessária uma resposta rápida e coordenada, o que requer dados para avaliar a natureza dos danos, a escala da resposta necessária e para planear evacuações seguras.
No terreno, esta recolha de dados pode levar dias ou semanas, mas uma equipa de investigadores da UConn encontrou uma forma de reduzir drasticamente o tempo de atraso destas avaliações utilizando dados de detecção remota e aprendizagem automática, aproximando a avaliação de perturbações do tempo quase real. monitoramento NRT). Suas descobertas foram publicadas em Remote Sensing of Environment .
Su Ye, pesquisador de pós-doutorado no Laboratório Global de Sensoriamento Remoto Ambiental (GERS) da UConn e primeiro autor do artigo, diz que se inspirou nos métodos usados por pesquisadores biomédicos para estudar os primeiros sintomas de infecções.
“É uma ideia muito intuitiva”, diz Ye. “Por exemplo, com COVID, os primeiros sintomas podem ser muito sutis, e você não pode dizer que é COVID até várias semanas depois, quando os sintomas se tornam graves e então confirmam a infecção”.
Ye explica que este método é chamado de revisão retrospectiva de prontuários (RCR) e é especialmente útil para aprender mais sobre infecções que têm um longo período de latência entre a exposição inicial e o desenvolvimento de uma infecção óbvia.
"Esta pesquisa usa as mesmas ideias. Quando fazemos monitoramento de distúrbios terrestres de coisas como desastres ou doenças nas florestas, por exemplo, logo no início de nossas observações de sensoriamento remoto, podemos ter muito poucas ou apenas uma imagem de sensoriamento remoto, portanto, detectar os sintomas precocemente pode ser muito benéfico”, diz Ye.
Vários dias ou semanas após uma perturbação, os pesquisadores podem confirmar uma mudança e, assim como um paciente diagnosticado com COVID, Ye argumentou que eles poderiam rastrear e fazer uma análise retrospectiva para ver se sinais anteriores poderiam ser encontrados nos dados e se esses dados poderiam ser usado para construir um modelo para monitoramento quase em tempo real.
Ye explica que eles têm uma grande quantidade de dados para trabalhar – por exemplo, os dados do Landsat remontam a 50 anos – então a equipe poderia realizar uma análise retrospectiva completa para ajudar a criar um algoritmo que pode detectar mudanças muito mais rapidamente do que os métodos atuais que dependem de um abordagem mais manual.
"Existem muitos dados e muitos produtos bons, mas nunca aproveitamos ao máximo eles para analisar retrospectivamente os sintomas para análises futuras. Nunca conectamos o passado e o futuro, mas este trabalho está unindo os dois."
O Professor Associado do Departamento de Recursos Naturais e Meio Ambiente e Diretor do Laboratório GERS, Zhe Zhu, diz que usaram a infinidade de dados disponíveis e aplicaram o aprendizado de máquina, juntamente com barreiras físicas, para serem pioneiros em uma técnica que ultrapassa os limites da detecção quase em tempo real a, no máximo, quatro dias em vez de um mês ou mais.
Até agora, a detecção precoce era mais desafiadora, porque é mais difícil diferenciar as mudanças nos estágios iniciais pós-distúrbio, diz Zhu.
“Esses dados contêm muito ruído causado por coisas como nuvens, sombras de nuvens, fumaça, aerossóis, até mesmo a mudança das estações, e levar em conta essas variações torna difícil a interpretação da mudança real na superfície da Terra, especialmente quando o objetivo é para detectar esses distúrbios o mais rápido possível."
Pesquisadores da UConn desenvolveram um método para avaliar imagens de satélite para ajudar a monitorar distúrbios terrestres, como desastres, quase em tempo real. Crédito:Zhe Zhu
Um ponto chave no desenvolvimento do método é o acesso aberto aos dados mais avançados disponíveis em média resolução, diz Ye.
"Os cientistas nos Estados Unidos estão em colaboração com cientistas europeus, e combinamos todos os quatro satélites, por isso desenvolvemos o trabalho de muitos, muitos outros. Tecnologias de satélite como o Landsat - penso que é um dos maiores projectos da história da humanidade. "
Além de tornar as imagens de código aberto, Zhu acrescenta que o conjunto de dados – dados harmonizados do Landsat e do Sentinel-2 da NASA (HLS) – foi harmonizado por uma equipe da NASA, o que significa que os dados do Landsat e do Sentinel-2 foram todos calibrados para a mesma resolução. o que economiza muito tempo de processamento e permite que os pesquisadores comecem a trabalhar diretamente com os dados,
“Sem os dados HLS da NASA, podemos levar meses apenas para preparar os dados.”
Ye explica que eles estabeleceram limites com base no conhecimento empírico do que foi observado em perturbações terrestres anteriores. Eles analisam os sinais nos dados, chamados de mudança espectral, e calculam a magnitude geral da mudança para ajudar a distinguir o ruído dos primeiros sinais de perturbação.
Esta abordagem ignora outras informações importantes relacionadas com perturbações, tais como ângulo de mudança espectral, padrões de sazonalidade, condições da terra pré-perturbação, diz Ye.
"O novo método permite que os dados anteriores nos supervisionem para encontrar os sinais reais. Por exemplo, algumas perturbações ocorrem em certas estações, portanto a similaridade poderia ser levada em conta, e algumas perturbações têm características espectrais especiais que aumentarão em certas bandas, mas diminuirão em outras faixas, podemos então usar os dados para construir um modelo para caracterizar melhor as mudanças."
Por outro lado, aproveitamos vários produtos de perturbação existentes que poderiam ser usados como dados de treinamento em aprendizado de máquina e IA, diz Zhu.
"Depois que essa enorme quantidade de dados de treinamento for coletada, pode haver alguns pixels errados, mas essa abordagem de aprendizado de máquina pode refinar ainda mais os resultados e fornecer melhores resultados. É como se as regras físicas e estatísticas estivessem conversando com a abordagem de aprendizado de máquina e elas trabalhar juntos para melhorar os resultados."
O coautor e pesquisador de pós-doutorado Ji Won Suh diz que a equipe está ansiosa para continuar trabalhando neste método e monitorar distúrbios terrestres em todo o país.
"Para direções futuras, espero que possamos ajudar a contar a história sobre os impactos socioeconômicos e o que está acontecendo em nosso sistema terrestre. Se dados de séries temporais mais densos estiverem disponíveis e mais armazenamento de dados estiver disponível, junto com este algoritmo, nós posso entender nosso sistema de forma mais intuitiva e estou muito ansioso pelo futuro."
Zhu diz que a abordagem já está atraindo interesse e espera que o interesse cresça. O trabalho deles é de código aberto e Zhu diz que está feliz em ajudar outros grupos a adotar o método. A plataforma já foi usada para monitoramento de desastres quase em tempo real. Após o furacão Ian, a equipe rapidamente empregou esse método para ajudar nos esforços de recuperação.
“Acho que é extremamente benéfico”, diz Zhu. "Se acontecer algum tipo de desastre, poderemos ver rapidamente os danos na área e determinar a extensão e o custo estimado da recuperação. Esperamos ter este sistema abrangente de monitoramento de perturbações terrestres quase em tempo real para ajudar as pessoas a reduzir o danos causados por esses grandes desastres."
