Sono nato e cresciuto in Ecuador. In questo paese, il tempo e il clima modellano le nostre vite. Ad esempio, il nostro approvvigionamento energetico dipende da precipitazioni sufficienti per l’energia idroelettrica. Da bambino ricordo di aver avuto continui blackout. Sfortunatamente, l’Ecuador non è stato resiliente. Al momento della stesura di questo articolo, stiamo riscontrando nuovamente dei blackout. Paradossalmente, l'oscillazione meridionale di El Niño ci porta ogni anno inondazioni. Adoro l'escursionismo e, con grande tristezza, ho visto come i nostri ghiacciai si sono ritirati.
Dieci anni fa ho deciso di studiare per un dottorato di ricerca in meteorologia. Il cambiamento climatico e le sue implicazioni mi hanno turbato. È una sfida scoraggiante quella che l’umanità si trova ad affrontare in questo secolo. Ci sono stati enormi progressi nella nostra comprensione scientifica di questo problema. Ma abbiamo ancora bisogno di più azioni.
Quando ho iniziato il mio dottorato, pochi ricercatori utilizzavano tecniche di intelligenza artificiale (AI). Oggigiorno è opinione diffusa che sfruttare il potenziale dell’intelligenza artificiale possa fare la differenza. In particolare, nella mitigazione e nell’adattamento ai cambiamenti climatici.
Il machine learning e in particolare la visione artificiale (CV) ci consentono di dare un senso alle enormi quantità di dati disponibili. Questo potere ci permetterà di agire. Scoprire modelli nascosti nei dati visivi (ad esempio i dati satellitari) è un compito fondamentale nella lotta al cambiamento climatico.
Questo articolo presenta il CV e la sua intersezione con il cambiamento climatico. È il primo di una serie su questo argomento. L'articolo ha cinque sezioni. Innanzitutto presenta un'introduzione. Successivamente, l'articolo definisce alcuni concetti di base relativi al CV. Quindi, esplora le capacità del CV di affrontare il cambiamento climatico con casi di studio. Successivamente, l’articolo discute le sfide e le direzioni future. Infine, un riepilogo fornisce una panoramica.
Comprendere la visione artificiale
CV utilizza metodi computazionali per apprendere modelli dalle immagini. L'Osservazione della Terra (EO) si basa principalmente sulle immagini satellitari. Pertanto, il CV è uno strumento adatto per l’analisi dei cambiamenti climatici. Per comprendere i modelli climatici dalle immagini, sono necessarie diverse tecniche. Alcuni dei più importanti sono la classificazione, il rilevamento degli oggetti e la segmentazione.
Classificazione: comporta la categorizzazione di immagini (singole) in base a classi predefinite (etichette singole). Il rilevamento degli incendi e la mappatura delle aree bruciate utilizzano tecniche di classificazione delle immagini sulle immagini satellitari. Queste immagini forniscono firme spettrali legate alla vegetazione bruciata. Utilizzando questi modelli unici i ricercatori possono monitorare l’impatto degli incendi.
Rilevamento oggetti: comprende la localizzazione di oggetti in un'area di interesse. La traccia degli uragani e dei cicloni utilizza questa tecnica. Rilevare i suoi schemi nuvolosi aiuta a mitigarne l’impatto nelle zone costiere.
Segmentazione delle immagini: assegna una classe a ciascun pixel in un'immagine. Questa tecnica aiuta a identificare le regioni e i loro confini. La segmentazione viene anche chiamata “segmentazione semantica”. Poiché ogni regione (classe target) riceve un'etichetta, la sua definizione include “semantica”. Ad esempio, per monitorare il ritiro di un ghiacciaio si utilizza questa tecnica. La segmentazione delle immagini satellitari dei ghiacciai consente di tracciarne i cambiamenti. Ad esempio, monitorando l'estensione, l'area e il volume del ghiacciaio nel tempo.
Questa sezione ha fornito alcuni esempi di CV in azione per affrontare il cambiamento climatico. La sezione seguente li analizzerà come casi di studio.
Caso di studio 1: rilevamento di incendi
Il cambiamento climatico ha diverse implicazioni per gli incendi. Ad esempio, aumentando la probabilità di eventi estremi. Inoltre, estendendo il periodo di tempo delle stagioni degli incendi. Allo stesso modo, aggraverà l’intensità del fuoco. Pertanto, è fondamentale investire risorse in soluzioni innovative per prevenire incendi catastrofici.
Questo tipo di ricerca dipende dall'analisi delle immagini per la rilevazione precoce degli incendi. I metodi ML, in generale, si sono rivelati efficaci nel prevedere questi eventi.
Tuttavia, gli algoritmi avanzati di deep learning dell’intelligenza artificiale producono i risultati migliori. Un esempio di questi algoritmi avanzati sono le reti neurali (NN). Le NN sono una tecnica ML ispirata alla cognizione umana. Questa tecnica si basa su uno o più livelli convoluzionali per rilevare le caratteristiche.
Le reti neurali convoluzionali (CNN) sono popolari nelle applicazioni delle scienze della Terra. La CNN mostra il maggiore potenziale per aumentare la precisione della rilevazione degli incendi. Diversi modelli utilizzano questo algoritmo, come VGGNet, AlexNet o GoogleNet. Questi modelli presentano una maggiore precisione nelle attività CV.
Il rilevamento degli incendi tramite algoritmi CV richiede la segmentazione delle immagini. Tuttavia, prima di segmentare i dati, è necessario preelaborarli. Ad esempio, per ridurre il rumore, normalizzare i valori e ridimensionare. Successivamente, l'analisi etichetta i pixel che rappresentano il fuoco. Distinguendoli così da altre informazioni sull'immagine.
Caso di studio 2: monitoraggio dei cicloni
Il cambiamento climatico aumenterà la frequenza e l’intensità dei cicloni. In questo caso, una quantità enorme di dati non viene elaborata dalle applicazioni in tempo reale. Ad esempio, dati provenienti da modelli, satelliti, radar e stazioni meteorologiche terrestri. CV dimostra di essere efficiente nell'elaborazione di questi dati. Ha inoltre ridotto i pregiudizi e gli errori legati all’intervento umano.
Ad esempio, i modelli numerici di previsione meteorologica utilizzano solo il 3%-7% dei dati. In questo caso, osservazioni da satelliti ambientali operativi geostazionari (GOES). I processi di assimilazione dei dati utilizzano ancora meno di questi dati. I modelli della CNN selezionano tra questa vasta quantità di immagini le osservazioni più rilevanti. Queste osservazioni si riferiscono alle regioni di interesse (ROI) attive nei cicloni (o che saranno presto attive).
Identificare questo ROI è un compito di segmentazione. Esistono diversi modelli utilizzati nelle Scienze della Terra per affrontare questo problema. Tuttavia, la CNN U-Net è una delle scelte più popolari. La progettazione del modello si riferisce alle attività di segmentazione medica. Ma si è rivelato utile anche per risolvere problemi meteorologici.
Caso di studio 3: Monitoraggio del ritiro glaciale
I ghiacciai sono termometri del cambiamento climatico. Gli effetti delle variazioni climatiche sui ghiacciai sono visivi (arretramento dei contorni). Pertanto, simboleggiano le conseguenze della variabilità e del cambiamento climatico. Oltre agli impatti visivi, il ritiro dei ghiacciai ha altre conseguenze. Ad esempio, effetti negativi sulla sostenibilità delle risorse idriche. Destabilizzazione della produzione idroelettrica. Incidere sulla qualità dell'acqua potabile. Riduzioni della produzione agricola. Ecosistemi sbilanciati. Su scala globale, anche l’aumento del livello del mare minaccia le regioni costiere.
Il processo di monitoraggio dei ghiacciai richiedeva molto tempo. L'interpretazione delle immagini satellitari necessita di esperti che le digitalizzino e le analizzino. Il CV può aiutare ad automatizzare questo processo. Inoltre, la visione artificiale può rendere il processo più efficiente. Ad esempio, consentendo l'incorporazione di più dati nella modellazione. I modelli CNN come GlacierNet sfruttano la potenza del deep learning per tracciare i ghiacciai.
Esistono diverse tecniche per rilevare i confini dei ghiacciai. Ad esempio la segmentazione, il rilevamento di oggetti e anche il rilevamento dei bordi. CV può eseguire compiti ancora più complessi. Il confronto delle immagini dei ghiacciai nel tempo ne è un esempio. Allo stesso modo, determinando la velocità di movimento dei ghiacciai e persino il loro spessore. Questi sono strumenti potenti per tracciare le dinamiche dei ghiacciai. Questi processi possono estrarre informazioni preziose ai fini dell’adattamento.
Sfide e direzioni future
Ci sono sfide particolari nell’affrontare il cambiamento climatico utilizzando il CV. Discutere ciascuno di essi potrebbe richiedere un intero libro. Tuttavia, lo scopo qui è modesto. Cercherò di portarli sul tavolo come riferimento.
- Complessità dei dati: La necessità, e la complessità intrinseca, di utilizzare molte fonti di dati. Ad esempio, immagini satellitari e aeree, dati lidar e sensori terrestri. La fusione dei dati è una tecnica in evoluzione che tenta di affrontare questo problema impegnativo.
- Interpretabilità del modello: una sfida attuale è lo sviluppo di modelli ibridi. Significa riconciliare un modello statistico basato sui dati con uno fisico. L’interpretabilità degli algoritmi CV aumenta incorporando la nostra conoscenza del sistema climatico. Pertanto, questi modelli eccellono nell’adattare funzioni complesse. Ma dovrebbe anche fornire una comprensione delle relazioni causali sottostanti.
- Campioni etichettati: La disponibilità di campioni etichettati di alta qualità. Questi campioni dovrebbero essere specifici per i problemi EO per addestrare i modelli CV. Generarli è un compito lungo e costoso. Affrontare questa sfida è un’area attiva di ricerca.
- Etica: Integrare considerazioni etiche nello sviluppo dell’IA è una sfida. Privacy, equità e responsabilità svolgono un ruolo chiave nel garantire la fiducia delle parti interessate. Considerare la giustizia ambientale è anche una valida strategia nel contesto del cambiamento climatico.
Riepilogo
Il CV è un potente strumento per affrontare il cambiamento climatico. Dal rilevamento degli incendi al monitoraggio della formazione dei cicloni e del ritiro dei ghiacciai. Il CV sta trasformando il modo di monitorare, prevedere e proiettare gli impatti climatici. Lo studio di questi impatti si basa su tecniche CV. Ad esempio, classificazione, rilevamento di oggetti e segmentazione. Infine, diverse sfide emergono nell’intersezione tra CV e cambiamento climatico. Ad esempio, la gestione di più origini dati. Migliorare l’interpretabilità dei modelli di machine learning. Generazione di campioni etichettati di alta qualità per l'addestramento di modelli CV. E incorporare considerazioni etiche nella progettazione di un sistema di intelligenza artificiale. Un articolo successivo presenterà una guida alla raccolta e alla cura dei set di dati di immagini. In particolare, quelli relativi al cambiamento climatico.
Riferimenti
- Kumler-Bonfanti, C., Stewart, J., Hall, D., & Govett, M. (2020). Rilevamento di cicloni tropicali ed extratropicali tramite deep learning. Giornale di meteorologia applicata e climatologia, 59(12), 1971–1985.
- Maslov, KA, Persello, C., Schellenberger, T., & Stein, A. (2024). Verso la mappatura globale dei ghiacciai con il deep learning e i dati di osservazione della terra aperta. arXiv prestampa arXiv:2401.15113.
- Moumgiakmas, SS, Samatas, GG e Papakostas, GA (2021). Visione artificiale per la rilevazione di incendi sugli UAV: dal software all'hardware. Internet del futuro, 13(8), 200.
- Rolnick, D., Donti, PL, Kaack, LH, Kochanski, K., Lacoste, A., Sankaran, K., … & Bengio, Y. (2022). Affrontare il cambiamento climatico con il machine learning. Sondaggi informatici ACM (CSUR), 55(2), 1–96.
- Tuia, D., Schindler, K., Demir, B., Camps-Valls, G., Zhu, XX, Kochupillai, M., … & Schneider, R. (2023). L'intelligenza artificiale per promuovere l'osservazione della Terra: una prospettiva. arXiv prestampa arXiv:2305.08413.
Fonte: towardsdatascience.com
