La inteligencia artificial y el big data desprenden los primeros mapas globales de rasgos clave de la vegetación

Investigadores de la Universitat de València han desarrollado los primeros mapas globales de contenido en fósforo y nitrógeno en la vegetación, así como de la eficiencia en el uso del agua, mediante técnicas de Inteligencia Artificial y de Big data. Se espera que la aplicación de estos mapas tenga un alto impacto en campos como la biodiversidad, la agricultura o la adaptación de las especies al cambio climático.

 


Las técnicas de Inteligencia Artificial (IA), junto con el apoyo de Google para trabajar con datos masivos de observación de la Tierra desde satélite, han permitido generar los primeros mapas globales de variables de la vegetación solo disponibles localmente hasta ahora.

Un equipo de investigadores del Image Processing Lab (IPL), en el Parc Científic, y del Grupo de Teledetección de Medio Ambiente (ERS) del Departamento de Física de la Tierra y Termodinámica, ambos de la Universitat de València, han desarrollado una metodología para generar mapas globales de parámetros, variables y rasgos clave de la vegetación del planeta. La tecnología, basada en inteligencia artificial, trabaja en la nube de Google para explotar miles de imágenes de la NASA y de la ESA, posibilitando la generación y monitorización de la vegetación a alta resolución espacial y temporal de forma global. Los estudios han revelado patrones muy interesantes en parámetros clave para analizar el cambio climático, como por ejemplo el contenido en fósforo, nitrógeno y frondosidad de plantas.

“Hasta ahora era imposible realizar estos mapas porque no reuníamos las condiciones. No teníamos herramientas estadísticas de machine learning potentes y cuidadosos; tampoco teníamos acceso a grandes conjuntos de datos ni a cloud computing para tratar los petabytes de imágenes de satélite de manera rápida y cuidadosa. Ahora, con la plataforma de Google y los algoritmos de Inteligencia Artificial, podemos hacer estos cálculos con datos de la ESA o de la NASA, rápidamente y a escala planetaria”, comenta el físico e ingeniero electrónico Álvaro Moreno, líder de las investigaciones y actual investigador del IPL en el grupo Image and Signal Processing (ISP).

Los investigadores han desarrollado el procesamiento de los datos en la nube de Google. “Las técnicas matemáticas son modelos de machine learning que aprenden la relación entre las imágenes que adquieren los satélites y las medidas en la superficie de la Tierra. Una vez han aprendido esa relación para muchas parejas observación-mesura, se puede extrapolar el conocimiento a cualquier otra localización y tiempo para generar mapas de estimación de la medida de interés”, apunta Manuel Campos-Taberner, investigador del ERS. “Las posibilidades son enormes y ahora podemos generar mapas globales de casi cualquier variable de interés donde haya datos in situ, puesto que tenemos los satélites orbitando y dando muy buenas observaciones temporales y espaciales. En nuestro caso, hemos generado mapas globales de parámetros biofísicos que sirven para monitorizar la vegetación (cuánta vegetación tenemos, en qué medida está activa y cuáles son las fracciones de fósforo y nitrógeno) pero muy bien se podría usar para otras variables de interés, y no solo en tierra sino también en aguas y en materia de calidad del aire”, añade.

Desde hace más de 15 años el equipo participa en iniciativas parecidas con la European Organisation for the Exploitation of Meteorological Satellites (EUMETSAT) para la explotación de datos de misiones actuales y futuras dentro de un programa europeo denominado LSA-SAF (The Satellite Application Facility donde Land Surface Analysis). “Se trata de la primera iniciativa europea destinada a producir y distribuir, en tiempo real, variables del estado del sistema ambiental terrestre, ofreciendo productos de mucho valor para la observación del clima y el medio ambiente“, dice Javier García Haro, Investigador Principal del proyecto LSA-SAF del grupo ERS.

Aplicaciones de futuro

Según los científicos, los nuevos mapas tendrán implicaciones en otros campos como por ejemplo la agricultura de precisión, la biodiversidad o la adaptación de especies al cambio climático. “El estudio no es solo una prueba conceptual de lo que se puede conseguir al combinar el machine learning y la teledetección, sino que abre la puerta a futuros estudios científicos que explotan estos tipos de mapas”, comenta Gustau Camps-Valls, catedrático de Ingeniería electrónica e investigador del IPL, que cuenta con una ayuda ERC Consolidator Grant para el avance de la Inteligencia Artificial para la observación de la Tierra. “Las aplicaciones y las implicaciones son infinitas, más todavía ante la presión actual sobre la producción de alimentos y biocombustibles, por ejemplo, sin despreciar el estudio del impacto sobre ecosistemas y adaptación de especies», concluye.

El equipo investigador valenciano ha desarrollado la metodología con la colaboración de investigadores de más de 20 instituciones de todo el mundo (Max Planck, UCL, Univ. Montana, Univ. California, etc.), con la colaboración de Google “Google Earth Engine” y los datos de sensores multiespectrales de NASA de los últimos 20 años. Steven W Running (Universidad de Montana), autor principal del 4.º Informe de Evaluación del Panel Intergubernamental sobre el Cambio Climático (IPCC), que le hizo merecedor de Nobel de la Paz (2007), ha participado en estos estudios.  “Lo que Álvaro Moreno y sus colaboradores han hecho es impresionante –comenta–; ahora con un ordenador conectado a internet puedes realizar cosas que la ESA o la NASA nunca han hecho en sus 50 años de existencia”.

A methodology to derive global maps of leaf traits using remote sensing and climate data
Moreno-Martinez, A. and Camps-Valls, G. and Kattge, J. and Robinson, N. and Reichstein, M. and van Bodegom, P. and Kramer, K. and Cornelissen, J.H.C. and Reich, P. and Bahn, M. and Niinemets, U. and Penuelas, J. and Craine, J.M. and Cerabolini, B.E.L. and Minden, V. and Laughlin, D.C. and Sack, L. and Allred, B. and Baraloto, C. and Byun, C. and Soudzilovskaia, N.A. and Running, S.W. Remote Sensing of Environment 218 (12) :69-88, 2018
Global estimation of biophysical variables from Google Earth Engine platform
Campos-Taberner, M. and Moreno-Martinez, A. and Garcia-Haro, F. J. and Camps-Valls, G. and Robinson, N. P. and Kattge, J. and Running, S.W. Remote Sensing(10) :1167, 2018
Regional Crop Gross Primary Productivity and Yield Estimation Using Fused Landsat-MODIS Data
Mingzhu He, John S. Kimball, Marco P. Maneta, Bruce D. Maxwell, Alvaro Moreno, Santiago Beguería and Xiaocui Wu. Remote Sens. 2018, 10(3), 372;https://doi.org/10.3390/rs10030372

 


TYS MAGAZINE - Anunciantes

Jose Taboada

Licenciado en Geografía, Postgrado en Ordenación y Desarrollo Territorial (USC) y Master de Sostenibilidad y Responsabilidad Social Corporativa (USC).

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Botón volver arriba