Az erdőirtás felismerése a bolygó adataival hetente alatta

A bolygó földmegfigyelő műholdak konstellációja naponta rögzíti a világ szinte teljes földterületét 3 méter / pixel felbontással, ami a térbeli felbontás, a globális lefedettség és a visszalátogatási arány példátlan kombinációja. Ez a képtűz új elemzési megközelítéseket tesz lehetővé a világ számos problémájának, köztük a fenntartható fejlődés több céljának megoldására. Ebben a bejegyzésben az erdőirtásra összpontosítunk, és bemutatjuk, hogy a térbeli-időbeli elemzés hogyan alkalmazható képeinkre az erdő pusztulásának hetenkénti frissítéséhez.

Az illegális erdőirtás továbbra is sürgető probléma az egész világon. Különösen akut a trópusi erdőkben, amelyeket általában mezőgazdasági és állattenyésztési területekké alakítanak át. A környezetre gyakorolt ​​számos negatív következmény közül kiemelkedik az éghajlatváltozás. A fák fontos szén-dioxid-elnyelőként hatnak a légköri szén-dioxid elkülönítésével, és amikor az erdők eltűnnek, sok szén-dioxid visszakerül a levegőbe. Az erdőirtás tehát tulajdonképpen az üvegházhatást okozza, és a közlekedési szektor után a második legnagyobb nettó hozzájárulást képviseli. Íme egy nagyszerű jelentés az ENSZ-től világunk erdeinek állapotáról.

A trópusi erdők figyelemmel kísérése a fák elvesztésének számszerűsítése és az illegális fakitermelés felderítése érdekében számos intézmény és vállalat (például a Global Forest Watch) fontos feladatává vált, és a Föld-megfigyelés (EO) műholdas misszióinak növekedése bebizonyosodott. nagy segítség. A globális lefedettségű EO-küldetések kivételesek, mivel szabványosított módszert kínálnak az erdők érzékelésére és számszerűsítésére az egész világon. A Landsat és a Sentinel két olyan küldetés, amelyek fenomenális többspektrális tartományt kínálnak, és amelyeket a közelmúltban alkalmaztak az erdők megfigyelésére. Ma a Planet adatainak magasabb visszalátogatási arányának és felbontásának köszönhetően még jobban meghúzhatjuk a földtulajdonságok tér-idő elemzésének határait, és hónapok helyett egy héten belül észlelhetjük az erdők változását.

A modell áttekintése

A változás észlelése a bejövő képfolyamok vagy halom alapján jó problémának tűnik egy visszatérő konvolúciós ideghálóval megoldani. Azonban egy egyszerűbb módszer mellett döntöttünk, munkafolyamatunkat 2 részre osztva: a képek szemantikai szegmentálására és az azt követő pixelenként idősor-elemzésre. A közvetlen változás-osztályozó elkerülésének fő oka a címkézett képzési adatok létrehozásának költsége. A képosztályok változásainak osztályozójának kiképzéséhez nagyszámú manuálisan kurált változtatási jegyzet szükséges. Ez azt jelenti, hogy az emberek térben és időben szitálják a változásesemények felkutatását és körülhatárolását, ami időigényes és drága. Másrészt a képek szegmentált címkeképeinek elkészítése egyszerűbb folyamat, amelyhez rendelkezésre állnak szabványos eszközök.

A képszegmentálás után jön az idősor-elemzés. Ebben a lépésben elkerüljük a további címkézett adatok szükségességét, mivel a problémát nem kezelik felügyelt gépi tanulási (ML) feladatként, hanem egyszerű, statisztikai következtetéseket alkalmaz a változás valószínűségének meghatározására. Célszerűbb ezt a megosztani és meghódítani megközelítést követni, mivel ez az ML mérnöki bevett gyakorlata. A probléma felosztása könnyen függetlenül megoldható részekre jobb értelmezhetőséget, hibakeresést, szerszámok újrafelhasználhatóságát és a csővezeték karbantartását teszi lehetővé.

1. rész: Szemantikus szegmentálás

A szemantikus szegmentálás célja egy olyan modell létrehozása, amely egyetlen képet vesz be bemenetként, és egy másik azonos alakú és felbontású tömböt ad vissza, amely jelzi az egyes pixelek besorolását egy előre definiált földtípusok között. Az erdő, a talaj, a víz, a felhő és a felhő árnyékának egyszerű ontológiáját alkalmaztuk, és létrehoztunk egy címkézett képkészletet az amazóniai esőerdők egyik régiójában.

A választott képünk a PlanetScope jelenetek voltak, az egyes Dove műholdak által készített egyedi pillanatfelvételek. A második lehetőség, a PlanetScope alaptérképek, egy adott hely legélesebb és leginkább felhőmentes képeinek egy hónap alatt történő összeállítását jelentik. Az alaptérképek azért előnyösek az ML-ben, mert kifinomult képeket képviselnek, szinte felhőmentesek és nulla képkülönbséggel rendelkeznek az érdeklődési körzet felett. Remek választásnak bizonyulnak a legtöbb elemzéshez, ideértve az erdőtérképezést is, amint az a NextGenMap projektünkben látható. Vannak azonban olyan problémák, amelyeket a legalacsonyabb észlelési késleltetés érdekében kell optimalizálni, például riasztások az erdőirtásról, az illegális tevékenységekről vagy a katasztrófa eseményekről. Ezekben az esetekben gyakran megfelelőbb az egyes PlanetScope jelenetek használata, a napi ütemük kihasználásával a nagyobb működési bonyolultság rovására. Pontosan ezt a képességet mutatjuk be ebben a bejegyzésben.

Címkézett adatsorunkat egy többosztályos pixel osztályozó képzésére használtuk, amely teljesen konvolúciós neurális hálózaton alapult. Az architektúra választásunk az Unet általánosított változata volt, amely egy viszonylag egyszerű és hatékony kódoló / dekóder típusú modell. A modell közvetlen kimenete az egyes pixeleknél diszkrét valószínűségi eloszlás az osztályok halmaza felett, és ezeket a valószínűségi térképeket csővezetékünk továbbítja az idősoros modellnek.

A pusztán a szegmentálás prediktív pontosságának értékelése érdekében minden pixelhez a legvalószínűbb osztályt választják, majd összehasonlítják az alap igazsággal. Amikor egy kitartó adatkészleten számolták, a modell teljesítménye meglehetősen jó volt, és helyesen jósolta meg a nagy, jelentős pixelfoltokat.

2. rész: Idősor-elemzés

A következő lépésben az osztály valószínűségének idősorát modelleztük, hogy következtethessünk az erdő állapotának változásaira. Szükséges egy szabványos rács kiválasztása a képekre, amelyek a kezdetektől fogva kivetülnek. Így bármely adott földrajzi hely ugyanazon pixelrács koordinátának felel meg a különböző képkockák között. Kölcsönvettük a Planet alaptérképeiben használt rendszert, amely a földgömb hosszúsági tartományát 2048 lapkára osztja a Web Mercator vetületében.

A csővezetékünket úgy állítottuk be, hogy a feladatokat a felhőalapú számítási fürt csempékkel térképezze fel, és egy adott csempe összes feldolgozását egy független dolgozó kezelte. Minden dolgozó előhívta a bemeneti képeket (általában a legújabb 40–60 jelenetet, amelyek metszik a csempét), futtatta a szegmentációs modellt, kivetítette a szegmentált jeleneteket a csempe geometriájára, felépített egy idő-térbeli térbeli adatsort és végrehajtotta az idősor következtetését. / p>

Mivel a jelenetek téglalap alakúak és változó tájolásúak, a kapott keret négyzet alakú lapra vetítve nagy mennyiségű adatot tartalmaz. Ez azonban nem okoz problémát, mivel a hiányzó képpontok egyszerűen elfedhetők az elemzés során.

Tekintettel arra, hogy pixel szinten kell következtetéseket generálni, és hogy nagy mennyiségű adatfeldolgozás szükséges, kifejlesztettünk egy egyszerű idősoros modellt, amelyet a NumPy tömbműveletekre lehet építeni a sebesség és a memória optimalizálása érdekében. Ehhez a pixelenkénti erdőosztály valószínűségét használtuk fő idősor jelként, és minden pontot nulladattal vagy jelentős felhő valószínűséggel takartunk. Lehetséges javulás lehet az osztály pontszámok közötti kovariancia modellezése, de ezt a következő lépésekre bíztuk.

Az erdőirtás jelenségének modellezésével kapcsolatban néhány megközelítést és egyszerűsítő feltételezést lehet tenni. Például általában arra számíthatunk, hogy egy adott erdei pixel legfeljebb egy átmenetet fog tapasztalni. Ritka lenne, ha egy helyet többször erdővel borítanának és erdősítenének. Ezt korábbinak tekintve lehetővé teszi számunkra, hogy a nagyfrekvenciás variabilitást sztochasztikus zajként modellezzük, amelyet egy Gauss-féle vagy hasonló eloszlás eredményez. Kipróbáltunk néhány, alacsony számítási komplexitású megközelítést, és függetlenségi teszteket találtunk egy 2 ablakos felosztás között, pl. az előző 3-4 megfigyelés összehasonlítva az előzőekkel, hogy ésszerűen hatékonyak legyenek az informatív változás pontszámának elkészítésében. Végül algoritmusunk képes volt magabiztosan megtalálni a változást egy maroknyi megfigyeléssel, miután a tényleges esemény megtörtént. Figyelembe véve a napi képalkotási látogatási arányt (ez egy átlagos arány, egyes napokban többféle rögzítés van, másokban nincs), ez heti alrendszeri észlelési késleltetést jelent.

Ez a csővezeték képes minden új megfigyeléssel (beleértve a részben felhős képeket is) frissíteni az erdőállapot térképét, és a bekövetkezésétől számított napokon belül észlelni a változásokat. Ennek a folyamatnak a hatékonyságát a forráskép két aspektusa magyarázza: (1) 3 méteres felbontás rögzíti az erdők jellegzetes textúráját és javítja a szegmentálási pontosságot, és (2) a magas visszalátogatási arány növeli az időbeli elemzés statisztikai bizalmát. Több adat egyszerűen jobb!

További információkért vegye fel a kapcsolatot Jesus Martinez-Mansóval (jesus@planet.com), és ne felejtse el feliratkozni a Bolygó történetekre.