MADRID, 20 (EUROPA PRESS)
Usando una red neuronal artificial, los investigadores de ETH Zurich han creado el primer mapa de altura de vegetación global de alta resolución para 2020 a partir de imágenes de satélite.
Este mapa podría brindar información clave para combatir el cambio climático y la extinción de especies, así como para la planificación del desarrollo regional sostenible.
La investigación ha sido realizada por el Laboratorio EcoVision en el Departamento de Ingeniería Civil, Ambiental y Geomática de ETH Zurich. Fundado por el profesor Konrad Schindler de ETH Zurich y el profesor de la Universidad de Zurich Jan Dirk Wegner en 2017, este laboratorio es donde los investigadores están desarrollando algoritmos de aprendizaje automático que permiten el análisis automático de datos ambientales a gran escala.
Uno de esos investigadores es Nico Lang. En su tesis doctoral, desarrolló un enfoque, basado en redes neuronales, para derivar la altura de la vegetación a partir de imágenes satelitales ópticas. Usando este enfoque, pudo crear el primer mapa de altura de la vegetación que cubre toda la Tierra: el Mapa global de altura del dosel.
La alta resolución del mapa 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. Un estudio forestal de este tipo podría marcar el camino a seguir, especialmente en el tratamiento de las emisiones de carbono, ya que la altura de los árboles es un indicador clave de la biomasa y la cantidad de carbono almacenado. «Alrededor del 95 por ciento de la biomasa en los bosques se compone de madera, no de hojas. Por lo tanto, la biomasa se correlaciona fuertemente con la altura», explica en un comunicado Konrad Schindler, profesor de Fotogrametría y Teledetección.
Pero, ¿cómo lee una computadora la altura de un árbol a partir de una imagen satelital? «Dado que no sabemos qué patrones debe buscar la computadora para estimar la altura, dejamos que aprenda los mejores filtros de imagen por sí misma», dice Lang. Muestra millones de ejemplos a su red neuronal, cortesía de las imágenes 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.
El algoritmo también debe tener acceso a la respuesta correcta, es decir, la altura del árbol derivada de las mediciones del láser espacial de la misión GEDI (Global Ecosystem Dynamics Investigation)de la NASA. «La misión GEDI 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», explica Lang. Con la entrada y la respuesta, el algoritmo puede adquirir los filtros para patrones texturales y espectrales. Una vez que la red neuronal ha sido entrenada, puede estimar automáticamente la altura de la vegetación a partir de las más de 250.000 imágenes (unos 160 terabytes de datos) necesarias para el mapa global.
En la jerga especializada, la red neuronal de Lang se conoce como red neuronal convolucional (CNN). La «convolución» es una operación matemática en la que el algoritmo desliza una máscara de filtro de 3×3 píxeles sobre la imagen de satélite para obtener información sobre los patrones de brillo de la imagen.
«El truco aquí es que apilamos los filtros de imagen. Esto le da al algoritmo información contextual, ya que cada píxel, de la capa de convolución anterior, ya incluye información sobre sus vecinos», dice Schindler. Como resultado, EcoVision Lab fue el primero en utilizar con éxito mapas satelitales para estimar también de manera confiable la altura de los árboles de hasta 55 metros.