elperiodic.com
SELECCIONA IDIOMA
Castellano

La intel·ligència artificial i el big data desprenen els primers mapes globals de trets clau de la vegetació

La intel·ligència artificial i el big data desprenen els primers mapes globals de trets clau de la vegetació

    Investigadors de la Universitat de València han desenvolupat els primers mapes globals de contingut en fòsfor i nitrogen en la vegetació, així com de l'eficiència en l'ús de l'aigua, mitjançant tècniques d'Intel·ligència Artificial i de Big data. S'espera que l'aplicació d'aquests mapes tinga un alt impacte en camps com ara la biodiversitat, l'agricultura o l'adaptació de les espècies al canvi climàtic.

    Les tècniques d'Intel·ligència Artificial (IA), juntament amb el suport de Google per a treballar amb dades massives d'observació de la Terra des de satèl·lit, han permès generar els primers mapes globals de variables de la vegetació només disponibles localment fins ara.

    Un equip d'investigadors de l'Image Processing Lab (IPL), al Parc Científic, i del Grup de Teledetecció de Medi Ambient (ERS) del Departament de Física de la Terra i Termodinàmica, ambdós de la Universitat de València, han desenvolupat una metodologia per a generar mapes globals de paràmetres, variables i trets clau de la vegetació del planeta. La tecnologia, basada en intel·ligència artificial, treballa al núvol de Google per tal d'explotar milers d'imatges de la NASA i de l'Agència Espacial Europea (ESA), possibilitant la generació i monitorització de la vegetació a alta resolució espacial i temporal de forma global. Els estudis han revelat patrons molt interessants en paràmetres clau per analitzar el canvi climàtic, com ara el contingut en fòsfor, nitrogen i frondositat de plantes.

    "Fins ara era impossible fer aquests mapes perquè no hi reuníem les condicions. No teníem eines estadístiques de machine learning potents i acurades; tampoc no teníem accés a grans conjunts de dades ni a cloud computing per tal de tractar els petabytes d'imatges de satèl·lit de manera ràpida i acurada. Ara, amb la plataforma de Google i els algorismes d'Intel·ligència Artificial, podem fer aquests càlculs amb dades de l'ESA o de la NASA, ràpidament i a escala planetària", comenta el físic i enginyer electrònic Álvaro Moreno, líder de les recerques i investigador de l'IPL al grup Image and Signal Processing (ISP).

    Els investigadors han desenvolupat el processament de les dades al núvol de Google. "Les eines matemàtiques són models de machine learning que aprenen la relació entre les imatges que adquireixen els satèl·lits i les mesures en la superfície de la Terra. Una vegada han après eixa relació per a moltes parelles observació-mesura, es pot extrapolar el coneixement a qualsevol altra localització i temps per tal de generar mapes d'estimació de la mesura d'interès", apunta Manuel Campos-Taberner, investigador de l'ERS. "Les possibilitats són enormes –afegeix– i ara podem generar mapes globals de quasi qualsevol variable d'interès on hi haja dades in situ, ja que tenim els satèl·lits orbitant i donant molt bones observacions temporals i espacials". En el nostre cas, hem generat mapes globals de paràmetres biofísics que serveixen per monitoritzar la vegetació (quanta vegetació tenim, com d'activa està i quines són les fraccions de fòsfor i nitrogen) però ben bé es podria fer servir per a altres variables d'interés, i no només en terra sinó també en aigües i en matèria de qualitat de l'aire."

    Des de fa més de 15 anys, l'equip participa en iniciatives semblants amb l'European Organisation for the Exploitation of Meteorological Satellites (EUMETSAT), per a la explotació de dades de missions actuals i futures dins d'un programa europeu anomenat LSA-SAF (The Satellite Application Facility on Land Surface Analysis). "Es tracta de la primera iniciativa europea destinada a produir i distribuir, en temps real, variables de l'estat del sistema ambiental terrestre, oferint productes de molt valor per a l'observació del clima i el medi ambient", diu Javier García Haro, Investigador Principal del grup ERS.

    Aplicacions de futur

    Segons els científics, els nous mapes tindran implicacions en altres camps com ara l'agricultura de precisió, la biodiversitat o l'adaptació d'espècies al canvi climàtic. "L'estudi no és només una prova conceptual del que es pot aconseguir en combinar el machine learning i la teledetecció, sinó que obri la porta a futurs estudis científics que exploten aquests tipus de mapes", comenta Gustau Camps-Valls, catedràtic d'Enginyeria electrònica i investigador a l'IPL, que compta amb un projecte ERC Consolidator Grant per l'avanç de la Intel·ligència Artificial per a l'observació de la Terra. "Les aplicacions i les implicacions són infinites, més encara davant la pressió actual sobre la producció d'aliments i biocombustibles, per exemple, sense menysprear l'estudi de l'impacte sobre ecosistemes i adaptació d'espècies», conclou Camps-Valls.

    L'equip investigador valencià ha desenvolupat la metodologia amb la col·laboració d'investigadors de més de 20 institucions d'arran del món (Max Planck, UCL, Univ. Montana, Univ. California, etc.), amb la col·laboració de Google "Google Earth Engine" i les dades de sensors multiespectrals de NASA dels darrers 20 anys. Steven W Running (Universitat de Montana), autor principal del 4t Informe d'Avaluació del Panel Intergovernamental sobre el Canvi Climàtic (IPCC), que el va fer mereixedor del Nobel de la Pau (2007), i designat com una de las ments científiques més influents en geociències en 2014, ha participat en aquests estudis. "El que Álvaro Moreno i els seus col·laboradors han fet és impressionant –comenta Running–; ara amb un ordinador connectat a internet pots realitzar allò que l'ESA o la NASA mai han fet en els seus 50 anys d'existència".

    Pujar