Nowe metody uczenia statystycznego na potrzeby lepszej analizy danych satelitarnych z obserwacji Ziemi
„Obecne podejścia nie są w stanie skutecznie radzić sobie ze szczególnymi cechami danych teledetekcyjnych”, mówi Gustau Camps-Valls, koordynator finansowanego ze środków UE projektu SEDAL i profesor elektrotechniki na Uniwersytecie w Walencji. „Problem ten narasta wraz z działaniami prowadzonymi przez satelitów Sentinel w ramach programu Copernicus. Stoimy teraz przed pilną potrzebą przetwarzania i zrozumienia ogromnej liczby złożonych, niejednorodnych, uporządkowanych danych z wielu źródeł w ramach monitorowania zachodzących już na Ziemi gwałtownych zmian”.
Algorytmy i metody mające na celu poprawę modelowania i zrozumienia systemów ziemskich
Ogólnie rzecz biorąc, projekt SEDAL dąży do wprowadzenia nowej generacji metod wnioskowania maszynowego do analizy danych z obserwacji Ziemi. W jego ramach opracowane zostaną zaawansowane metody regresji w celu poprawy skuteczności i dokładności przewidywania, właściwej kwantyfikacji niepewności, zakodowania wiedzy fizycznej na temat problemu oraz uzyskania samoobjaśniających się modeli wyuczonych na podstawie danych empirycznych. „Jednak lepsze modele predykcyjne to za mało – chcemy poznać związki przyczynowo-skutkowe wynikające z danych z obserwacji Ziemi, aby móc porównać obecne modele z obserwacjami lub zbadać hipotezy”, wyjaśnia Camps-Valls. „Ta ekscytująca dziedzina jest jeszcze w powijakach, ale dzięki nowym metodom i przy pewnych ostrożnych założeniach możemy odrzucić fałszywe zależności i dowiedzieć się, w jaki właściwie sposób działa, a ostatecznie zmienia się, system”. Do tej pory zespół projektu SEDAL opracował wiele nowych algorytmów, które wykorzystują wcześniejszą wiedzę i są zgodne z najbardziej fundamentalnymi prawami fizyki. Modele te pozwalają na ulepszenie przewidywania plonów, monitorowanie stanu roślinności, atmosfery i zbiorników wodnych oraz lepsze wykrywanie i charakteryzowanie zmian i anomalii, na przykład spowodowanych takimi zjawiskami jak fale upałów i susze. Mogą one łączyć teraz informacje pochodzące z różnych czujników i skalować je do aktualnych scenariuszy dużych zbiorów danych. „Odkrywanie związków przyczynowych wyłącznie na podstawie danych z obserwacji Ziemi jest trudniejszym i bardziej ambitnym celem, na potrzeby którego opracowaliśmy algorytmy pozwalające na wykrywanie związków przyczynowo-skutkowych”, kontynuuje Camps-Valls.
Wyniki obserwacji dostępne dla ogółu
Zainteresowanie narzędziami opracowanymi w ramach projektu SEDAL wyraziły już pewne organizacje, firmy i użytkownicy. W celu możliwie najlepszego wykorzystania koncepcji i narzędzi projektu SEDAL na potrzeby poprawy sposobu monitorowania Ziemi Uniwersytet w Walencji nawiązał bliskie stosunki z Europejską Agencją Kosmiczną i Europejską Organizacją Eksploatacji Satelitów Meteorologicznych. Uniwersytet wdrożył również kilka metod na platformie Google Cloud w celu skutecznego zwiększenia skali modeli. „Skorzysta na tym znacznie szersza społeczność – od agencji geograficznych i meteorologicznych po organizacje pozarządowe”, dodaje Camps-Valls. „Społeczność ta korzysta z większej dokładności w szacowaniu kluczowych zmiennych klimatycznych, takich jak temperatura, zawartość chlorofilu lub wilgotność gleby, bardziej wiarygodnych szacunków dotyczących niepewności pomiarowych i błędów oraz bardziej oczywistych modeli uczenia maszynowego”. „Długofalowa wizja projektu SEDAL wiąże się z przekraczaniem nowych granic i wspieraniem badań nad algorytmami zdolnymi do odkrywania wiedzy na podstawie danych z obserwacji Ziemi, co jest krokiem naprzód w drodze do bardziej ambitnego, długoterminowego celu, jakim jest maszynowe wnioskowanie na temat antropogenicznych zmian klimatu”, podsumowuje Camps-Valls.
Słowa kluczowe
SEDAL, obserwacja Ziemi, klimat, dane z obserwacje Ziemi, algorytmy, modele uczenia maszynowego, teledetekcja
