Klima og miljø

Menneskelig aktivitet fører til stadig større endringer i miljø og klima. Endringene er ujevnt fordelt i verden. Lovgivning og andre tiltak i enkeltland og i regionalt og globalt samarbeid forsøker å bedre utviklingen. Det finnes mange rapporteringsordninger for miljøtilstanden på nasjonalt nivå, men ulike standarder og ulik kvalitet gjør det vanskelig å lage gode oversikter over utviklingen.

Jordobservasjon med satellitter gir objektive og hyppige målinger på global skala, men det er enorme datamengder som skal analyseres og kvaliteten på resultatet avhenger av at man klarer å utvikle ofte sofistikerte algoritmer som fra signaler på forskjellige bølgelengder klarer å avlede informasjonen man er ute etter. 

NR utvikler algoritmer og produkter basert på satellittdata som bestemmer miljøvariable for alt fra lokale forhold til global utvikling over flere tiår. Vi utvikler metoder basert på maskinlæring som kartlegger effekten av naturinngrep i nye områder (f.eks. fra veibygging og etablering av vindmøllefarmer), som detekterer marint oljesøl sluppet ut fra skip og oljeplattformer, og som foretar kjøretøytellinger for å estimere utslipp som skaper luftforurensning. Vi utvikler også metoder som teller sel i Arktis for populasjonskartlegging, og vi har demonstrert hvordan sunnhetstilstanden i skog påvirkes fra sykdomsangrep.  

På regional og global skala gir vi større, internasjonale bidrag til kartlegging av hvordan snødekket og skogdekket areal endrer seg over tid – med avskoging som pådriver til global oppvarming og endringer i snødekket som sensitiv indikator for lokal oppvarming og endringer i nedbørsmønsteret. NR har ledet og leder flere EU- og ESA-prosjekter for utvikling av algoritmer og verktøy, og for sammenstilling av lange tidsrekker av observasjoner. Tidsrekkene kan brukes som selvstendige klimaendringsindikatorer eller til forbedring av klimamodeller gjennom kalibrering og validering. 

Aktuelle prosjekter

Andre prosjekter

 Det norske utenriksdepartementet (UD) ønsker å støtte land som klarer å redusere avskogingen i tropiske områder. Avskoging av tropisk regnskog er et vesentlig bidrag til utslipp av CO2 og dermed global oppvarming.

En forutsetning for at et land kan motta støtte er at det kan dokumentere redusert avskoging. Da dette er store landområder, er overvåking med satellittbilder det eneste realistiske alternativet.

NR utviklet metoder basert på dyp læring for å kartlegge gjennomsnittlig skogvegetasjonshøyde basert på satellitten Landsat med 30 m romlig oppløsning. Metodene gir årlige estimater, samt endringskart, og er kalibrert med laserskanningsdata fra fly for to ulike skogtyper i Tanzania. 

I NGVEO-prosjektet var fokus å utvikle AI-baserte prosesseringskjeder for European Space Agency (ESA) for storskala prosessering av jordobservasjonsdata. Prosjektet inkluderte alt fra algoritmer til valg av infrastruktur. Prosesseringskjeden ble demonstrert på Sentinel-2-data hvor oppgaven var å estimere gjennomsnittlig vegetasjonshøyde med læringsdata fra Tanzania.

Algoritmen var et dyplærings segmenteringsnettverk, U-Net, tilpasset regresjon, med fokusstrategier for læring av nettverks-parametere. For å demonstrere storskalamulighetene laget vi et kart over vegetasjonshøyde for hele Afrika i et 10 m grid. Prosjektet ble gjennomført i samarbeid med ESA ESRIN ΦΦ-lab.  

Prosjektet utviklet et nytt beregningsverktøy for luftkvalitet (uEMEP) som bruker detaljerte data om meteorologiske forhold, lokale utslippskilder og en avansert luftkvalitetsmodell (EMEP-modellen) til å lage finskala kart over luftforurensning (ned til 50 m oppløsning).

Sentralt for produktet er forurensning fra trafikk. I prosjektet har NR utviklet analyseverktøy for trafikkestimering for alle veistrekninger i et gitt område basert på automatisk tolkning av flybilder. Verktøyet detekter kjøretøy, avklarer om disse er parkert eller ikke, tilordner hvert kjøretøy til aktuell veilenke og estimerer trafikk for alle veilenker i det aktuelle området. Prosjektet ble gjennomført i samarbeid med Meteorologisk Institutt.  

 Miljødirektoratet (MDIR) er ansvarlig for å vedlikeholde et kart over inngrepsfri natur i Norge, som er definert som områder hvor det er minst 1 km til nærmeste naturinngrep. NR utviklet metoder for deteksjon av anleggsveier og skogsveier fra Sentinel-2 satellittbilder med 10 m romlig oppløsning.

Metoden er basert på det dype nevrale nettverket U-Net. Ved å trene opp U-Net på vindkraftutbyggingsområder, fant metoden alle vindkraftutbyggingsområdene i Åfjord kommune, Trøndelag. Flere av disse utbyggingsområdene medførte reduksjon av inngrepsfri natur. Ved å trene opp U-Net på kjente veier, fant metoden en ulovlig bygget vei i Melhus kommune, Trøndelag.