Wetenschap
Onderzoekers dichter bij bijna realtime rampenmonitoring
Wanneer een ramp toeslaat, is een snelle en gecoördineerde respons nodig, en daarvoor zijn gegevens nodig om de aard van de schade, de omvang van de benodigde respons te beoordelen en veilige evacuaties te plannen.
Vanaf de grond kan deze gegevensverzameling dagen of weken duren, maar een team van UConn-onderzoekers heeft een manier gevonden om de vertragingstijd voor deze beoordelingen drastisch te verkorten met behulp van teledetectiegegevens en machinaal leren, waardoor de beoordeling van verstoringen dichter bij bijna realtime komt ( NRT)-monitoring. Hun bevindingen zijn gepubliceerd in Remote Sensing of Environment .
Su Ye, een postdoctoraal onderzoeker bij UConn's Global Environmental Remote Sensing Laboratory (GERS) en de eerste auteur van het artikel, zegt dat hij geïnspireerd werd door methoden die door biomedische onderzoekers worden gebruikt om de vroegste symptomen van infecties te bestuderen.
"Het is een heel intuïtief idee", zegt Ye. "Bij COVID kunnen de eerste symptomen bijvoorbeeld heel subtiel zijn, en je kunt pas enkele weken later zeggen dat het om COVID gaat, wanneer de symptomen ernstig worden en ze de infectie bevestigen."
Ye legt uit dat deze methode retrospective chart review (RCR) wordt genoemd en dat deze vooral nuttig is om meer te leren over infecties met een lange latentieperiode tussen de eerste blootstelling en de ontwikkeling van een duidelijke infectie.
"Dit onderzoek maakt gebruik van dezelfde ideeën. Wanneer we bijvoorbeeld aan het begin van onze teledetectiewaarnemingen landverstoringsmonitoring uitvoeren van zaken als rampen of ziekten in bossen, hebben we mogelijk heel weinig of slechts één teledetectiebeeld, dus het vroegtijdig signaleren van de symptomen kan zeer nuttig zijn", zegt Ye.
Enkele dagen of weken na een verstoring kunnen onderzoekers een verandering bevestigen, en net zoals bij een patiënt met de diagnose COVID, redeneerde Ye dat ze dit konden nagaan en een retrospectieve analyse konden uitvoeren om te zien of eerdere signalen in de gegevens konden worden gevonden en of die gegevens konden worden teruggevonden. worden gebruikt om een model te construeren voor bijna realtime monitoring.
Ye legt uit dat ze over een schat aan gegevens beschikken om mee te werken – de gegevens van Landsat gaan bijvoorbeeld al vijftig jaar terug – zodat het team een volledige retrospectieve analyse kan uitvoeren om een algoritme te helpen creëren dat veranderingen veel sneller kan detecteren dan de huidige methoden die afhankelijk zijn van een meer handmatige aanpak.
"Er zijn zoveel gegevens en veel goede producten, maar we hebben er nooit ten volle gebruik van gemaakt om de symptomen met terugwerkende kracht te analyseren voor toekomstige analyse. We hebben het verleden en de toekomst nooit met elkaar verbonden, maar dit werk brengt deze twee samen." P>
Zhe Zhu, universitair hoofddocent bij de afdeling Natuurlijke Hulpbronnen en Milieu en directeur van het GERS-laboratorium, zegt dat ze de grote hoeveelheid beschikbare gegevens hebben gebruikt en machinaal leren hebben toegepast, samen met fysieke barrières, om een techniek te pionieren die de grens van bijna realtime detectie verlegt tot maximaal vier dagen, in plaats van een maand of langer.
Tot nu toe was vroege detectie een grotere uitdaging, omdat het moeilijker is om veranderingen in de vroege fasen na de verstoring te onderscheiden, zegt Zhu.
"Deze gegevens bevatten veel ruis veroorzaakt door zaken als wolken, wolkenschaduwen, rook, aerosolen en zelfs de wisseling van de seizoenen, en het in rekening brengen van deze variaties maakt de interpretatie van echte veranderingen op het aardoppervlak moeilijk, vooral als het doel is om deze verstoringen zo snel mogelijk op te sporen."
Een belangrijk punt bij de ontwikkeling van de methode is de open toegang tot de meest geavanceerde gegevens die beschikbaar zijn met gemiddelde resolutie, zegt Ye.
‘Wetenschappers in de Verenigde Staten werken samen met Europese wetenschappers, en we combineren alle vier de satellieten, dus we hebben voortgebouwd op het werk van vele, vele anderen. Satelliettechnologieën zoals Landsat – ik denk dat dit een van de grootste projecten in de menselijke geschiedenis is. "
Naast het open source maken van de afbeeldingen, voegt Zhu eraan toe dat de dataset – NASA Harmonized Landsat en Sentinel-2 data (HLS) – werd geharmoniseerd door een team bij NASA, wat betekent dat de Landsat- en Sentinel-2-data allemaal op dezelfde resolutie waren gekalibreerd. waardoor veel verwerkingstijd wordt bespaard en onderzoekers direct met de gegevens aan de slag kunnen,
"Zonder de NASA HLS-gegevens kunnen we maanden besteden aan het klaar krijgen van de gegevens."
Ye legt uit dat ze drempels hebben vastgesteld op basis van empirische kennis van wat werd gezien bij eerdere landverstoringen. Ze kijken naar signalen in de gegevens, de zogenaamde spectrale verandering, en berekenen de totale omvang van de verandering om de ruis te helpen onderscheiden van de vroege signalen van verstoringen.
Deze aanpak negeert andere relevante belangrijke verstoringsgerelateerde informatie, zoals de spectrale veranderingshoek, seizoenspatronen en de toestand van het land vóór de verstoring, zegt Ye.
"De nieuwe methode laat de gegevens uit het verleden ons begeleiden om de echte signalen te vinden. Sommige verstoringen komen bijvoorbeeld in bepaalde seizoenen voor, dus er kan rekening worden gehouden met overeenkomsten, en sommige verstoringen hebben speciale spectrale kenmerken die op bepaalde banden zullen toenemen, maar afnemen in andere banden kunnen we de gegevens vervolgens gebruiken om een model te bouwen om de veranderingen beter te karakteriseren."
Aan de andere kant hebben we gebruik gemaakt van tal van bestaande verstoringsproducten die kunnen worden gebruikt als trainingsgegevens op het gebied van machinaal leren en AI, zegt Zhu.
"Zodra deze enorme hoeveelheid trainingsgegevens is verzameld, kunnen er enkele verkeerde pixels zijn, maar deze machine learning-aanpak kan de resultaten verder verfijnen en betere resultaten opleveren. Het is alsof de fysieke, statistische regels met de machine learning-aanpak praten en zij samenwerken om de resultaten te verbeteren."
Co-auteur en postdoctoraal onderzoeker Ji Won Suh zegt dat het team graag aan deze methode wil blijven werken en landverstoringen in het hele land wil monitoren.
"Voor toekomstige richtingen hoop ik dat we kunnen helpen het verhaal te vertellen over de sociaal-economische gevolgen en wat er gaande is in ons aardesysteem. Als er dichtere tijdreeksgegevens beschikbaar zijn en er meer gegevensopslag beschikbaar is, kunnen we samen met dit algoritme kan ons systeem intuïtiever begrijpen. Ik kijk erg uit naar de toekomst."
Zhu zegt dat de aanpak al belangstelling trekt, en hij verwacht dat de belangstelling nog zal toenemen. Hun werk is open source en Zhu zegt dat ze graag andere groepen helpen de methode over te nemen. Het platform wordt al gebruikt voor bijna realtime rampenmonitoring. In de nasleep van orkaan Ian paste het team deze methode snel toe om te helpen bij de herstelinspanningen.
"Ik denk dat het buitengewoon nuttig is", zegt Zhu. “Als er zich een ramp voordoet, kunnen we de schade in het gebied snel zien en de omvang en de geschatte kosten voor herstel bepalen. We hopen dat dit uitgebreide monitoringsysteem voor landverstoring bijna in realtime beschikbaar is om mensen te helpen de schade te verminderen. schade door die grote rampen."