Clasificarea acoperirii terenului și detecția schimbărilor din satelit

O imagine satelitară nu este o hartă. Este o grilă de valori de reflectanță care devine utilă abia atunci când o transformi în clase tematice — pădure, teren agricol, zonă construită, apă, sol descoperit — și când poți afirma, cu cifre justificabile, cum s-au schimbat aceste clase în timp. Clasificarea acoperirii terenului și detecția schimbărilor sunt disciplina care te duce acolo. Ele stau la baza contabilizării carbonului, a monitorizării agricole, a planificării urbane și a conformității de mediu și sunt mult mai pretențioase decât apăsarea unui buton „clasifică”.

Acest articol parcurge întregul flux așa cum îl rulăm în proiecte reale: preprocesarea pe care toată lumea o subestimează, familiile de clasificatoare și când își câștigă fiecare locul, de ce evaluarea acurateței este un livrabil și nu o notă de subsol, și algoritmii de detecție a schimbărilor care separă semnalul de zgomot de-a lungul deceniilor de imagini.

Preprocesarea: munca ce decide tot ce urmează

Majoritatea eșecurilor de clasificare nu sunt eșecuri de model. Sunt eșecuri de preprocesare. Înainte ca un singur pixel să fie etichetat, imaginile trebuie făcute comparabile fizic între scene, date și senzori. Asta înseamnă:

• Corecția atmosferică — conversia radianței de la vârful atmosferei în reflectanță de suprafață, astfel încât o pădure să arate ca o pădure indiferent dacă a fost fotografiată în ianuarie sau în iulie.
• Mascarea norilor și a umbrelor — norii și umbrele lor sunt cea mai mare sursă de „schimbare” falsă. Măștile robuste și compozitele fără nori pe o fereastră temporală nu sunt negociabile.
• Mozaicarea și co-înregistrarea — îmbinarea scenelor adiacente și alinierea lor precisă, astfel încât pixelii din date diferite să descrie efectiv același teren.
• Indici spectrali — benzi derivate care amplifică semnalul care te interesează. NDVI pentru vigoarea vegetației, NDWI pentru apă și umiditate, NDBI pentru suprafețele construite. Acești indici fac adesea mai multă muncă de clasificare decât orice model ingenios.

Fă bine această etapă și un clasificator simplu va performa bine. Greșește-o și niciun algoritm nu te va salva.

Familiile de clasificatoare

Nu există o singură metodă optimă — există o metodă optimă pentru rezoluția ta, clasele tale și datele de antrenament disponibile. Principalele familii:

• Clustering nesupervizat grupează pixelii după similaritatea spectrală fără etichete de antrenament, iar apoi atribui semnificație grupurilor. Rapid pentru recunoaștere și pentru peisaje pe care încă nu le înțelegi.
• Clasificatoare supervizate învață din eșantioane etichetate. Random forest, gradient boosting și mașinile cu vectori suport (SVM), rulate peste benzi spectrale, indici și trăsături temporale, sunt caii de povară de încredere pentru cartografierea la rezoluție medie. Trăsăturile temporale — cum evoluează gradul de verdeață al unui pixel de-a lungul anotimpurilor — sunt adesea cele care disting culturile de pajiști sau pădurea de conifere de cea de foioase.
• Analiza imaginilor orientată pe obiecte (OBIA) segmentează imaginile de înaltă rezoluție în obiecte semnificative — o clădire, o parcelă, o coroană de copac — și clasifică aceste obiecte în loc de pixeli individuali. Esențială pentru datele sub-metrice și aeriene, unde metodele per-pixel produc zgomot de tip „sare și piper”.
• Învățarea profundă este frontiera modernă, în special arhitecturile convoluționale și de tip transformer care învață contextul spațial direct din imagini. Excelează pe scene de foarte înaltă rezoluție și pe ținte complexe. O tratăm ca subiect de sine stătător; dacă vrei detaliile, vezi articolul nostru complementar despre învățarea automată pe imagini satelitare.

Evaluarea acurateței este produsul

În piețele de carbon, în raportarea de conformitate și în orice context în care o hartă devine probă, marjele de eroare sunt livrabilul. O hartă fără o declarație riguroasă de acuratețe este o opinie. Evaluarea corectă se bazează pe un eșantion de referință probabilistic și pe o matrice de confuzie, din care raportezi:

• Acuratețea generală — proporția punctelor de referință clasificate corect.
• Acuratețea producătorului — cât de des au fost surprinse elementele reale ale unei clase (o măsură a omisiunii).
• Acuratețea utilizatorului — cât de des o clasă cartografiată este cu adevărat acea clasă pe teren (o măsură a comisiei).
• Estimări ajustate la suprafață cu intervale de încredere — cifre de suprafață corectate cu incertitudine explicită, în locul numărătorilor naive de pixeli care moștenesc fiecare eroare de clasificare.

Exact această disciplină stă la baza unei lucrări de carbon credibile; este aceeași rigoare pe care am adus-o proiectului de carbon REDD+ Chaco Vivo, unde justificabilitatea estimării schimbării era întregul scop.

Detecția schimbărilor: găsirea schimbării reale, nu a zgomotului

Odată ce poți clasifica o dată în mod fiabil, întrebarea mai grea este cum se mișcă peisajul între date. Principalele abordări, în ordinea crescătoare a complexității:

1. Comparația post-clasificare — clasifică fiecare dată independent și scade hărțile. Intuitivă și specifică pe clase, dar cumulează eroarea ambelor hărți.
2. Detecția spectrală a schimbărilor — compară direct reflectanța sau indicii pentru a marca unde s-a schimbat ceva, înainte de a decide în ce s-a transformat. Sensibilă, dar necesită praguri atente pentru a nu urmări diferențe de fenologie și de iluminare.
3. Algoritmii pe serii temporale — standardul modern pentru înregistrări lungi. LandTrendr potrivește traiectorii temporale și surprinde atât tendințe graduale, cât și perturbări bruște; CCDC (Continuous Change Detection and Classification) modelează seria temporală a fiecărui pixel și detectează rupturi continuu; BFAST descompune seriile în componente de tendință și sezoniere pentru a localiza punctele de ruptură. Aceste metode separă un eveniment real de defrișare de înverzirea sezonieră.

Acești algoritmi alimentează aplicațiile care contează cu adevărat pentru clienți: monitorizarea defrișărilor și a degradării pădurilor, expansiunea urbană, monitorizarea culturilor și a pășunilor, evaluarea pagubelor din dezastre și schimbarea apelor de suprafață. Iar datorită platformelor cloud precum Google Earth Engine, analizele la scară continentală și pe mai multe decenii, care odinioară cereau o sală de servere, rulează acum de pe un laptop.

De la harta schimbării la decizie

O hartă clasificată este rareori scopul final — este o intrare. Acoperirea terenului și rata ei de schimbare alimentează direct modelele de suitabilitate și de amplasare: unde să extinzi, să protejezi, să restaurezi sau să eviți. Acolo se leagă clasificarea de luarea structurată a deciziilor și de munca noastră mai amplă privind analiza multicriterială în GIS, în care acoperirea terenului este unul dintre multiplele criterii ponderate.

Surse de date

Deschise și publice

• Sentinel-2 — optic la 10 m, revizitare la ~5 zile; calul de povară implicit pentru acoperirea terenului.
• Landsat 8/9 — 30 m; senzorii actuali dintr-o arhivă Landsat care ajunge până în 1972, ceea ce face posibilă detecția schimbărilor pe mai multe decenii.
• Sentinel-1 SAR — radar care penetrează norii, de neprețuit în zonele tropicale și pentru monitorizarea pe orice vreme.
• MODIS / VIIRS — zilnice, dar grosiere; ideale pentru tendințe de mare frecvență pe suprafețe întinse.
• NAIP — imagini aeriene de înaltă rezoluție din SUA.
• Produse gata făcute — ESA WorldCover, Dynamic World, Global Forest Change și setul de date JRC Tropical Moist Forest (TMF), utile ca baze de referință și verificări încrucișate.

Comerciale

• Planet — imagini zilnice PlanetScope la 3–5 m, plus programare SkySat la rezoluție mai mare.
• Airbus — SPOT și Pléiades.
• Maxar — rezoluție foarte înaltă, până la 30–50 cm.
• SAR comercial — Capella, ICEYE și Umbra.
• Impact Observatory — produse comerciale de acoperire a terenului.
• Nearmap / Vexcel — imagini aeriene de înaltă rezoluție.

Instrumente

• Google Earth Engine pentru procesare la scară planetară.
• QGIS pentru GIS desktop și cartografie.
• SNAP pentru procesarea datelor Sentinel și SAR.
• Python (rasterio, scikit-learn) și R (terra) pentru fluxuri și modelare personalizate.

Vizualizarea schimbării

Cel mai convingător mod de a comunica toate acestea nu este o figură statică, ci o vedere interactivă înainte/după: un control de tip swipe care dezvăluie două date satelitare peste același teren, însoțit de o hartă a schimbării derivată care evidențiază exact unde s-a pierdut sau s-a câștigat acoperire. Transformă un rezultat tehnic în ceva pe care un factor de decizie îl poate înțelege în câteva secunde și interoga singur. Cartolytic construiește aceste vizualizatoare interactive ale schimbării ca parte a livrării noastre — analiza este riguroasă dedesubt, iar prezentarea face constatarea de netăgăduit.

Fie că scopul este o bază de referință pentru carbon, un program de monitorizare agricolă sau un studiu al creșterii urbane, tiparul este același: preprocesare disciplinată, un clasificator potrivit scopului, cifre de acuratețe oneste și o detecție a schimbărilor pe serii temporale care raportează schimbarea reală, nu zgomotul. Astfel devin imaginile decizii pe care le poți apăra.