Από RemoteSensing Wiki

Πρωτότυπος τίτλος: The future of coastal monitoring through satellite remote sensing

Συγγραφείς: Vitousek, S., Buscombe, D., Vos, K., Barnard, P. L., Ritchie, A. C., & Warrick, J. A.
Πηγή (αναλυτικά): Vitousek, S., Buscombe, D., Vos, K., Barnard, P. L., Ritchie, A. C., & Warrick, J. A. (2023). The future of coastal monitoring through satellite remote sensing. Cambridge Prisms: Coastal Futures, 1, e10. DOI: 10.1017/cft.2022.4

Περίληψη

Η κλιματική αλλαγή και η άνοδος της στάθμης της θάλασσας επιβάλλουν την ανάγκη για βελτιωμένη παρακολούθηση των παράκτιων ζωνών, καθώς οι παραδοσιακές επιτόπιες μετρήσεις είναι συχνά αραιές χρονικά και δαπανηρές. Η παρούσα μελέτη εξετάζει πώς η "δημοκρατικοποίηση" των δορυφορικών δεδομένων και η πρόοδος στην επιστήμη των δεδομένων (data science) μετασχηματίζουν την παράκτια γεωμορφολογία. Στόχος της είναι η ανασκόπηση και η παρουσίαση της μετάβασης από τις παραδοσιακές, αραιές «in-situ» μετρήσεις στη συνεχή, παγκόσμιας κλίμακας παρακολούθηση των παράκτιων διεργασιών (όπως η διάβρωση και η μορφολογική εξέλιξη) μέσω δορυφορικών παρατηρήσεων. Ειδικότερα, εστιάζει στην εμφάνιση της "καθοδηγούμενης από δεδομένα παράκτιας επιστήμης" (data-driven coastal science), η οποία αξιοποιεί τη μηχανική μάθηση για την εξαγωγή πληροφορίας από τεράστιους όγκους εικόνων, καθώς και στην προοπτική ολοκλήρωσης (integration) αυτών των παρατηρήσεων με επιχειρησιακά μοντέλα παράκτιας αλλαγής για την επίτευξη ακριβέστερων προγνώσεων.

Είδη δορυφορικών συστημάτων, δεκτών, καναλιών και χρησιμότητά τους

Η ανάκτηση και η χαρτογράφηση των παράκτιων χαρακτηριστικών πραγματοποιείται μέσω ενός συνδυασμού παθητικών και ενεργητικών δεκτών. Οι δέκτες μέτριας διακριτικής ικανότητας (10-30m), όπως οι δορυφόροι Landsat (5, 7, 8, 9) και Sentinel-2, αποτελούν τη βάση της διαχρονικής παρακολούθησης, προσφέροντας ελεύθερα δεδομένα και μακροχρόνιες χρονοσειρές που επιτρέπουν την ανάλυση εδάφους από απόσταση σε διάστημα δεκαετιών. Η χρήση εμπορικών μικρο-δορυφόρων (SmallSats/CubeSats), όπως η PlanetScope, με απόσταση επίγειας δειγματοληψίας της τάξης των 3 μέτρων και ημερήσια επαναληψιμότητα, αρχίζει σταδιακά να κυριαρχεί, επιτρέποντας την παρακολούθηση γεγονότων υψηλής συχνότητας (π.χ. καταιγίδες). Τέλος, ενεργητικοί δέκτες Lidar, όπως το σύστημα ATLAS του ICESat-2, παρέχουν κρίσιμα υψομετρικά δεδομένα υψηλής ακρίβειας για την κάθετη δομή της παραλίας και τη βαθυμετρία.

Επιλογή και διαθεσιμότητα δεδομένων

Με βάση την ιστορική αναδρομή και τις σύγχρονες δυνατότητες που εξετάζει η μελέτη, τα δεδομένα κατηγοριοποιούνται ως ακολούθως:

• Δεδομενα ιστορικου αρχειου: Αξιοποιούνται εικόνες από το πρόγραμμα Landsat που καλύπτουν μια περίοδο σχεδόν 40 ετών. Αυτά τα δεδομένα επιλέγονται για την κατανόηση των μακροχρόνιων τάσεων της ακτογραμμής και της μεταβολής του τοπίου σε κλίμακα δεκαετιών.
• Δεδομενα υψηλης συχνοτητας: Επιλέγονται σύγχρονες εικόνες από το σύστημα Sentinel-2 και PlanetScope. Λόγω του υψηλού όγκου δεδομένων, η διαθεσιμότητα είναι πλέον σχεδόν καθημερινή, επιτρέποντας την επιλογή εικόνων "καθαρού ουρανού" χωρίς νέφωση.
• Δεδομενα ακριβειας (Lidar): Τα δεδομένα του ICESat-2 χρησιμοποιούνται ως "δεδομένα αναφοράς" για την επικύρωση των οπτικών μεθόδων και την παροχή υψομετρικής πληροφορίας ακριβείας.

Εικόνα 1: Η πολυκλιμακωτή φύση των διαδικασιών αλλαγής των ακτών (αριστερά) και των τεχνικών παρατήρησης (δεξιά) που επιδιώκουν να καταγράψουν τη συμπεριφορά της παράκτιας μεταβολής μεταξύ πολλών κλιμάκων. Πηγή: Vitousek et al., 2023.

Πίνακας 1: Σύνοψη των διαφόρων σύγχρονων τεχνολογιών για την παρακολούθηση των ακτών. Πηγή: Vitousek et al., 2023.

Προεπεξεργασίες

Τα στάδια προεπεξεργασίας για τη διαχείριση των Μεγάλων Δεδομένων (Big Data) στην παράκτια ζώνη περιλαμβάνουν:

• Χρήση πλατφορμών υπολογιστικού νέφους (Cloud Computing) όπως το Google Earth Engine (GEE).
• Ατμοσφαιρική διόρθωση των εικόνων για την ελαχιστοποίηση της επίδρασης των αερολυμάτων.

αερολυματων.

• Διαχωρισμός ξηράς-νερού μέσω φασματικών δεικτών και εφαρμογή μασκών (masks) για την αφαίρεση νεφών και κυμάτων θραύσης.

Ψηφιακές, προχωρημένες, ειδικές επεξεργασίες των δορυφορικών εικόνων

1. Ανάκτηση δεδομένων με Μηχανική Μάθηση
Υπολογίστηκαν οι θέσεις της ακτογραμμής (SDS) και η βαθυμετρία (SDB) μέσω προηγμένων αλγορίθμων. Η μελέτη δίνει έμφαση στη μετάβαση στην "καθοδηγούμενη από δεδομένα επιστήμη" (data-driven science) χρησιμοποιώντας τεχνικές Μηχανικής Μάθησης (Machine Learning). Αντί για απλές εμπειρικές σχέσεις, χρησιμοποιούνται βαθιά νευρωνικά δίκτυα (Deep Learning) και Συνελικτικά Νευρωνικά Δίκτυα (CNNs) για την ταξινόμηση κάθε εικονοστοιχείου (pixel-wise classification) και την αυτόματη αναγνώριση γεωμορφολογικών χαρακτηριστικών.

Εικόνα 2: Σχηματική απεικόνιση μιας εννοιολογικής, βασισμένης σε δεδομένα ροής εργασίας ανίχνευσης ακτογραμμής που χρησιμοποιεί μια σειρά μοντέλων μηχανικής μάθησης. Αφού μια νέα εικόνα είναι διαθέσιμη για μια τοποθεσία (π.χ. Ocean Beach, Καλιφόρνια, σε αυτό το παράδειγμα), ένα αρχικό μοντέλο καθορίζει την καταλληλότητα της εικόνας για επεξεργασία. Τα επόμενα μοντέλα εκτελούν φιλτράρισμα εικόνας, υπερ-ανάλυση και συμπλήρωση (συμπλήρωση κενών/σύννεφων). Στη συνέχεια, χρησιμοποιείται ένα μοντέλο τμηματοποίησης εικόνας για τον προσδιορισμό της θέσης της γραμμής της θάλασσας, η οποία διορθώνεται για την παλίρροια και άλλες στιγμιαίες μεταβλητές, όπως η ανύψωση, η κλίση, το μέγεθος των κόκκων κ.λπ., από άλλα μοντέλα μηχανικής μάθησης ή μοντέλα αφομοίωσης δεδομένων. Πηγή: Vitousek et al., 2023.

2. Ενσωμάτωση σε επιχειρησιακά μοντέλα
Εξετάστηκε η ενσωμάτωση των δορυφορικών δεδομένων σε επιχειρησιακά μοντέλα παράκτιας μεταβολής. Η διαδικασία αυτή περιλαμβάνει την αφομοίωση δεδομένων, συχνά μέσω τεχνικών όπως το φίλτρο Kalman, όπου οι δορυφορικές παρατηρήσεις ενημερώνουν και διορθώνουν τις προβλέψεις των αριθμητικών μοντέλων σε πραγματικό χρόνο. Αυτή η προσέγγιση επιτρέπει τη δημιουργία συστημάτων έγκαιρης προειδοποίησης και δυναμικών προβλέψεων της εξέλιξης της ακτογραμμής.
3. Στατιστική ανάλυση
Πραγματοποιήθηκε αξιολόγηση των σφαλμάτων των μοντέλων χάραξης ακτογραμμής και βαθυμετρίας από δορυφορικά δεδομένα (SDS και SBD αντίστοιχα), συγκρίνοντας τα αποτελέσματα με παραδοσιακές μεθόδους. Τα αποτελέσματα έδειξαν ότι οι μέθοδοι μηχανικής μάθησης προσφέρουν βελτιωμένη ακρίβεια σε πολύπλοκα περιβάλλοντα, ενώ η αφομοίωση δεδομένων μειώνει την αβεβαιότητα των προγνωστικών μοντέλων.

Χρήση επιπρόσθετων δεδομένων

Για περαιτέρω αξιολόγηση και επαλήθευση των δορυφορικών παρατηρήσεων, χρησιμοποιήθηκαν:

• Παγκόσμια ψηφιακά μοντέλα εδάφους (DEMs).
• Δεδομένα από παλιρροιογράφους για τη διόρθωση των οπτικών λήψεων.
• Μοντέλα κυματισμού για τον υπολογισμό της επίδρασης των κυμάτων στην ακτή.

Προκλήσεις

Για την πλήρη αξιοποίηση των δορυφορικών μεθόδων παρακολούθησης, απαιτείται σημαντική εργασία στην επαλήθευση και την αντιμετώπιση συγκεκριμένων τεχνικών περιορισμών. Οι κύριες προκλήσεις που εντοπίστηκαν κατηγοριοποιούνται ως εξής:

• Ανάλυση (Resolution): Η ανάλυση των pixel παραμένει κρίσιμος παράγοντας. Οι υφιστάμενες μέθοδοι ανίχνευσης ακτογραμμής δίνουν τυπικά σφάλματα (RMSE) περίπου το μισό του μεγέθους του pixel (π.χ. 10-15m για Landsat, 3.5-5m για Planet). Παρόλο που υπάρχουν δορυφόροι πολύ υψηλής ανάλυσης, αναμένεται ότι το σφάλμα δεν θα μειωθεί αντίστοιχα λόγω άλλων παραγόντων (γεωαναφορά, αναρρίχηση κύματος) που δημιουργούν "συμφόρηση" στην ακρίβεια.

• Συναρμογή εικόνας και γεωαναφορά (Image coregistration & geo-referencing):Η γεωαναφορά των εικόνων αποτελεί μια σημαντική και λιγότερο κατανοητή πηγή σφάλματος, με τα τυπικά σφάλματα του ίδιου του δορυφόρου να είναι της τάξης των ~5m (για Landsat). Η συναρμογή των εικόνων σε μια εικόνα αναφοράς μπορεί να μειώσει σημαντικά αυτές τις αποκλίσεις, παρέχοντας μεγαλύτερη συνέπεια.

• Αλγόριθμοι μηχανικής όρασης (Machine-vision algorithms): Οι περισσότεροι αλγόριθμοι είναι σχετικά νέοι και, καθώς η χρήση τους επεκτείνεται σε νέες τοποθεσίες, η αξιοπιστία τους δοκιμάζεται. Οι δορυφορικές παρατηρήσεις περιέχουν θόρυβο (σε σύγκριση με τις in-situ μετρήσεις) και δεν είναι, ακόμα, γνωστός ο βέλτιστος συνδυασμός δεικτών και κατωφλίων (thresholds) για κάθε περίπτωση. Τεχνικές φιλτραρίσματος βασισμένες στη μηχανική μάθηση θα μπορούσαν να χρησιμοποιηθούν για την αποθορυβοποίηση των παρατηρήσεων.

• Διεργασίες της παράκτιας ζώνης και διορθώσεις στάθμης ύδατος (Nearshore processes & water-level corrections): Η αναρρίχηση του κύματος (wave runup), που περιλαμβάνει την ανύψωση λόγω κυματισμού (setup) και τη διαβροχή (swash), αποτελεί σημαντική πηγή αβεβαιότητας. Τα περισσότερα εργαλεία διορθώνουν μόνο για την παλίρροια (tidal stage) και όχι για την αναρρίχηση του κύματος. Ενώ η ανύψωση (setup) θα μπορούσε να διορθωθεί με εμπειρικές εξισώσεις, η διόρθωση για τη δυναμική διαβροχή (swash) είναι πιο δύσκολη και απαιτεί περαιτέρω έρευνα, πιθανώς μέσω "οπτικών μεθόδων μέτρησης αναρρίχησης" από τις ίδιες τις εικόνες.

Συμπεράσματα και αξιολόγηση των μεθόδων

Όσον αφορά μελλοντικές προοπτικές, είναι αξιοσημείωτο ότι η επιστημονική κοινότητα κλίνει προς τη δημιουργία "Παράκτιων Ψηφιακών Διδύμων" (Coastal Digital Twins). Αυτά τα συστήματα δεν θα περιορίζονται απλώς στην παρατήρηση, αλλά θα αφομοιώνουν συνεχώς δορυφορικά δεδομένα SDB και SDS σε αριθμητικά μοντέλα πρόγνωσης σε πραγματικό χρόνο. Παρατηρήθηκε ότι, παρόλο που η διακριτική ικανότητα των δορυφόρων βελτιώνεται, η κύρια πρόκληση παραμένει η ακρίβεια στην κάθετη διάσταση (υψόμετρο/βάθος) σε σχέση με την οριζόντια. Εντούτοις, οι διαφορές αυτές μειώνονται (ακρίβεια υπο-μέτρου σε ορισμένες εφαρμογές) όταν συνδυάζονται οπτικά δεδομένα με δεδομένα Lidar (ICESat-2).

Συμπερασματικά, η μελέτη καταλήγει ότι η δορυφορική τηλεπισκόπηση έχει ωριμάσει αρκετά ώστε να αποτελέσει τον κύριο πυλώνα για συστήματα έγκαιρης προειδοποίησης και διαχείρισης παράκτιων κινδύνων σε παγκόσμια κλίμακα, αντικαθιστώντας σταδιακά τις δαπανηρές επιτόπιες μετρήσεις. Όπως σχολιάζεται στη μελέτη: «Έχουμε την ευκαιρία να αξιοποιήσουμε τον μεγαλύτερο πόρο δεδομένων παράκτιας αλλαγής στον κόσμο (δηλαδή τα συνεχώς επεκτεινόμενα αρχεία των δορυφόρων παρατήρησης της Γης) για να κατανοήσουμε και να διαχειριστούμε την παράκτια απόκριση σε ένα μεταβαλλόμενο κλίμα» (Vitousek S., et. al., 2023).