El machine learning revoluciona les metodologies per quantificar la biosfera terrestre

01/03/2021

Investigadors de la Universitat estableixen una nova metodologia per millorar, des de l’espai i mitjançant machine learning, l’observació i anàlisi de la biosfera terrestre. Aquest enfocament estadístic suposarà un avanç significatiu en monitorització de cultius i embornals de carboni, així com en predicció d’inundacions i sequeres. El treball apareix publicat a la revista Science Advances.

La nova metodologia d’aprenentatge automàtic permet millorar la precisió en la predicció de paràmetres clau, com l’índex d’àrea foliar, la productivitat primària bruta i la fluorescència de la clorofil·la induïda pel sol, entre d’altres. El camp d’aplicacions és enorme i promet ser de gran utilitat per millorar el monitoratge de cultius i els embornals de carboni, detectar canvis i anomalies, sequeres i inundacions. L’aplicació d’aquestes tècniques d’aprenentatge automàtic permetrà mesures més precises de la dinàmica dels embornals de carboni terrestre, que té implicacions en les accions de mitigació del canvi climàtic global.

La Terra està canviant ràpidament i ho fa de moltes formes. Els sensors a bord de satèl·lits –també d’avions i drons– obtenen contínuament informació valuosa sobre el nostre planeta de forma remota. Quantificar la coberta vegetal i estudiar-ne l’estructura bioquímica i funcionament des de l’espai és clau per comprendre el canvi global, la biodiversitat i l’agricultura.

Des de la dècada dels 70, la teledetecció s’ha basat en gran mesura en l’ús d’índexs de vegetació, que són fórmules paramètriques del senyal espectral que adquireixen els satèl·lits. Aquests índexs, simples de calcular, estan dissenyats per a correlacionar bé amb fenòmens biofísics particulars de la cobertura terrestre, com la verdor, el contingut d’aigua o l’activitat fotosintètica, entre d’altres. Per això, aquests índexs s’han utilitzat i se segueixen utilitzant àmpliament per a la quantificació de la biosfera terrestre, la seua productivitat i la seua dinàmica. No obstant això, la literatura i les múltiples aplicacions revelen importants limitacions, que finalment es resolen en aquest estudi.

En l’article que publica Science Advances, que té com a primer autor el físic i catedràtic d’Enginyeria Electrònica i coordinador del grup Image and Signal Processing (ISP) de la Universitat de València Gustau Camps-Valls, els científics presenten un enfocament metodològic d’aprenentatge automàtic (machine learning) el marc teòric permet generalitzar tots els índexs de vegetació usats en la literatura al respecte. “Hem comprovat que tots els enfocaments anteriors més heurístics, intuïtius i basats en principis físics senzills encaixen com a casos particulars a la nostra metodologia. Ara, des d’una perspectiva estadística, vam guanyar en precisió i salvem les limitacions que frenaven l’avanç en aquest apartat dels estudis sobre la biosfera terrestre”, explica Camps-Valls. “La nova metodologia millora els resultats en totes les aplicacions que hem abordat: monitoratge de la fenologia de la vegetació, quantificació de l’absorció de carboni i activitat fotosintètica a escala planetària. També mostrem que és extremadament útil per detectar canvis i cobertura vegetal, així com per estimar el rendiment dels cultius des de l’espai, per exemple”, afegeix Álvaro Moreno, investigador de l’ISP (IPL-UV) i membre de l’ERC Synergy Grant USMILE que dirigeix Gustau Camps.

La metodologia proposada, que permet millorar tots els índexs de vegetació, i en particular l’índex més emprat en les últimes quatre dècades –el NDVI–, dóna les claus per dissenyar índexs nous i més potents. A més, destaca per la seua extremada senzillesa algorísmica. “Proporcionem el codi font en tots els llenguatges de programació, incloent el Google Earth Engine, una plataforma que permet escalar resultats a escala planetària. D’aquesta manera, pensem que el marc serà adoptat per molts científics, professionals i desenvolupadors”, diu Jordi Muñoz, coautor i membre de l’ISP. “El fet que el nou índex generalitze tots els índexs anteriors ofereix garanties teòriques que sempre funcionarà igual o millor”, comenta Manuel Campos, membre del grup ESR del Departament de Física de la Universitat de València, “i és una cosa molt senzilla de calcular i aplicar a la pràctica”, afegeix Javier García, del mateix grup.

A més del seu ús per al monitoratge de la biosfera terrestre, l’enfocament estadístic plantejat té possibles aplicacions en estudis oceanogràfics i de l’atmosfera, entre d’altres. Els indicadors es fan servir àmpliament en totes les branques de la ciència, i amb aquesta metodologia es poden millorar fàcilment.

Referència:

A Unified Vegetation Index for Quantifying the Terrestrial Biosphere. Gustau Camps-Valls, Manuel Campos-Taberner, Álvaro Moreno-Martı́nez, Sophia Walther, Grégory Duveiller, Alessandro Cescatti, Miguel Mahecha, Jordi Muñoz-Marı́, Francisco Javier Garcı́a-Haro, Luis Guanter, John Gamon, Martin Jung, Markus Reichstein, Steven W. Running. Science Advances, 2021; 7: eabc7447. 26 February 2021 

https://advances.sciencemag.org/content/7/9/eabc7447

Video