Můžeme odhadovat vegetační indexy a biofyzikální parametry lesů pomocí dat SAR, pomocných dat a strojového učení? Výzkumníci z týmu EO4Landscape (Dr. Daniel Paluba a doc. Přemysl Štych) se ve spolupráci s Evropskou kosmickou agenturou (Bertrand Le Saux z Φ-labu a Francesco Sarti) pokusili na tuto otázku odpovědět v nedávno publikovaném článku v časopise Big Earth Data od vydavatelství Taylor & Francis.
Výzkumný tým EO4Landscape z Katedry aplikované geoinformatiky a kartografie s potěšením oznamuje vydání naší nejnovější studie: „Estimating Vegetation Indices and Biophysical Parameters for Central European Temperate Forests with Sentinel-1 SAR Data and Machine Learning“, jejížmi autory jsou Daniel Paluba, Bertrand Le Saux, Francesco Sarti a Přemysl Štych. Tento výzkum byl publikován v časopise Big Earth Data a je dostupný online na adrese doi.org/10.1080/20964471.2025.2459300.
V této studii se zabýváme předcházením omezení optických satelitních dat, jako je například oblačnost, a využíváme radarová data se syntetickou aperturou (SAR) z družice Sentinel-1. Naše výsledky ukazují, že SAR data, pokud jsou kombinována s podpůrnými informacemi a nástrojemi strojového učení, mohou efektivně odhadovat klíčové lesní parametry, včetně normalizovaného rozdílového vegetačního indexu (NDVI), vylepšeného vegetačního indexu (EVI), indexu listové plochy (LAI) a frakce absorbovaného fotosynteticky aktivního záření (FAPAR). Studie se zaměřuje na zdravé i narušené lesy v České republice a střední Evropě během roku 2021.
Metodicky jsme v prním kroku vytvořili vícemodální časovou řadu dat pomocí nástroje Google Earth Engine (GEE), která zahrnuje časově a prostorově sladěná data ze Sentinel-1 a Sentinel-2, dále prvky odvozené z digitálního modelu reliéfu (DEM), meteorologické proměnné a klasifikace lesních typů. Naše výsledky ukazují, že zahrnutí topografických a meteorologických dat zvyšuje přesnost odhadu lesních parametrů. Mezi hodnocenými modely strojového učení dosáhly nejlepší přesnosti regresory Extreme Gradient Boosting (XGB) a Random Forest (R² mezi 70 % a 86 %) s vysokou výpočetní efektivitou, čímž překonaly i metody automatizovaného strojového učení (AutoML). Navíc odhady založené na SAR datech napříč střední Evropou vykazovaly srovnatelné výsledky jako v rámci České republiky, což potvrzuje transferabilitu vyvinuté metody a poukazuje na jejich potenciál pro rozsáhlé aplikace. Významnou výhodou vegetačních metrik založených na SAR datech je schopnost detekovat náhlé změny v lesích s časovým rozlišením pár dní a umožňují získat až 240 měření ročně s prostorovým rozlišením 20 metrů.
Tento výzkum zdůrazňuje potenciál integrace SAR dat a strojového učení pro komplexní a včasné monitorování lesů, čímž nabízí robustní alternativu k tradičním optickým metodám.
Nejlépe fungující modely strojového učení pro jednotlivé vegetační indexy jsou dostupné na platformě Hugging Face.
Ukázkový kód, data a instrukce pro použití modelů jsou k dispozici na GitHubu.
Vícemodální časové řady byly vytvořeny pomocí nástroje MTS-GEE, vyvinutého v našem předchozím článku s názvem „Identification of optimal Sentinel-1 SAR polarimetric parameters for forest monitoring in Czechia“, DOI: 10.14712/10.142/23361980.2024.18.