Πηγή Εικόνας: απε μπεΗ ακριβής χαρτογράφηση της κάλυψης του εδάφους αποτελεί τη βάση για την προστασία της βιοποικιλότητας, την προσαρμογή στην κλιματική αλλαγή και τη βιώσιμη χρήση του εδάφους. Παρά τις προόδους στην τηλεπισκόπηση, οι μέθοδοι που βασίζονται αποκλειστικά σε δορυφορικά δεδομένα παραμένουν περιορισμένες λόγω της νεφοκάλυψης, των διαστημάτων επανάληψης και της έλλειψης δεδομένων από το έδαφος. Δυναμικά προϊόντα όπως το Dynamic World έχουν βελτιώσει την ακρίβεια, αλλά εξακολουθούν να δυσκολεύονται στην καταγραφή ξαφνικών αλλαγών ή στην επικύρωση των αποτελεσμάτων.
Η ταχεία επέκταση των δικτύων καμερών κοντά στην επιφάνεια προσφέρει την ευκαιρία να βελτιωθεί η παρακολούθηση με την προσθήκη τοπικών συχνών παρατηρήσεων. Ωστόσο, οι προκλήσεις, όπως η αναντιστοιχία προοπτικής και η περιορισμένη κάλυψη, παραμένουν. Με βάση αυτές τις προκλήσεις, απαιτείται νέα έρευνα για την ενσωμάτωση πολυτροπικών παρατηρήσεων και εργαλείων τεχνητής νοημοσύνης για την παρακολούθηση της γης σε πραγματικό χρόνο.
Ερευνητές από το Πανεπιστήμιο Tsinghua και συνεργάτες τους που δημοσίευσαν τη μελέτη τους στο περιοδικό Remote Sensing, ανέπτυξαν πλαίσιο που συνδυάζει δορυφορικές εικόνες, κάμερες κοντά στην επιφάνεια και προηγμένα μοντέλα ταξινόμησης τεχνητής νοημοσύνης. H καινοτομία αυτή, όπως αναφέρει το phys.org, αντιμετωπίζει τα επίμονα εμπόδια στην παρακολούθηση της γης, συμπεριλαμβανομένης της παρεμβολής των νεφών, προσφέροντας ένα σύστημα ικανό για χαρτογράφηση της παγκόσμιας κάλυψης γης σε σχεδόν πραγματικό χρόνο που μπορεί να έχει εφαρμογή από τη γεωργία έως τη διατήρηση οικοσυστημάτων.
Η μελέτη αποδεικνύει ότι το FROM-GLC Plus 3.0 ξεπερνά τα προηγούμενα προϊόντα τόσο σε ακρίβεια όσο και σε χρονική πυκνότητα. Με την ανακατασκευή πυκνών ημερήσιων χρονοσειρών NDVI από παρατηρήσεις κάμερας, το πλαίσιο πέτυχε μέση ακρίβεια 70,52%. Καταγράφει απότομες μεταβάσεις, όπως τη συσσώρευση χιονιού στη Βόρεια Αμερική και την επέκταση των υγροτόπων στην Ευρώπη, που τα συστήματα που βασίζονται αποκλειστικά σε δορυφόρους δεν κατάφεραν να ανιχνεύσουν.
Επιπλέον, η ενσωμάτωση του μοντέλου Segment Anything Model (SAM) επιτρέπει τη χαρτογράφηση σε επίπεδο αγροτεμαχίου με μειωμένο θόρυβο και πιο ευκρινή όρια, παρέχοντας πληροφορίες υψηλής ανάλυσης για καλλιεργήσιμες εκτάσεις, αστικές περιοχές και φυσικούς οικοτόπους. Όλες αυτές οι καινοτομίες καθιστούν το FGP 3.0 μια ευέλικτη, επεκτάσιμη και έγκαιρη λύση για την παρακολούθηση των περιβαλλοντικών αλλαγών σε όλο τον κόσμο.
Το πλαίσιο ενσωματώνει τρία modules: ετήσια χαρτογράφηση, δυναμική καθημερινή παρακολούθηση και ταξινόμηση αγροτεμαχίων υψηλής ανάλυσης.
Δοκιμές στην Κίνα έδειξαν ότι το πλαίσιο παρακολούθησε με ακρίβεια τις εναλλαγές καλλιεργειών χειμερινής σίκαλης και καλαμποκιού σε επίπεδο αγροτεμαχίου. Σε σύγκριση με τις προηγούμενες εκδόσεις, το FGP 3.0 μειώνει τις λανθασμένες ταξινομήσεις, βελτιώνει την ακρίβεια των ορίων και κλιμακώνεται αποτελεσματικά από περιφερειακό σε παγκόσμιο επίπεδο.
Το FROM-GLC Plus 3.0 θέτει τις βάσεις για την επόμενη γενιά παρακολούθησης της γης. Η ικανότητά του να καταγράφει καθημερινές, λεπτομερείς αλλαγές επιτρέπει την έγκαιρη προειδοποίηση για πλημμύρες, ξηρασίες, αποψίλωση δασών και αστική επέκταση. Οι γεωργικές εφαρμογές περιλαμβάνουν την παρακολούθηση της υγείας των καλλιεργειών, της εναλλαγής και του υδατικού στρες σε επίπεδο αγρού, ενώ οι περιβαλλοντολόγοι μπορούν να χρησιμοποιήσουν το σύστημα για την παρακολούθηση των οικοτόπων βιοποικιλότητας και της υποβάθμισης της γης. Καθώς τα δίκτυα καμερών κοντά στην επιφάνεια επεκτείνονται και τα μοντέλα τεχνητής νοημοσύνης εξελίσσονται, το πλαίσιο θα μπορούσε να γίνει ο ακρογωνιαίος λίθος της παγκόσμιας περιβαλλοντικής νοημοσύνης, υποστηρίζοντας την ανθεκτικότητα και τις στρατηγικές βιώσιμης χρήσης της γης.
