محققان روش جدیدی را برای بهبود مشاهده و تجزیه و تحلیل شرایط زیستی کره زمین از طریق فضا و به وسیله علم یادگیری ماشین ایجاد کرده‌اند. این مقاله در مجله Science Advances منتشر شده و رویکرد آماری آن نمایانگر پیشرفت چشمگیری در نظارت بر محصولات کشاورزی، میزان کربن تولیدی، پیش‌بینی سیل و خشکسالی و … خواهد بود. روش جدید یادگیری ماشین امکان بهبود دقت در پیش‌بینی پارامترهای کلیدی مانند شاخص سطح برگ، تولید ناخالص اولیه، میزان کلروفیل ناشی از خورشید و سایر موارد را فراهم می‌کند.
زمینه کاربردهای این روش بسیار گسترده است و برای بهبود نظارت بر محصولات و میزان کربن تولیدی، تشخیص تغییرات و ناهنجاری‌ها، خشکسالی و سیلاب‌ها کاربرد زیادی خواهد داشت. استفاده از این تکنیک‌های یادگیری ماشین امکان اندازه گیری دقیق‌تر میزان تولید کربن در زمین را فراهم می‌کند که پیامدهای آن برای کاهش تغییرات آب و هوایی جهانی لازم است. زمین به سرعت در حال تغییر است و این تغییرات در بسیاری از زمینه‌ها انجام می‌شود. حسگرهای موجود در ماهواره‌ها و هواپیماهای بدون سرنشین بطور مداوم زمین را مشاهده می‌کنند و از راه دور اطلاعات ارزشمندی در مورد زمین به ما می‌دهند.
تعیین میزان پوشش گیاهی و مطالعه ساختار بیوشیمیایی، کلید درک تغییرات جهانی برای تنوع زیستی و کشاورزی است. از دهه 1970 سنجش از راه دور بسیار به استفاده از شاخص‌های پوشش گیاهی متکی است که فرمول‌های پارامتری آن طیفی از سیگنال است که توسط ماهواره‌ها به دست می‌آید. این شاخص‌های ساده برای محاسبه پدیده‌های بیوفیزیکی خاص از زمین، مانند میزان سبزی زمین، محتوای آب یا فعالیت فتوسنتزی و غیره طراحی شده‌اند. به همین دلیل از این شاخص‌ها به طور گسترده برای تعیین کمیت زیستی کره زمین و بهره‌وری و پویایی آن استفاده می‌شود.
در مقاله منتشر شده توسط Science Advances، که نویسنده‌ی اصلی آن فیزیکدان و استاد مهندسی الکترونیک و هماهنگ کننده گروه پردازش تصویر و سیگنال (ISP) دانشگاه والنسیا، گوستاو کمپس والس است، دانشمندان رویکردی شناختی از علم یادگیری ماشین را ارائه می‌دهند که چارچوب نظری آن امکان تعمیم کلیه شاخص‌های پوشش گیاهی مورد استفاده در روش‌های قبلی را در این زمینه فراهم می‌کند. والس می‌گوید: “ما تأیید می‌کنیم که تمام رویکردهای ابتکاری، شهودی و مبتنی بر اصول فیزیکی ساده‌ی قبلی به شکل خاصی در روش جدید ما جای می‌گیرند.”
اکنون و از نگاه آماری ما نتایج را با دقت بیشتری به دست می‌آوریم و محدودیت‌هایی را که باعث کندی پیشرفت ما در این زمینه می‌شدند حذف می‌کنیم. والس می‌گوید: “روش جدید ما نتایج را در تمام زمینه‌های کاربردی مانند، نظارت بر فنولوژی گیاهی، میزان جذب کربن و فعالیت فتوسنتز در مقیاس سیاره‌ای که در گذشته از آنها استفاده می‌کردیم بهبود می‌بخشد.” او افزود: “ما نشان می‌دهیم که این روش برای تشخیص تغییرات و پوشش گیاهی بسیار مفید است و همچنین برای تخمین بازده محصولات کشاورزی از فضا، به عنوان بخشی از مطالعات مربوط به زیست کره زمینی بسیار مفید خواهد بود.
روش پیشنهادی ما بهبود کلیه شاخص‌های پوشش گیاهی و به ویژه شاخصی که در چهار دهه گذشته بیشترین استفاده را از آن کرده‌ایم یعنی شاخص نرمال‌شده تفاوت پوشش گیاهی (NDVI) را ممکن می‌سازد و کلیدی برای طراحی شاخص‌های جدید و قدرتمندتر فراهم می‌کند. علاوه بر این به دلیل سادگی الگوریتمی بسیار زیاد آن، ما کد منبع را در تمام زبان‌های برنامه نویسی از جمله Google Earth Engine ارائه می‌دهیم که اجازه می‌دهد نتایج در سطح سیاره‌ای مقایسه شوند.”
جوردی مونوز، همکار والس و عضو ISP می‌گوید: “ما فکر می‌کنیم که این چارچوب توسط بسیاری از دانشمندان، متخصصان و توسعه دهندگان تصویب خواهد شد.” مانوئل کمپوس، عضو گروه فیزیک دانشگاه والنسیا می‌گوید: “این واقعیت که شاخص جدید همه شاخص‌های قبلی را تعمیم می‌دهد، تضمین‌های تئوریکی را ارائه می‌کند که همیشه یکسان یا بهتر عمل خواهند کرد. محاسبه و اعمال در عمل بسیار ساده است.”
خاویر گارسیا، از گروه فیزیک دانشگاه والنسیا اضافه می‌کند: “علاوه بر استفاده از آن برای نظارت بر شرایط زیستی کره زمین، روش آماری پیشنهادی دارای کاربردهای بالقوه‌ای در مطالعات اقیانوس شناسی و جوی خواهد بود. شاخص‌ها به طور گسترده‌ای در تمام شاخه‌های علوم مورد استفاده قرار می‌گیرند و با این روش به راحتی می‌توان آنها را بهبود بخشید.”
