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

In de uitgestrekte, bevroren landschappen van Noord-Rusland is de grond niet zo solide als het lijkt. Onder het oppervlak ligt permafrost, grond die al duizenden jaren bevroren is gebleven. Echter, naarmate het klimaat opwarmt, begint deze bevroren aarde te ontdooien, wat een proces in gang zet dat thermokarst wordt genoemd. Wanneer het ijs in de bodem smelt, stort de grond in, wat een chaotisch terrein van sinkholes, depressies en watergevulde bassins creëert. In Centraal-Jakutië, een regio in Oost-Siberië, nemen deze formaties vaak een duidelijke, geometrische verschijning aan, die lijkt op een lappendeken van polygonen die zich over de toendra uitstrekt. Deze transformatie versnelt razendsnel, waarbij nieuwe kenmerken in slechts vijfentwintig tot dertig jaar ontstaan. Hoewel deze veranderingen gedurende millennia op natuurlijke wijze zijn opgetreden, drijft de huidige opwarmingstempo ze met ongekende snelheid voort, wat de infrastructuur bedreigt en ecosystemen verandert. Het monitoren van deze verschuivingen is cruciaal, maar de enorme schaal van het landschap maakt het voor mensen moeilijk om elke verandering met het blote oog te volgen.

Om dit probleem aan te pakken, heeft een team onderzoekers van de Noordoostelijke Federale Universiteit en verschillende Russische wetenschappelijke instituten een nieuwe manier ontwikkeld om de verandering van de bevroren grond te observeren. Ze wenden zich tot satellietbeelden en gebruikten hiervoor hetzelfde soort hoogresolutiekaarten als die in alledaagse navigatie-apps te vinden zijn, maar pasten daar een geavanceerde vorm van computerleren op toe om ze te analyseren. In plaats van dat een mens naar een scherm kijkt en probeert een depressie te spotten, hebben de onderzoekers een computerprogramma getraind om de visuele patronen van thermokarstformaties automatisch te herkennen. Het doel was om de machine te leren het onderscheid te maken tussen vier specifieke soorten landschappen: gebieden met deze ontdooiende formaties, open velden, bossen en waterlichamen. Door dit te doen, hoopten ze een hulpmiddel te creëren dat uitgestrekte gebieden van de Siberische wildernis kon scannen en de vroege tekenen van grondinstorting kon signaleren voordat deze catastrofaal worden.

De onderzoekers begonnen met het bouwen van een bibliotheek met afbeeldingen om hun computer te onderwijzen. Ze creëerden een online tool waarmee ze snel duizenden kleine vierkante plaatjes uit satellietkaarten konden selecteren en labelen. Deze plaatjes kwamen uit twee specifieke gebieden in Jakutië die bekend staan om het hebben van veel thermokarstkenmerken. Ze verzamelden meer dan tienduizend afbeeldingen en verdeelden deze in verschillende maten om te zien welke het beste werkten voor de computer. Sommige afbeeldingen waren klein, met een afmeting van 70 bij 70 pixels, terwijl andere groter waren, namelijk 128 bij 128 pixels. Om ervoor te zorgen dat de computer correct leerde, verifieerden ze veel van de thermokarstplekken met drones, door laag over het terrein te vliegen om te bevestigen wat de satellieten zagen. Deze zorgvuldige voorbereiding creëerde een robuuste set voorbeelden, of een trainingsdataset, waar de computer van kon studeren om het verschil te leren tussen een bos, een veld, een meer en een ontdooiende stuk grond.

Zodra de gegevens gereed waren, bouwde het team een digitaal brein, een convolutioneel neuraal netwerk genoemd, om de herkenning uit te voeren. Dit type computerprogramma is ontworpen om afbeeldingen te verwerken op een manier die vergelijkbaar is met hoe het menselijk oog en brein samenwerken. Het bekijkt een afbeelding en breekt deze af in lagen, waarbij het eerst zoekt naar eenvoudige vormen en texturen, en vervolgens die eenvoudige onderdelen combineert om complexe patronen te herkennen. De onderzoekers testten vele verschillende versies van dit digitale brein, waarbij ze het aantal lagen en de manier waarop het informatie verwerkte, aanpasten. Ze wilden de specifieke architectuur vinden die de thermokarstformaties met de hoogst mogelijke nauwkeurigheid kon identificeren. Ze voerden talloze experimenten uit, waarbij ze de computer duizenden afbeeldingen voedden en observeerden hoe goed hij leerde om ze in de juiste categorieën te sorteren.

De resultaten toonden aan dat de computer inderdaad in staat was om deze formaties met opmerkelijke precisie te spotten. Na het testen van veel verschillende ontwerpen, identificeerden de onderzoekers drie specifieke modellen die het best presteerden. Deze top-presterende modellen waren in staat om thermokarstformaties in ongeveer 94 tot 96 procent van de gevallen waarin ze werden getest, correct te identificeren. Dit niveau van nauwkeurigheid is significant, omdat het betekent dat het systeem betrouwbaar de subtiele tekenen van ontdooiende grond kan onderscheiden van andere landschapskenmerken. De computer was bijzonder goed in het onderscheiden van een bos en een meer, maar had soms moeite met het onderscheid tussen een thermokarstformatie en een open veld. Deze verwarring is logisch, aangezien beide van bovenaf gezien kunnen lijken op vlakke, open grond, en de onderzoekers merkten op dat dit de werkelijke moeilijkheid weerspiegelt om deze kenmerken zonder nauwkeurige inspectie van elkaar te onderscheiden.

De studie concludeert dat deze methode een krachtig nieuw instrument biedt voor het monitoren van de veranderende Arctische gebieden. Door gebruik te maken van satellietbeelden en getrainde computerprogramma's, kunnen wetenschappers nu veel sneller en consistenter dan voorheen grote gebieden in Centraal-Jakutië scannen. De door het team ontwikkelde software is klaar voor gebruik voor automatische monitoring, mits de trainingsgegevens actueel worden gehouden en geverifieerd. Hoewel het systeem niet perfect is en nog steeds incidentele fouten maakt, suggereert het vermogen om een dergelijke hoge nauwkeurigheid te bereiken dat machine learning een vitale rol kan spelen bij het volgen van de snelle degradatie van permafrost. Deze aanpak stelt onderzoekers in staat om een nauwer oog te houden op de bevroren grond, wat een manier biedt om de versnellende veranderingen in een van de meest gevoelige omgevingen op aarde te begrijpen en erop te reageren.