Beregning av vegetasjonshøyder i Afrika

Vi har utviklet en verdikjede basert på dyp læring for multisensor satellittdata. Verdikjeden kan brukes til å estimere gjennomsnittlig vegetasjonshøyde og overflaterefleksjon over store områder.

Jordobservasjon med dyp læring

De siste fem årene har store framskritt innen kunstig intelligens og dyp læring endret landskapet for dataanalyse. Den europeiske romfartsorganisasjon (ESA) lanserte AI4EO-intitativet for å ta nødvendige steg mot å kunne utnytte det fulle potensialet til kunstig intelligens for jordobservasjon i hele Europa.  

Gjennom prosjektperioden, jobbet vi målrettet med behovene definert i A14EO-programmet, og arbeidet resulterte i en verdikjede basert på dyp læring for multisensordata fra Sentinel-1 og -2.  I denne tilnærmingen avgjør selve oppgaven hvilke data annoteringstype og nettverk som brukes. Det er verdt å merke at nettverksarkitekturen primært avhenger av oppgaven, mens dataene spiller en sekundær rolle. Samspillet mellom nettverk og data kodes i parametrene som trenes opp.

En fleksibel verdikjede for jordobservasjon

Prosjektets hovedmål var:

• Utvikling av en ny verdikjede for jordobservasjon: Den nye verdikjeden er generell, fleksibel og kan enkelt tilpasses ulike bruksområder. Siden verdikjeden er datadrevet, kreves treningsdata for å  kunne tolke Sentinel-data til spesifikke formål.
• Bruk av verdikjeden til å beregne gjennomsnittlig vegetasjonshøyde: Vi brukte tverrsnitt av lidardata fra skogområder i Liwale, Tanzania, for å beregne gjennomsnittlig vegetasjonshøyde for et romlig rutenett. Deretter trente vi verdikjeden til å forutsi vegetasjonshøyder ved hjelp av Sentinel-data. Denne ble videre så brukt til å lage et kart som viser gjennomsnittlig vegetasjonshøyde både for testdataene fra Liwale og for hele det afrikanske kontinentet.

• Bruk av verdikjeden til å beregne overflaterefleksjon: For å vise verdikjedens allsidighet og fleksibilitet, brukte vi den til atmosfærisk korrigering av Sentinel-2 data. Konkret beregnet vi overflaterefleksjon (nivå 2a) fra toppen av atmosfæren (nivå 1C) med Sentinel-2 data i Norge.

Disse bruksområdene viser effektiviteten til kunstig intelligens ved å fremheve dens predikative egenskaper og evne til å tilpasse seg ulike oppgaver

Vil du vite mer om dette prosjektet? Ta kontakt: