El equipo de expertos del Laboratorio EcoVision en el Departamento de Ingeniería Civil, Ambiental y Geomática del Instituto Tecnológico de Zürich, utilizó un enfoque, basado en redes neuronales, para derivar la altura de la vegetación a partir de imágenes satelitales ópticas.
Usando esta técnica, presentada durante una tesis doctoral del investigador Nico Lang, se pudo crear el primer mapa de altura de la vegetación que cubre toda la Tierra: el Mapa global de altura del dosel.
Los especialistas señalan que la alta resolución del plano es otra primicia: gracias al trabajo de Lang, los usuarios pueden acercarse a tan solo 10×10 metros de cualquier parte del bosque en la Tierra y comprobar la altura de los árboles.
Para que una computadora lea la altura de un árbol a partir de una imagen satelital, el equipo aprende los mejores filtros de imagen por sí mismo y muestra millones de ejemplos a su red neuronal, cortesía de las fotos de los dos satélites Copernicus Sentinel-2 operados por la Agencia Espacial Europea (ESA).
“Estos satélites capturan todos los lugares de la Tierra cada cinco días con una resolución de 10×10 metros por píxel. Son las imágenes de más alta calidad actualmente disponibles para el público”, señalaron los científicos.
El algoritmo también debe tener la altura del árbol derivada de las mediciones del láser espacial de la misión GEDI (Global Ecosystem Dynamics Investigation) de la NASA.
Dicha misión entrega datos escasos distribuidos globalmente sobre la altura de la vegetación entre las latitudes de 51 grados norte y sur, por lo que la computadora ve muchos tipos diferentes de vegetación en el proceso de entrenamiento y con la entrada y la respuesta de las imágenes, el algoritmo puede adquirir los filtros para patrones texturales y espectrales, detallaron.
Una vez que la red neuronal ha sido entrenada, puede estimar automáticamente la altura de la vegetación a partir de las más de 250 mil imágenes (unos 160 terabytes de datos) necesarias para el mapa.
Los científicos creen que esa iniciativa podría brindar información clave para combatir el cambio climático y la extinción de especies.
También sería capaz de ofrecer estimaciones relevantes para la planificación del desarrollo regional sostenible y continuar desarrollando algoritmos de aprendizaje automático que permiten el análisis automático de datos ambientales a gran escala.
mem/cdg
