Credit: Pixabay/ CC0来自该大学的公共领域研究人员建立了一种新的方法，从空间并通过机器学习来改进对陆地生物圈的观察和分析。这种统计方法将代表在监测作物和碳汇以及预测洪水和干旱方面的重大进步。这项工作已经发表在《科学进展》杂志上。新的机器学习方法使得提高关键参数的预测精度成为可能，这些参数包括叶面积指数、总初级生产力和太阳诱导的叶绿素荧光等。应用领域是巨大的，将对改进作物和碳汇的监测、发现变化和异常、干旱和洪水大有用处。这些机器学习技术的应用将允许对陆地碳墨水的动态进行更精确的测量，这对减缓全球气候变化的行动有影响。
地球正在迅速变化，而且在许多方面都是如此。卫星上的传感器——包括飞机和无人驾驶飞机——不断从远处获取关于我们星球的有价值的信息。量化植被覆盖并从空间上研究其生物化学结构和功能是理解全球变化、生物多样性和农业的关键。
自1970年代以来，遥感在很大程度上依赖于植被指数的使用，植被指数是卫星获取的光谱信号的参数公式。这些指数易于计算，旨在与土地覆盖的特定生物物理现象，如绿色度、含水量或光合作用活动等密切相关。因此，这些指数已经并继续被广泛用于量化陆地生物圈、其生产力及其动态。然而，文献和多种应用揭示了重要的局限性，这些局限性最终在本研究中得以解决。
在科学进展发表的文章中，科学家提出了一种机器学习的方法论方法，其理论框架使得概括这方面文献中使用的dices中的所有植被成为可能，该文章的第一作者是瓦伦西亚大学Gustau Camps-Valls的物理学家和电子工程教授以及图像和信号处理(ISP)小组的协调员。“我们已经证实，所有以前的方法——更具启发性、更直观且基于简单的物理原理——都适合作为我们方法中的特定案例。现在，从统计学的角度来看，我们在精度上有所提高，并挽救了这一部分陆地生物圈研究进展缓慢的局限性，”坎普斯-瓦尔斯解释道。“新的方法改进了我们已经接近的所有应用的结果:监测植物的物候，在行星尺度上量化碳吸收和光合活动。我们还表明，它对于探测变化和植被覆盖，以及从太空中估计作物产量等极其有用，”互联网服务提供商研究员、古斯托营地指导的ERC协同赠款USMILE成员Á·阿尔瓦罗·莫雷诺补充道。
所提出的方法可以改进所有的植被指数，特别是过去四十年中使用最多的指数——NDVI指数，为设计新的更强大的指数提供了关键。此外，它还因其极端的算法简单性而引人注目。“我们提供所有编程语言的源代码，包括谷歌地球引擎(Google Earth Engine)，这是一个允许在全球范围内缩放结果的平台。通过这种方式，我们认为该框架将被许多科学家、专业人士和开发人员采用，”合著者和互联网服务提供商成员若尔迪·穆尼奥斯说。巴伦西亚大学物理系电子自旋共振小组成员曼努埃尔·坎波斯说:“新指数概括了所有以前的指数，这一事实从理论上保证了它将始终保持不变或更好地工作，而且它的计算和应用非常简单，”来自同一小组的哈维尔·加西亚补充道。
除了用于监测陆地生物圈之外，拟议的统计方法在海洋学和大气研究等方面也有潜在的应用。指标广泛应用于科学的所有分支，并且可以通过这种方法轻松改进。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
