Pembelajaran mesin merevolusi metode untuk mengukur biosfer terestrial
Spotlight

Pembelajaran mesin merevolusi metode untuk mengukur biosfer terestrial


Kredit: Pixabay / CC0 Domain Publik

Para peneliti dari Universitas membuat metodologi baru untuk meningkatkan, dari luar angkasa dan melalui pembelajaran mesin, pengamatan dan analisis biosfer terestrial. Pendekatan statistik ini akan menunjukkan kemajuan yang signifikan dalam memantau tanaman dan penyerap karbon, serta dalam memprediksi banjir dan kekeringan. Karya tersebut telah dipublikasikan di jurnal Kemajuan Sains.

Metodologi pembelajaran mesin yang baru memungkinkan untuk meningkatkan ketepatan dalam prediksi parameter utama, seperti indeks luas daun, produktivitas primer bruto, dan fluoresensi klorofil yang diinduksi oleh matahari, antara lain. Bidang aplikasi sangat besar dan akan sangat berguna untuk meningkatkan pemantauan tanaman dan penyerap karbon, mendeteksi perubahan dan anomali, kekeringan dan banjir. Penerapan teknik pembelajaran mesin ini akan memungkinkan pengukuran dinamika penyerap karbon terestrial yang lebih tepat, yang berimplikasi pada mitigasi tindakan perubahan iklim global.

Bumi berubah dengan cepat dan terjadi dalam banyak hal. Sensor di satelit — termasuk pesawat terbang dan drone — terus memperoleh informasi berharga tentang planet kita dari jarak jauh. Mengukur tutupan vegetasi dan mempelajari struktur biokimia dan fungsinya dari luar angkasa adalah kunci untuk memahami perubahan global, keanekaragaman hayati dan pertanian.

Sejak tahun 1970-an, penginderaan jauh sangat bergantung pada penggunaan indeks vegetasi, yang merupakan rumus parametrik untuk sinyal spektral yang diperoleh satelit. Indeks-indeks ini, yang mudah dihitung, dirancang untuk berkorelasi baik dengan fenomena biofisik tutupan lahan tertentu, seperti kehijauan, kadar air atau aktivitas fotosintesis, antara lain. Karena alasan ini, indeks ini telah digunakan dan terus digunakan secara ekstensif untuk mengukur biosfer terestrial, produktivitasnya, dan dinamikanya. Namun, literatur dan berbagai aplikasi mengungkapkan keterbatasan penting, yang akhirnya diselesaikan dalam penelitian ini.

Dalam artikel yang diterbitkan oleh Kemajuan Sains, yang penulis pertamanya adalah fisikawan dan profesor Teknik Elektronik dan koordinator grup Image and Signal Processing (ISP) dari University of Valencia Gustau Camps-Valls, para ilmuwan menyajikan pendekatan metodologis untuk pembelajaran mesin yang kerangka teoretisnya memungkinkan untuk menggeneralisasi semua indeks vegetasi yang digunakan dalam literatur dalam hal ini. “Kami telah memverifikasi bahwa semua pendekatan sebelumnya — lebih heuristik, intuitif, dan berdasarkan pada prinsip fisik sederhana — sesuai dengan kasus tertentu dalam metodologi kami. Sekarang, dari perspektif statistik, kami memperoleh ketepatan dan menyimpan keterbatasan yang memperlambat kemajuan dalam hal ini. bagian dari studi tentang biosfer terestrial, “jelas Camps-Valls. “Metodologi baru ini meningkatkan hasil dalam semua aplikasi yang telah kami dekati: pemantauan fenologi vegetasi, kuantifikasi penyerapan karbon dan aktivitas fotosintesis dalam skala planet. Kami juga menunjukkan bahwa ini sangat berguna untuk mendeteksi perubahan dan tutupan vegetasi, seperti serta untuk memperkirakan hasil panen dari luar angkasa, misalnya, “tambah Álvaro Moreno, peneliti ISP (IPL-UV) dan anggota ERC Synergy Grant USMILE yang disutradarai oleh Gustau Camps.

Metodologi yang diusulkan, yang memungkinkan untuk memperbaiki semua indeks vegetasi, dan khususnya indeks yang paling banyak digunakan dalam empat dekade terakhir — NDVI -, memberikan kunci untuk merancang indeks yang baru dan lebih kuat. Selain itu, ia menonjol karena kesederhanaan algoritmiknya yang ekstrem. “Kami menyediakan kode sumber dalam semua bahasa pemrograman, termasuk Google Earth Engine, sebuah platform yang memungkinkan hasil diskalakan pada tingkat planet. Dengan cara ini, menurut kami kerangka kerja ini akan diadopsi oleh banyak ilmuwan, profesional, dan pengembang,” kata Jordi Muñoz, rekan penulis dan anggota ISP. “Fakta bahwa indeks baru menggeneralisasi semua indeks sebelumnya menawarkan jaminan teoretis bahwa indeks akan selalu bekerja sama atau lebih baik,” kata Manuel Campos, anggota kelompok ESR dari Departemen Fisika Universitas Valencia, “dan itu adalah sesuatu sangat mudah untuk dihitung dan diterapkan dalam praktik, “tambah Javier García, dari grup yang sama.

Selain penggunaannya untuk memantau biosfer terestrial, pendekatan statistik yang diusulkan memiliki aplikasi potensial antara lain dalam studi oseanografi dan atmosfer. Indikator digunakan secara luas di semua cabang ilmu pengetahuan, dan dapat dengan mudah ditingkatkan dengan metodologi ini.


Kecerdasan buatan dan data besar menyediakan peta global pertama tentang ciri-ciri vegetasi utama


Informasi lebih lanjut:
Gustau Camps-Valls dkk. Indeks vegetasi terpadu untuk mengukur biosfer terestrial, Kemajuan Sains (2021). DOI: 10.1126 / sciadv.abc7447

Disediakan oleh Asociacion RUVID

Kutipan: Pembelajaran mesin merevolusi metode untuk mengukur biosfer terestrial (2021, 1 Maret) diambil pada 1 Maret 2021 dari https://techxplore.com/news/2021-03-machine-revolutionizes-methods-quantify-terrestrial.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten tersebut disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Pengeluaran SGP Hari Ini