Forskningsprojekt NG| DeepWetlands: Att kvantifiera förändringar i vattenomfattningen av våtmarker med djupinlärning

I Deep Wetlands-projektet utvecklar vi en maskininlärningsplattform för att övervaka förändringar i vattenomfattningen i våtmarker genom att integrera flera datakällor från satellitbilder, höjdmätningsradarer och andra rymdsensorer. Våtmarker är viktiga ekosystem för jordsystemets funktion och nödvändiga för att uppnå en hållbar utveckling. Vattentillgången avgör om våtmarker kan frodas och om de kan leverera tjänster till människor. Emellertid täcker tjock vegetation mestadels vattenförändringar, vilket försämrar deras fjärrdetektering från rymden. Våtmarker försvinner snabbt; cirka 70 % har gått förlorade under de senaste 120 åren.

Trots den fara som våtmarker för närvarande står inför, finns det ingen global högupplöst bedömning av våtmarksförändringar. Detta begränsar den djupgående och tidsmässiga analysen av våtmarker från rymden. Förändringar i våtmarker är obemärkta eftersom de flesta rymdbaserade tekniker inte fullt ut kan ta hänsyn till vatten under vegetation och är begränsade till stora vattenförekomster. Vår stora utmaning är att kvantifiera förändringarna av våtmarksytan på befintliga våtmarker.

Vi planerar att övervinna denna utmaning i tre arbetspaket (WP):

• WP1: Vi kommer att samla in och kommentera en mångsidig datauppsättning av våtmarksbilder över flera världsregioner och klimat.
• WP2: Vi kommer att designa en ML-modell som integrerar optisk, Synthetic-aperture radar (SAR) och Interferometric Synthetic Aperture Radar (InSAR) bilder för att skapa en exakt inventering av befintliga våtmarker.
• WP3: Vi kommer att skapa ett verktyg för att visualisera våtmarksinventeringen och deras förändringar i vattenutbredning över tid.

På länken nedan visas vinjettbilden i hög upplösning.

Neural Network Diagram MSCA-PF.drawio (567 Kb)