Überwachung der Abholzung im Amazonas: Ein Satellitenansatz

Abholzung ist ein grosses Problem, besonders im Amazonas-Regenwald. Der Amazonas ist lebenswichtig für unseren Planeten, da er schädliche Gase absorbiert und Sauerstoff produziert. Leider wird die Abholzung in diesem Gebiet immer schlimmer. Bäume werden gefällt, was zu schweren Problemen führt, wie dem Verlust von Tierlebensräumen, Rückgang der Pflanzenvielfalt, Bodenerosion und Beschleunigung des Klimawandels. Im Jahr 2020 gingen im Durchschnitt täglich 2.300 Hektar Wald verloren. Wegen dieser alarmierenden Situation gibt’s einen starken globalen Push, die Abholzung zu reduzieren, indem geschützte Gebiete geschaffen und das Waldmanagement verbessert wird.

#Die Bedeutung von Satellitenbildern

Um die Abholzung zu überwachen, sind Satellitenbilder echt hilfreich. Satelliten können grosse Bereiche abdecken, ohne dass Leute physisch vor Ort sein müssen. Ein Problem ist allerdings, dass Wolken oft den Blick auf den Boden versperren, besonders in der Regenzeit. Glücklicherweise bieten die neuesten Fortschritte in der Satellitentechnologie klarere Bilder und verschiedene Datentypen. Durch die Kombination von Daten verschiedener Satelliten, wie Sentinel-1, Sentinel-2 und Landsat 8, bekommen wir ein besseres Bild von der Abholzung im Amazonas.

#Forschungsziel

In dieser Studie ist das Ziel, eine Methode zu entwickeln, um die Abholzung im Amazonas mithilfe verschiedener Satellitenbilder vorherzusagen. Wir nehmen an der MultiEarth 2023 Challenge teil, die sich darauf konzentriert, Satellitendaten zu nutzen, um den Zustand der Ökosysteme der Erde zu bewerten. Unser Ansatz verwendet fortgeschrittene Deep-Learning-Techniken, um die Satellitenbilder zu analysieren und Vorhersagen über den Abholzungsstatus zu treffen.

#Datensammlung

Das Gebiet, das wir untersuchen, liegt im Amazonas-Regenwald in Brasilien, speziell in Para. Diese Region ist bekannt für häufige Abholzung und hat eine hohe Baumverlustrate. Wir haben Daten mithilfe von vier verschiedenen Satelliten gesammelt: Sentinel-1, Sentinel-2, Landsat 5 und Landsat 8. Jeder Satellit bietet einzigartige Vorteile, wie unterschiedliche Sensoren und Bildauflösungen. Die gesammelten Bilder wurden auf eine Standardgrösse von 256 x 256 Pixeln angepasst. Während unseres Labeling-Prozesses markieren wir abgeholzte Gebiete mit dem Wert 1 und bewaldete oder andere Gebiete mit dem Wert 0.

#Methodik zur Abholzungserkennung

Um festzustellen, ob ein Gebiet abgeholzt wurde, haben wir ein spezielles Deep-Learning-Modell namens Masked-attention Mask Transformer (Mask2Former) verwendet. Dieses Modell eignet sich gut für verschiedene Bildsegmentierungsaufgaben. Wir haben uns darauf konzentriert, die Leistung unseres Modells durch Datenvorverarbeitung und Nachverarbeitung zu verbessern.

#Datenvorbereitung

Um unsere Daten für die Analyse vorzubereiten, haben wir ein paar Schritte unternommen:

1. Wir haben die RGB-Bänder der Sentinel-2- und Landsat-8-Bilder ausgewählt. Für Sentinel-1, das natürlich keine RGB-Bänder hat, haben wir ein Mockband mit Nullwerten hinzugefügt, um ein Drei-Kanal-Bild zu erstellen.
2. Wir haben die niedrigsten und höchsten 2% der Datenpunkte aus den Bildern entfernt, um die Daten zu normalisieren, damit sie in einen Bereich von 0 bis 1 passen.

#Netzwerktraining

Wir haben verschiedene Netzwerke implementiert, um abgeholzte Gebiete mit dem MMSegmentation-Toolkasten, der auf PyTorch basiert, zu identifizieren. Durch unsere Experimente haben wir herausgefunden, dass Mask2Former die besten Ergebnisse lieferte. Wir haben auch die Unterschiede in der Pixelgenauigkeit basierend auf dem Backbone des Modells berücksichtigt. Daher haben wir das effektivste Backbone für jeden Typ von Satellitendaten ausgewählt, um unsere Vorhersagen zu optimieren.

#Umgang mit Datenherausforderungen

Bei dieser Herausforderung sind wir auf zahlreiche Fälle gestossen, in denen Satellitenbilder fehlten oder nur wenige Bilder für bestimmte Standorte und Zeiten verfügbar waren. Um dieses Problem anzugehen, haben wir Zeitreihendaten aus nahegelegenen Monaten integriert, um fehlende Bilder zu ergänzen. Wir haben auch den Bildern, die im aktuellen Monat aufgenommen wurden, mehr Bedeutung beigemessen als denen von früheren oder späteren Monaten.

#Wolkenentfernung

Wolkeninterferenzen können zu ungenauen Abholzungsschätzungen führen. Um unsere Vorhersagen zu verbessern, haben wir entschieden, Bilder mit einer signifikanten Wolkenpräsenz auszuschliessen. Wir haben festgestellt, dass Bilder, bei denen alle RGB-Werte über 160 lagen und mehr als 50% der Pixel als wolkig klassifiziert wurden, aus unserem Datensatz entfernt werden sollten. Da Sentinel-1 Synthetic Aperture Radar verwendet, haben wir keine Techniken zur Wolkenentfernung auf dessen Bilder angewendet.

#Ausreisserfilterung

Beim Analysieren der vorhergesagten Ergebnisse erhielten wir manchmal komplett schwarze Bilder oder Vorhersagen, die Anzeichen von Abholzung zeigten, die nicht legitim waren. Um die Erkennungsgenauigkeit zu verbessern, haben wir einen zweistufigen Filterprozess angewendet:

1. Wir haben klare Ausreisser mit einem Drei-Sigma-Bereich herausgefiltert.
2. Wir haben einen zweiten Filter basierend auf dem vorhergesagten Abholzungsprozentsatz angewendet, um falsche Vorhersagen weiter zu eliminieren.

#Abschlussverarbeitungsschritte

Nach der Filterung der Bilder haben wir die Ausgaben aller verarbeiteten Bilder gemittelt, um ein einzelnes binäres Bild zu erstellen. In diesem binären Bild wurde jeder Pixel als abgeholzt (1) markiert, wenn seine Wahrscheinlichkeit 40% überstieg. Andernfalls wurde er als bewaldet oder andere (0) gekennzeichnet. Ausserdem haben wir eine Morphologie-Öffnungsoperation verwendet, um das Rauschen im finalen binären Bild zu reduzieren.

#Tests und Ergebnisse

Unser Testset umfasste 1.000 Abfragen von August 2016 bis August 2021, die 135 verschiedene Gebiete abdeckten. Die Datenmenge variierte für jede Abfrage, wodurch die Nachverarbeitung entscheidend war, um unsere Pixelgenauigkeit zu verbessern. Wir haben unsere Methoden mit einer Bewertungswebsite evaluiert und festgestellt, dass die Wolkenentfernung und die Einbeziehung von Zeitreihendaten die Pixelgenauigkeit erheblich auf 90,546% erhöht haben.

#Fazit

Durch unsere Teilnahme an MultiEarth 2023 haben wir gezeigt, wie Satellitenbilder und Deep Learning helfen können, die Abholzung im Amazonas-Regenwald zu überwachen und vorherzusagen. Durch die Kombination von Daten verschiedener Satellitentypen, die Verbesserung der Bildverarbeitungstechniken und die Anwendung gezielter Trainingsmethoden haben wir beeindruckende Ergebnisse erzielt. Unsere finale Methode lieferte eine Pixelgenauigkeit von 91,13%, einen F1-Score von 0,88 und eine Intersection over Union (IoU) von 0,81 für das Testset.

Diese Arbeit zeigt die Wichtigkeit, fortschrittliche Technologien und Methoden zu nutzen, um kritische Umweltprobleme wie Abholzung anzugehen. Indem wir unsere Ansätze ständig verfeinern und neue Datenquellen integrieren, können wir bedeutende Fortschritte machen, um die Auswirkungen der Abholzung auf die Gesundheit unseres Planeten zu verstehen und zu mildern.