Monitoring Pasture Restoration from Satellite Image Time Series: Caveats and Opportunities

Het herstellen van de natuur is een van de meest urgente taken van onze tijd, maar het toezien op het proces is verrassend moeilijk. Wanneer een aangetast stuk land, zoals een weide die haar inheemse planten en wilde dieren is verloren, wordt vrijgelaten om te herstellen, gaan de veranderingen traag. Ze ontvouwen zich over jaren, niet over dagen, en ze zijn vaak subtiel. Om deze voortgang te volgen, vertrouwen wetenschappers traditioneel op veldinspecties, waarbij experts het land afwandelen om planten te tellen en de bodemgezondheid te controleren. Hoewel dit nauwkeurig is, is deze methode duur, traag en onmogelijk op te schalen naar hele landen. In de afgelopen jaren is er een nieuw hulpmiddel opgekomen: satellieten. Deze machines draaien rond de aarde en maken herhaaldelijk foto's van dezelfde plek door de tijd heen. Door deze beelden aan elkaar te rijgen tot een tijdlijn, kunnen onderzoekers het landschap vanuit de ruimte zien veranderen. De uitdaging is echter dat de aarde een luidruchtige plek is. Wolken, de hoek van de zon en het weer kunnen ervoor zorgen dat een gezond veld er in een ander jaar anders uitziet, zelfs als het gras zelf niet is veranderd. Het onderscheiden van een werkelijk ecologisch herstel van een eenvoudige verschuiving in het weer is als het proberen te horen van een enkele stem in een drukke, galmende kamer.

Een team van onderzoekers in Zweden besloot dit probleem aan te pakken door zich te richten op semi-natuurlijke weiden, een type grasland dat essentieel is voor de biodiversiteit maar krimpt omdat traditionele begrazingspraktijken verdwijnen. Ze stelden een eenvoudige vraag: kan een computer het verschil leren zien tussen een weide die is hersteld en een die dat niet is, enkel door naar een reeks satellietbeelden te kijken? Om dit te ontdekken, verzamelden ze gegevens over bijna 1.400 weiden verspreid over Zweden. Ze gebruikten beelden van de Sentinel-2-satellieten van de Europese Ruimtevaartorganisatie, die het land in hoge detail vastleggen. Het team richtte zich op de zomermaanden, van juni tot augustus, wanneer de vegetatie het meest actief is. Ze bouwden een dataset die de geometrie van elke weide bevatte en de specifieke jaren waarin de herstelwerkzaamheden waren goedgekeurd en voltooid. Het doel was om een type kunstmatige intelligentie, bekend als deep learning, te trainen om de patronen van herstel te herkennen die verborgen liggen in de gepixelde data.

De onderzoekers testten twee hoofdbenaderingen om de computer te onderwijzen. De eerste benadering behandelde de data als een reeks momentopnames. Ze creëerden voor elk jaar één helder beeld door alle geldige zomerbeelden samen te voegen tot één "composietbeeld", wat de ruis van individuele bewolkte dagen wegwerkt. Vervolgens voedden ze deze jaarlijkse plaatjes aan een computermodel dat ontworend is om vormen en texturen te herkennen. De tweede benadering leek meer op het lezen van een verhaal. Ze voedden de computer de volledige reeks beelden vanaf het begin van de herstelperiode tot het einde, waardoor het model kon zien hoe het land door de tijd heen evolueerde. Ze experimenteerden ook met de manier waarop de data werd voorbereid. Eén methode behandelde elke weide alsof deze deel uitmaakte van hetzelfde wereldwijde landschap, terwijl een andere methode de data voor elke individuele weide aanpaste, waarbij de focus lag op hoe dat specifieke stuk land veranderde ten opzichte van zijn eigen verleden.

De resultaten waren bemoedigend, maar gingen gepaard met een belangrijke waarschuwing. De computermodellen waren verrassend goed in de taak. Het best presterende model, dat de reeks beelden gebruikte en rekening hield met de unieke geschiedenis van elke weide, identificeerde de herstelstatus ongeveer 88 procent van de tijd correct. Dit suggereert dat de satellieten inderdaad de subtiele signalen van ecologisch herstel opvangen. De studie vond dat het kijken naar de veranderingen binnen een enkel jaar even belangrijk was als het kijken naar de veranderingen tussen de jaren door. Bovendien werkte de methode die een weide vergeleek met haar eigen geschiedenis, in plaats van met een wereldwijd gemiddelde, veel beter, wat aangeeft dat herstel vaak een lokaal proces is dat er anders uitziet afhankelijk van het specifieke landschap.

De onderzoekers ontdekten echter een verborgen val in hun data. Omdat de weiden in hun studie in een specifieke volgorde over de tijd werden hersteld, was het label "hersteld" bijna perfect gekoppeld aan het kalenderjaar. De vroege jaren in de dataset waren voornamelijk niet-hersteld, en de latere jaren waren voornamelijk hersteld. Dit creëerde een afkorting voor de computer. In plaats van te leren hoe een herstelde weide er werkelijk uitziet, leerde het model het jaar te raden op basis van het beeld. Het was alsof een student een toets aflegt en beseft dat elke vraag over "lente" in de eerste helft van het examen verschijnt en elke vraag over "winter" in de tweede helft; ze zouden een perfect cijfer halen zonder ooit de seizoenen te hebben geleerd. Wanneer de onderzoekers dit testten, merkten ze dat het model het kalenderjaar met hoge nauwkeurigheid kon voorspellen, zelfs wanneer de weide zelf verborgen was, wat bewees dat het omliggende landschap ook sterke tijdsgebonden signalen met zich meedroeg.

Om hun bevindingen te waarborgen, creëerde het team een strengere test die deze tijdsgebonden afkortingen verwijderde. Ze door elkaar gehusseld de data zodat de computer niet op het jaar kon vertrouwen om een gok te doen. In deze moeilijkere test daalde de nauwkeurigheid van het model naar 76 procent. Hoewel dit lager was dan de initiële score, was het nog steeds veel beter dan willekeurig gokken. Deze daling bevestigde dat, hoewel het model deels vertrouwde op de datum, het ook daadwerkelijk de fysieke veranderingen van het herstel detecteerde. De studie concludeert dat, hoewel satellietmonitoring een krachtig en haalbaar hulpmiddel is voor het volgen van het herstel van de natuur, het nog geen opgelost probleem is. De technologie werkt, maar laat zich gemakkelijk misleiden door de timing van de data. Om deze instrumenten in de echte wereld betrouwbaar te maken, moeten toekomstige studies gebruikmaken van data waarbij herstelde en niet-herstelde gronden naast elkaar bestaan in dezelfde jaren, zodat de computer leert om het land te zien, en niet alleen de kalender.