Εργαλεία τηλεπισκόπησης και μηχανικής μάθησης για την υποστήριξη της παρακολούθησης υγροτόπων: Μια μετα-ανάλυση έρευνας τριών δεκαετιών

<u>Πρωτότυπος τίτλος:</u>Remote Sensing and Machine Learning Tools to Support Wetland Monitoring: A Meta-Analysis of Three Decades of Research<br><br>

<b>Συγγραφείς:</b>Jafarzadeh, H., Mahdianpari, M., Gill, E. W., Brisco, B., & Mohammadimanesh, F.<br>
<b>Πηγή (αναλυτικά):</b>Jafarzadeh, H., Mahdianpari, M., Gill, E. W., Brisco, B., & Mohammadimanesh, F. (2022). Remote Sensing and Machine Learning Tools to Support Wetland Monitoring: A Meta-Analysis of Three Decades of Research. Remote Sensing, 14(23), 6104. DOI: [https://www.mdpi.com/2072-4292/14/23/6104 10.3390/rs14236104] 
<p>
<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
Οι υγρότοποι ([https://en.wikipedia.org/wiki/Wetland wetlands]) αποτελούν οικοσυστήματα ζωτικής σημασίας που παρέχουν κρίσιμες οικολογικές υπηρεσίες, ωστόσο υφίστανται έντονες πιέσεις λόγω της κλιματικής αλλαγής και της ανθρωπογενούς δραστηριότητας. Η παραδοσιακή παρακολούθησή τους μέσω επιτόπιων ερευνών είναι συχνά δυσχερής, δαπανηρή και χρονικά περιορισμένη. Στόχος της επιστημονικής μελέτης είναι η διεξοδική διερεύνηση της εξέλιξης των μεθόδων χαρτογράφησης και παρακολούθησης υγροτόπων κατά τις τελευταίες τρεις δεκαετίες, εστιάζοντας στη συνέργεια της Τηλεπισκόπησης ([https://en.wikipedia.org/wiki/Remote_sensing Remote Sensing]) και της Μηχανικής Μάθησης ([https://el.wikipedia.org/wiki/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7 Machine Learning]). Μέσω μιας συστηματικής μετα-ανάλυσης της διεθνούς βιβλιογραφίας, υιοθετεί μια σφαιρική προσέγγιση, αναλύοντας εκατοντάδες επιστημονικές δημοσιεύσεις που καλύπτουν το χρονικό διάστημα από τις αρχές της δεκαετίας του 1990 έως το 2022. Αξιολογεί την αποτελεσματικότητα διαφορετικών αλγορίθμων, δορυφορικών δεδομένων και υπολογιστικών πλατφορμών, αναδεικνύοντας τις τάσεις που διαμορφώνουν το μέλλον της διαχείρισης και ταξινόμησης υγροτόπων διαφόρων τύπων (π.χ. έλη, τυρφώνες, μαγκρόβια δάση), εξετάζοντας πώς η τεχνολογική πρόοδος μετέβαλε τις μεθοδολογίες από απλές φωτοερμηνείες σε πολύπλοκα μοντέλα Βαθιάς Μάθησης ([https://el.wikipedia.org/wiki/%CE%92%CE%B1%CE%B8%CE%B9%CE%AC_%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7#:~:text=%CE%97%20%CE%B2%CE%B1%CE%B8%CE%B9%CE%AC%20%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7%20%CE%B5%CE%AF%CE%BD%CE%B1%CE%B9%20%CE%AD%CE%BD%CE%B1,%CF%84%CE%BF%CF%85%CF%82%20%CE%B3%CE%B9%CE%B1%20%CF%84%CE%B7%CE%BD%20%CE%B5%CF%80%CE%B5%CE%BE%CE%B5%CF%81%CE%B3%CE%B1%CF%83%CE%AF%CE%B1%20%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD. Deep Learning]). Κατηγοριοποιεί τις μελέτες βάσει της γεωγραφικής κατανομής, των χρησιμοποιούμενων αισθητήρων και των αλγοριθμικών προσεγγίσεων.

<h1><b><span style="color:#FF4500">Τάσεις χρήσης δεδομένων τηλεπισκόπησης</span></b></h1>
Μέσω της βιβλιογραφικής επισκόπησης καταδεικνύεται ότι η παρακολούθηση των υγροτόπων βασίζεται σε ένα ευρύ φάσμα αισθητήρων, με διαφορετικά πλεονεκτήματα. Κυρίαρχο ρόλο διαχρονικά διαδραματίζουν τα οπτικά δορυφορικά συστήματα, κυρίως λόγω της σειράς Landsat που προσφέρει το μεγαλύτερο ιστορικό αρχείο καταγραφών, αλλά και των νεότερων αποστολών [https://www.sentinel-hub.com/ Sentinel-2] που παρέχουν βελτιωμένη χωρική και χρονική ανάλυση. Παράλληλα, καταγράφεται μια σταθερή αύξηση στη χρήση αισθητήρων Ραντάρ Συνθετικού Ανοίγματος ([https://www.earthdata.nasa.gov/learn/earth-observation-data-basics/sar SAR]), όπως οι Sentinel-1 και RADARSAT. Η ικανότητα των ραντάρ να διεισδύουν μέσω νεφώσεων και να αλληλεπιδρούν με τη δομή της βλάστησης και την επιφανειακή υγρασία τα καθιστά αναντικατάστατα για παρακολούθηση υγροτοπικών περιβαλλόντων. Τέλος, εμφανίζεται η χρήση δεδομένων [https://oceanservice.noaa.gov/facts/lidar.html Lidar] (Light Detection and Ranging) και μη επανδρωμένων αεροσκαφών ([https://en.wikipedia.org/wiki/Unmanned_aerial_vehicle UAVs]) για εφαρμογές που απαιτούν εξαιρετικά υψηλή λεπτομέρεια.

[[ Εικόνα: 4_εικ1.jpeg| thumb | center|500px|'''Εικόνα 1:''' Εννοιολογική επισκόπηση της χρήσης εργαλείων ML και RS για την εξαγωγή παραγωγών.]]

[[ Εικόνα: 4_εικ2.png | thumb | right|200px|'''Εικόνα 2:''' Συχνότητα χρήσης δεδομένων τηλεπισκόπησης από μία ή περισσότερες πηγές σε μελέτες υγροτόπων.]]

Πολυφασματικά, SAR και σύντηξη δεδομένων
Η επιλογή των δεδομένων δεν είναι πλέον μονοδιάστατη, καθώς η έρευνα στρέφεται στη συνδυαστική χρήση πόρων:
* <b><span style="color:#FF4500">Οπτικά Δεδομένα:</span></b> Παραμένουν η βάση για τον εντοπισμό τύπων βλάστησης μέσω φασματικών υπογραφών, ενισχυμένα από την πολιτική ανοικτής πρόσβασης (open access) της NASA και της ESA.
* <b><span style="color:#FF4500">Δεδομένα SAR:</span></b> Επιλέγονται στρατηγικά για τη διάκριση μεταξύ πλημμυρισμένων και μη πλημμυρισμένων περιοχών, εκμεταλλευόμενα τη διηλεκτρική συμπεριφορά του νερού.
* <b><span style="color:#FF4500">Σύντηξη (Fusion):</span></b> Η σημαντικότερη τάση που αναδεικνύεται είναι η σύντηξη οπτικών και SAR δεδομένων. Η συνδυαστική πληροφορία (multi-sensor data fusion) βελτιώνει δραματικά την ακρίβεια ταξινόμησης, καθώς αλληλοσυμπληρώνονται οι πληροφορίες, όπως, για παράδειγμα, την παρατήρηση βλάστησης όπου επιτυγχάνεται καταγραφή τόσο για τη χημική σύσταση (οπτικά), όσο και για τη φυσική δομή/υγρασία (SAR) των φυτών.

<h1><b><span style="color:#FF4500">Υπολογιστικά περιβάλλοντα και επεξεργασία στο νέφος (cloud)</span></b></h1>
Η μετάβαση στην εποχή των Μεγάλων Δεδομένων ([https://en.wikipedia.org/wiki/Big_data Big Data]) έχει μετασχηματίσει ριζικά τις ροές εργασίας. Η παραδοσιακή επεξεργασία σε τοπικούς σταθμούς εργασίας, η οποία απαιτούσε χρονοβόρες διορθώσεις και λήψεις αρχείων, αντικαθίσταται σταδιακά από πλατφόρμες υπολογιστικού νέφους (Cloud Computing). Το Google Earth Engine (GEE) αναδεικνύεται ως το κυρίαρχο εργαλείο, παρέχοντας άμεση πρόσβαση σε πεταμπάιτ δεδομένων και έτοιμα προς χρήση προϊόντα (Analysis Ready Data - ARD). Αυτό επιτρέπει στους ερευνητές να εκτελούν πολύπλοκες αναλύσεις σε παγκόσμια κλίμακα σχεδόν σε πραγματικό χρόνο, εστιάζοντας στην ανάπτυξη αλγορίθμων αντί για τη διαχείριση αρχείων.

<h1><b><span style="color:#FF4500">Εξέλιξη αλγορίθμων ταξινόμησης και Μηχανική Μάθηση</span></b></h1>
<b><span style="color:#FF4500">1. Κυριαρχία μη παραμετρικών αλγορίθμων</span></b><br>
Η ανάλυση έδειξε ότι οι αλγόριθμοι Μηχανικής Μάθησης έχουν εκτοπίσει τις παραδοσιακές στατιστικές μεθόδους. Ο αλγόριθμος Random Forest (RF - Τυχαία Δάση) αναδεικνύεται ως ο "βασιλιάς" των ταξινομητών στον τομέα των υγροτόπων, λόγω της ευκολίας παραμετροποίησης, της υπολογιστικής αποδοτικότητας και της ανθεκτικότητάς του στον θόρυβο. Ακολουθούν σε δημοφιλία τα Μηχανήματα Διανυσμάτων Υποστήριξης (SVM), τα οποία διατηρούν υψηλές επιδόσεις ακόμη και με περιορισμένα δεδομένα εκπαίδευσης.<br>
<b><span style="color:#FF4500">2. Η επανάσταση της Βαθιάς Μάθησης </span></b><br>
Τα τελευταία έτη χαρακτηρίζονται από την είσοδο της Βαθιάς Μάθησης (Deep Learning) και ειδικότερα των Νευρωνικών Δικτύων συνέλιξης (CNNs). Αυτά τα μοντέλα επιτυγχάνουν τις υψηλότερες ακρίβειες ταξινόμησης καθώς δεν εξετάζουν μεμονωμένα pixels, αλλά αναλύουν τα χωρικά πρότυπα και την υφή της εικόνας, προσεγγίζοντας την πολυπλοκότητα της ανθρώπινης όρασης.<br>
<b><span style="color:#FF4500">3. Συγκριτική Απόδοση</span></b><br>
Τα ευρήματα της μετα-ανάλυσης επιβεβαιώνουν ότι οι προσεγγίσεις σύντηξης δεδομένων σε συνδυασμό με προηγμένους αλγορίθμους (DL ή RF) υπερτερούν σταθερά έναντι των μονο-φασματικών αναλύσεων. Ωστόσο, η αυξημένη ακρίβεια της Βαθιάς Μάθησης συνοδεύεται από υψηλότερες απαιτήσεις σε υπολογιστική ισχύ, δεδομένα αναφοράς και κεφάλαιο (χρήμα).

<h1><b><span style="color:#FF4500">Ρόλος επικουρικών γεωχωρικών δεδομένων</span></b></h1>
Για τη βελτιστοποίηση των μοντέλων, η τηλεπισκόπηση πλαισιώνεται συχνά από βοηθητικά δεδομένα. Τα Ψηφιακά Μοντέλα Υψομέτρου (DEMs) και οι υδρολογικοί δείκτες που προκύπτουν από αυτά κρίνονται απαραίτητα, καθώς η παρουσία των υγροτόπων καθορίζεται πρωτίστως από το ανάγλυφο και τη ροή του ύδατος. Επιπρόσθετα, εδαφολογικοί χάρτες και κλιματικά δεδομένα χρησιμοποιούνται για να ενισχύσουν τη διαχωριστική ικανότητα των μοντέλων μεταξύ υγροτόπων και άλλων χρήσεων γης με παρόμοια φασματική συμπεριφορά.

<h1><b><span style="color:#FF4500">Προκλήσεις</span></b></h1>
Παρά την τεχνολογική πρόοδο, η μελέτη εντοπίζει σημαντικά εμπόδια. Η φασματική σύγχυση μεταξύ διαφορετικών τύπων υγροτόπων και η έντονη εποχικότητα καθιστούν την ταξινόμηση δύσκολη. Επιπλέον, η έλλειψη επαρκών, ποιοτικών και χωρικά κατανεμημένων δεδομένων πεδίου (ground truth) παραμένει το ευάλωτο σημείο για την εκπαίδευση των πολύπλοκων μοντέλων βαθιάς μάθησης. Τέλος, η υπολογιστική πολυπλοκότητα των σύγχρονων μεθόδων απαιτεί εξειδικευμένες υποδομές, γεγονός που μπορεί να περιορίσει τη δυνατότητα εφαρμογής τους σε επιχειρησιακό επίπεδο.

<h1><b><span style="color:#FF4500">Συμπεράσματα</span></b></h1>
[[ Εικόνα: 4_εικ3.png | thumb | right|350px|'''Εικόνα 3:''' Επισκόπηση της ποικιλίας των τομέων εφαρμογής των παρατηρήσεων της Γης από τηλεπισκόπηση σε υγροβιότοπους.]]

Η παρούσα μετα-ανάλυση ανέλυσε 344 δημοσιευμένα επιστημονικά περιοδικά πάνω στην παρατήρηση υγροτόπων μέσω τεχνικών τηλεπισκόπησης, τις κατηγοριοποίησε με βάση κάποια μεταξύ τους κοινά χαρακτηριστικά και ως κύριο πόρισμα έβγαλε ότι η σύζευξη της τηλεπισκόπησης με τη μηχανική μάθηση αποτελεί πλέον θεμέλιο για την παρακολούθηση των υγροτόπων σε παγκόσμια κλίμακα. Τεκμηριώνει ότι η ελεύθερη διάθεση δορυφορικών δεδομένων και η ανάπτυξη πλατφορμών, όπως το Google Earth Engine, έχουν επιτρέψει τη χαρτογράφηση σε κλίμακες που ήταν αδύνατες στο παρελθόν. Το μέλλον της έρευνας βαδίζει προς μοντέλα βαθιάς μάθησης, με προτεραιότητα την  ανάγκη δημιουργίας εκτεταμένων βιβλιοθηκών δεδομένων εκπαίδευσης. Η προστασία αυτών των ευαίσθητων οικοσυστημάτων απαιτεί τη συνεχή ενσωμάτωση αυτών των καινοτομιών σε συστήματα λήψης αποφάσεων.

 [[category:Παρακολούθηση, χαρτογράφηση και ανάλυση ποταμών, λιμνών και υγροτόπων]]