Depuis le sol, cette collecte de données peut prendre des jours ou des semaines, mais une équipe de chercheurs d'UConn a trouvé un moyen de réduire considérablement le délai de ces évaluations en utilisant des données de télédétection et l'apprentissage automatique, rapprochant ainsi l'évaluation des perturbations du temps quasi réel ( NRT). Leurs conclusions sont publiées dans Remote Sensing of Environment. .

Su Ye, chercheur postdoctoral au Laboratoire mondial de télédétection environnementale (GERS) de l'UConn et premier auteur de l'article, dit qu'il a été inspiré par les méthodes utilisées par les chercheurs biomédicaux pour étudier les premiers symptômes des infections.

"C'est une idée très intuitive", déclare Ye. "Par exemple, avec le COVID, les premiers symptômes peuvent être très subtils, et vous ne pouvez dire qu'il s'agit du COVID que plusieurs semaines plus tard, lorsque les symptômes deviennent graves et confirment ensuite l'infection."

Ye explique que cette méthode est appelée examen rétrospectif des dossiers (RCR) et qu'elle est particulièrement utile pour en savoir plus sur les infections qui ont une longue période de latence entre l'exposition initiale et le développement d'une infection évidente.

"Cette recherche utilise les mêmes idées. Lorsque nous surveillons les perturbations des terres, comme les catastrophes ou les maladies dans les forêts, par exemple, au tout début de nos observations par télédétection, nous pouvons avoir très peu ou une seule image de télédétection, donc détecter les symptômes tôt pourrait être très bénéfique", explique Ye.

Plusieurs jours ou semaines après une perturbation, les chercheurs peuvent confirmer un changement, et tout comme un patient diagnostiqué avec le COVID, Ye a pensé qu'ils pourraient retracer et faire une analyse rétrospective pour voir si des signaux antérieurs pouvaient être trouvés dans les données et si ces données pouvaient être utilisé pour construire un modèle de surveillance en temps quasi réel.

Ye explique qu'ils disposent d'une multitude de données avec lesquelles travailler - par exemple, les données Landsat remontant à 50 ans - l'équipe pourrait donc effectuer une analyse rétrospective complète pour aider à créer un algorithme capable de détecter les changements beaucoup plus rapidement que les méthodes actuelles qui s'appuient sur un approche plus manuelle.

"Il y a tellement de données et de bons produits, mais nous n'en avons jamais pleinement profité pour analyser rétrospectivement les symptômes en vue d'analyses futures. Nous n'avons jamais connecté le passé et le futur, mais ce travail rassemble les deux."

Zhe Zhu, professeur agrégé au Département des ressources naturelles et de l'environnement et directeur du laboratoire GERS, explique qu'ils ont utilisé la multitude de données disponibles et appliqué l'apprentissage automatique, ainsi que les barrières physiques, pour mettre au point une technique qui repousse les limites de la détection en temps quasi réel. à quatre jours au maximum au lieu d'un mois ou plus.

Jusqu'à présent, la détection précoce était plus difficile, car il est plus difficile de différencier les changements dans les premiers stades post-perturbation, explique Zhu.

"Ces données contiennent beaucoup de bruit causé par des choses comme les nuages, les ombres des nuages, la fumée, les aérosols, et même le changement des saisons, et la prise en compte de ces variations rend difficile l'interprétation des changements réels à la surface de la Terre, surtout lorsque l'objectif est de pour détecter ces perturbations le plus rapidement possible."

Un point clé dans le développement de la méthode est l'accès ouvert aux données les plus avancées disponibles à moyenne résolution, explique Ye.

"Les scientifiques américains collaborent avec des scientifiques européens et nous combinons les quatre satellites. Nous nous sommes donc appuyés sur le travail de nombreux autres satellites. Les technologies satellitaires comme Landsat - je pense que c'est l'un des plus grands projets de l'histoire de l'humanité. "

En plus de rendre les images open source, Zhu ajoute que l'ensemble de données – les données harmonisées Landsat et Sentinel-2 de la NASA (HLS) – a été harmonisé par une équipe de la NASA, ce qui signifie que les données Landsat et Sentinel-2 ont toutes été calibrées à la même résolution. ce qui permet de gagner beaucoup de temps de traitement et permet aux chercheurs de commencer à travailler directement avec les données,

"Sans les données HLS de la NASA, nous pourrions passer des mois à préparer les données."

Ye explique qu'ils ont fixé des seuils basés sur des connaissances empiriques tirées de ce qui a été observé lors de précédentes perturbations foncières. Ils examinent les signaux dans les données, appelés changement spectral, et calculent l'ampleur globale du changement pour aider à distinguer le bruit des premiers signaux de perturbations.

Cette approche ignore d'autres informations importantes liées aux perturbations, telles que l'angle de changement spectral, les modèles de saisonnalité et l'état des terres avant la perturbation, explique Ye.

"La nouvelle méthode permet aux données passées de nous superviser pour trouver les signaux réels. Par exemple, certaines perturbations se produisent au cours de certaines saisons, donc la similarité pourrait être prise en compte, et certaines perturbations ont des caractéristiques spectrales spéciales qui augmenteront dans certaines bandes, mais diminueront. dans d'autres bandes, nous pouvons ensuite utiliser les données pour construire un modèle permettant de mieux caractériser les changements."

D'un autre côté, nous avons tiré parti de nombreux produits de perturbation existants qui pourraient être utilisés comme données de formation dans l'apprentissage automatique et l'IA, explique Zhu.

"Une fois cette quantité massive de données d'entraînement collectées, il peut y avoir des pixels erronés, mais cette approche d'apprentissage automatique peut affiner davantage les résultats et fournir de meilleurs résultats. C'est comme si les règles physiques et statistiques s'adressaient à l'approche d'apprentissage automatique et qu'elles travailler ensemble pour améliorer les résultats."

Ji Won Suh, co-auteur et chercheur postdoctoral, affirme que l'équipe est impatiente de continuer à travailler sur cette méthode et de surveiller les perturbations des sols à l'échelle nationale.

"Pour les orientations futures, j'espère que nous pourrons contribuer à raconter l'histoire des impacts socio-économiques et de ce qui se passe dans notre système terrestre. Si des données de séries chronologiques plus denses sont disponibles et si davantage de stockage de données est disponible, avec cet algorithme, nous Je peux comprendre notre système de manière plus intuitive. J'ai vraiment hâte de voir l'avenir."

Zhu dit que cette approche suscite déjà de l’intérêt et il s’attend à ce que cet intérêt grandisse. Leur travail est open source et Zhu se dit heureux d'aider d'autres groupes à adopter la méthode. La plateforme a déjà été utilisée pour la surveillance des catastrophes en temps quasi réel. Au lendemain de l'ouragan Ian, l'équipe a rapidement utilisé cette méthode pour faciliter les efforts de rétablissement.

"Je pense que c'est extrêmement bénéfique", déclare Zhu. « Si une catastrophe se produit, nous pouvons constater rapidement les dégâts dans la zone et déterminer l'étendue et le coût estimé du rétablissement. Nous espérons disposer de ce système complet de surveillance des perturbations des terres en temps quasi réel pour aider les gens à réduire les dégâts. dégâts causés par ces grandes catastrophes. "