Χρησιμοποιώντας ένα τεχνητό νευρωνικό δίκτυο, ερευνητές στο Πανεπιστήμιο ETH Zurich δημιούργησαν τον πρώτο παγκόσμιο χάρτη ύψους βλάστησης υψηλής ανάλυσης για το 2020, από δορυφορικές εικόνες. Αυτός ο χάρτης θα μπορούσε να παρέχει βασικές πληροφορίες για την καταπολέμηση της κλιματικής αλλαγής και της εξαφάνισης ειδών, καθώς και για τον σχεδιασμό βιώσιμης περιφερειακής ανάπτυξης.
Το 2021 σηματοδότησε την έναρξη μια νέας προσπάθειας του ΟΗΕ για την αποκατάσταση των οικοσυστημάτων. Αυτή η πρωτοβουλία στοχεύει στην ανάσχεση της υποβάθμισης των οικοσυστημάτων έως το 2030, στην αποτροπή της στο μέλλον και, αν καταστεί δυνατόν, στην αποκατάσταση της ζημίας που έχει ήδη προκληθεί. Η υλοποίηση αυτού του είδους των έργων απαιτεί έρευνες ακριβείας, και χάρτες της υπάρχουσας βλάστησης.
Σε μια συνέντευξη, ο Ralph Dubayah, ο κύριος ερευνητής της αποστολής Global Ecosystem Dynamics Investigation (GEDI) της NASA, εξηγεί: «Απλώς δεν ξέρουμε πόσο ψηλά είναι τα δέντρα παγκοσμίως. Χρειαζόμαστε καλούς παγκόσμιους χάρτες για το πού βρίσκονται τα δέντρα. Γιατί κάθε φορά που κόβουμε δέντρα, απελευθερώνουμε άνθρακα στην ατμόσφαιρα και δεν ξέρουμε πόσο άνθρακα απελευθερώνουμε».
Η ανάλυση και η προετοιμασία ακριβώς αυτού του είδους περιβαλλοντικών δεδομένων είναι αυτό στο οποίο ειδικεύεται το Εργαστήριο EcoVision στο Τμήμα Πολιτικής, Περιβαλλοντικής και Γεωματικής Μηχανικής ETH Ζυρίχης. Ιδρύθηκε από τον Καθηγητή Konrad Schindler και τον Καθηγητή Jan Dirk Wegner το 2017. Σε αυτό το εργαστήριο οι ερευνητές αναπτύσσουν αλγόριθμους μηχανικής μάθησης που επιτρέπουν την αυτόματη ανάλυση περιβαλλοντικών δεδομένων μεγάλης κλίμακας. Ένας από αυτούς τους ερευνητές είναι ο Nico Lang. Στη διδακτορική του διατριβή, ανέπτυξε μια προσέγγιση – βασισμένη στα νευρωνικά δίκτυα – για την εξαγωγή του ύψους της βλάστησης από οπτικές δορυφορικές εικόνες. Χρησιμοποιώντας αυτή την προσέγγιση, μπόρεσε να δημιουργήσει τον πρώτο χάρτη ύψους βλάστησης που καλύπτει ολόκληρη τη Γη: το Global Canopy Height Map (Εικόνα άρθρου).
Η υψηλή ανάλυση του χάρτη είναι άλλη μια πρωτιά: χάρη στη δουλειά του Λανγκ, οι χρήστες μπορούν να μεγεθύνουν έως και 10×10 μέτρα οποιουδήποτε δάσος στη Γη και να ελέγξουν το ύψος του δέντρου. Μια δασική έρευνα αυτού του είδους θα μπορούσε να οδηγήσει το δρόμο προς στην αντιμετώπιση των εκπομπών άνθρακα, καθώς το ύψος των δέντρων είναι βασικός δείκτης της βιομάζας και της ποσότητας άνθρακα που αποθηκεύεται. «Περίπου το 95 τοις εκατό της βιομάζας στα δάση αποτελείται από ξύλο και όχι από φύλλα. Έτσι, η βιομάζα συσχετίζεται έντονα με το ύψος», εξηγεί ο Konrad Schindler, καθηγητής Φωτογραμμετρίας και Τηλεπισκόπησης.
Εκπαιδεύτηκε με δεδομένα σάρωσης λέιζερ από το διάστημα
Πώς όμως διαβάζει ένας υπολογιστής το ύψος του δέντρου από μια δορυφορική εικόνα; «Δεδομένου ότι δεν γνωρίζουμε ποια μοτίβα πρέπει να προσέξει ο υπολογιστής για να εκτιμήσει το ύψος, τον αφήνουμε να μάθει τα καλύτερα φίλτρα εικόνας», λέει ο Lang. Δείχνει το νευρωνικό του δίκτυο εκατομμύρια παραδείγματα – χάρη στις εικόνες από τους δύο δορυφόρους Copernicus Sentinel-2 που διαχειρίζεται ο Ευρωπαϊκός Οργανισμός Διαστήματος (ESA). Αυτοί οι δορυφόροι καταγράφουν κάθε τοποθεσία στη Γη κάθε πέντε ημέρες με ανάλυση 10×10 μέτρα ανά pixel. Είναι οι εικόνες υψηλότερης ποιότητας που είναι διαθέσιμες αυτήν τη στιγμή.
Ο αλγόριθμος πρέπει επίσης να έχει πρόσβαση στη σωστή απάντηση – δηλαδή στο ύψος του δέντρου που προέρχεται από μετρήσεις διαστημικού λέιζερ από το GEDI mission της NASA. «Η αποστολή GEDI παρέχει παγκοσμίως κατανεμημένα, αραιά δεδομένα για το ύψος της βλάστησης μεταξύ των γεωγραφικών πλάτη των 51 μοιρών βόρεια και νότια, έτσι ώστε ο υπολογιστής να βλέπει πολλούς διαφορετικούς τύπους βλάστησης στη διαδικασία εκπαίδευσης», εξηγεί ο Lang. Με την εισαγωγή και την απάντηση, ο αλγόριθμος μπορεί να αποκτήσει ο ίδιος τα φίλτρα για υφές και φασματικά μοτίβα. Μόλις το νευρωνικό δίκτυο έχει εκπαιδευτεί, μπορεί αυτόματα να εκτιμήσει το ύψος της βλάστησης από τις περισσότερες από 250.000 εικόνες (περίπου 160 terabytes δεδομένων) που απαιτούνται για τον παγκόσμιο χάρτη.
Στην ειδική ορολογία, το νευρωνικό δίκτυο του Lang είναι γνωστό ως συνελικτικό νευρωνικό δίκτυο (CNN). Η “συνέλιξη” είναι μια μαθηματική πράξη κατά την οποία ο αλγόριθμος ολισθαίνει μια μάσκα φίλτρου 3×3 pixel πάνω στη δορυφορική εικόνα για να λάβει πληροφορίες σχετικά με τα μοτίβα φωτεινότητας στην εικόνα. «Το κόλπο εδώ είναι ότι στοιβάζουμε τα φίλτρα εικόνας. Αυτό δίνει στον αλγόριθμο πληροφορίες συμφραζομένων, καθώς κάθε pixel, από το προηγούμενο επίπεδο συνέλιξης, περιλαμβάνει ήδη πληροφορίες για τους γείτονές του», λέει ο Schindler. Ως αποτέλεσμα, το Εργαστήριο EcoVision ήταν το πρώτο που χρησιμοποίησε με επιτυχία δορυφορικούς χάρτες για να υπολογίσει επίσης αξιόπιστα ύψος δέντρων έως και 55 μέτρα.
Επειδή τα πολλά στρώματά τους κάνουν αυτά τα νευρωνικά δίκτυα «βαθιά», αυτή η μέθοδος ονομάζεται επίσης «βαθιά μάθηση» (deep learning). Προανήγγειλε μια μεγάλη επανάσταση στην επεξεργασία εικόνας πριν από περίπου δέκα χρόνια. Ωστόσο, η αντιμετώπιση του τεράστιου όγκου δεδομένων παραμένει πολύ δύσκολη: ο υπολογισμός του παγκόσμιου χάρτη ύψους βλάστησης θα χρειαζόταν τρία χρόνια από έναν μόνο ισχυρό υπολογιστή. «Ευτυχώς, έχουμε πρόσβαση στο σύμπλεγμα υπολογιστών υψηλής απόδοσης ETH Zurich, οπότε δεν χρειάστηκε να περιμένουμε τρία χρόνια για να υπολογιστεί ο χάρτης», λέει ο Lang γελώντας.
