A method of neural network identification of thermokarst formations in Central Yakutia using graphic data from satellite remote

Nelle vaste e gelide terre della Russia settentrionale, il suolo non è solido come sembra. Sotto la superficie si trova il permafrost, un terreno che è rimasto congelato per migliaia di anni. Tuttavia, con il riscaldamento del clima, questa terra ghiacciata sta iniziando a scongelarsi, innescando un processo noto come termocarsismo. Quando il ghiaccio all'interno del suolo si scioglie, il terreno crolla, creando un terreno caotico di doline, depressioni e bacini pieni d'acqua. Nella Yakutia centrale, una regione dell'est della Siberia, queste formazioni assumono spesso un aspetto geometrico distinto, simile a un mosaico di poligoni che si estende sulla tundra. Questa trasformazione si sta accelerando rapidamente, con nuove caratteristiche che si formano in soli venticinque o trenta anni. Sebbene questi cambiamenti siano avvenuti naturalmente per millenni, l'attuale tasso di riscaldamento li sta spingendo in avanti con una velocità senza precedenti, minacciando le infrastrutture e alterando gli ecosistemi. Monitorare questi cambiamenti è fondamentale, ma l'enorme scala del paesaggio rende difficile per gli esseri umani tracciarne ogni cambiamento a occhio nudo.

Per affrontare questa sfida, un team di ricercatori della North-Eastern Federal University e di diversi istituti scientifici russi ha sviluppato un nuovo modo per osservare il cambiamento del terreno ghiacciato. Si sono rivolti alle immagini satellitari, utilizzando lo stesso tipo di mappe ad alta risoluzione presenti nelle comuni app di navigazione, ma applicando una forma sofisticata di apprendimento informatico per analizzarle. Invece di far guardare un essere umano uno schermo nel tentativo di individuare una depressione, i ricercatori hanno addestrato un programma per computer per riconoscere automaticamente i modelli visivi delle formazioni di termocarsismo. L'obiettivo era insegnare alla macchina a distinguere tra quattro tipi specifici di paesaggi: aree con queste formazioni di scongelamento, campi aperti, foreste e corpi d'acqua. Facendo ciò, speravano di creare uno strumento che potesse scansionare le vaste aree della natura selvaggia siberiana e segnalare i primi segni di cedimento del terreno prima che diventino catastrofici.

I ricercatori hanno iniziato costruendo una biblioteca di immagini per istruire il loro computer. Hanno creato uno strumento online che permetteva loro di selezionare e classificare rapidamente migliaia di piccole immagini quadrate tratte da mappe satellitari. Queste immagini provenivano da due aree specifiche della Yakutia note per avere molte caratteristiche termocarsiche. Hanno raccolto oltre diecimila immagini, dividendole in diverse dimensioni per vedere quale funzionasse meglio per il computer. Alcune immagini erano piccole, misuranti 70 per 70 pixel, mentre altre erano più grandi, 128 per 128 pixel. Per garantire che il computer imparasse correttamente, hanno verificato molti dei punti di termocarsismo utilizzando dei droni, volando a bassa quota sopra il terreno per confermare ciò che i satelliti stavano vedendo. Questa preparazione attenta ha creato un robusto insieme di esempi, o dataset di addestramento, che il computer poteva studiare per imparare la differenza tra una foresta, un campo, un lago e una chiazza di terreno in fase di scongelamento.

Una volta pronti i dati, il team ha costruito un cervello digitale, noto come rete neurale convoluzionale, per effettuare il riconoscimento. Questo tipo di programma informatico è progettato per elaborare le immagini in modo molto simile a come l'occhio e il cervello umani lavorano insieme. Esamina un'immagine e la suddivide in strati, cercando prima forme e texture semplici, per poi combinare queste parti semplici al fine di riconoscere modelli complessi. I ricercatori hanno testato molte versioni diverse di questo cervello digitale, cambiando il numero di strati e il modo in cui elaborava le informazioni. Volevano trovare l'architettura specifica che potesse identificare le formazioni di termocarsismo con la massima precisione possibile. Hanno eseguito numerosi esperimenti, fornendo al computer migliaia di immagini e osservando quanto bene imparasse a classificarle nelle categorie corrette.

I risultati hanno dimostrato che il computer poteva effettivamente imparare a individuare queste formazioni con una precisione sorprendente. Dopo aver testato molti design diversi, i ricercatori hanno identificato tre modelli specifici che hanno ottenuto le prestazioni migliori. Questi modelli top-performing erano in grado di identificare correttamente le formazioni di termocarsismo in circa il 94-96 percento dei casi testati. Questo livello di accuratezza è significativo perché significa che il sistema può distinguere in modo affidabile i segni sottili del terreno che si scongela da altre caratteristiche del paesaggio. Il computer era particolarmente bravo a distinguere tra una foresta e un lago, ma a volte faticava a distinguere tra una formazione di termocarsismo e un campo aperto. Questa confusione ha senso, poiché entrambi possono apparire come terreno piatto e aperto dall'alto, e i ricercatori hanno notato che questo rispecchia la difficoltà reale nel distinguere queste caratteristiche senza un'ispezione ravvicinata.

Lo studio conclude che questo metodo offre un nuovo e potente strumento per monitorare l'Artico in mutamento. Utilizzando immagini satellitari e programmi informatici addestrati, gli scienziati possono ora scansionare vaste aree della Yakutia centrale in modo molto più rapido e costante rispetto al passato. Il software sviluppato dal team è pronto per essere utilizzato per il monitoraggio automatizzato, a condizione che i dati di addestramento siano mantenuti aggiornati e verificati. Sebbene il sistema non sia perfetto e commetta ancora occasionali errori, la sua capacità di raggiungere una tale accuratezza suggerisce che l'apprendimento automatico possa giocare un ruolo vitale nel tracciare il rapido degrado del permafrost. Questo approccio consente ai ricercatori di tenere un occhio più attento sul terreno ghiacciato, offrendo un modo per comprendere e rispondere ai cambiamenti accelerati in uno degli ambienti più sensibili della Terra.