Konwolucyjne sieci neuronowe na potrzeby detekcji odłogów

Uzbrójmy komputer w wiedzę geografa! Nauczmy maszynę pewnego wycinka kompetencji profesjonalnego badacza, aby wsparła nas ona w rozwiązaniu nietrywialnego problemu badawczego. Mowa nie tylko o zapamiętaniu pewnych informacji, ale również o wyciąganiu z nich wniosków oraz pozyskiwaniu doświadczenia z każdą kolejną próbą interpretacji danych. Uczenie maszynowe (machine learning) pozwala spojrzeć na problem badawczy z innej perspektywy. Oferuje możliwość wyszukiwania skomplikowanych wzorców, które pozostają nieuchwytne dla tradycyjnych metod statystycznych. Dodatkowo, raz wyuczony model maszynowy potrafi znacznie zwielokrotnić efektywność pracy zespołu badawczego. Doskonałym poligonem doświadczalnym dla uczenia maszynowego jest przetwarzanie obrazu. Umożliwienie komputerowi zrozumienia treści przedstawionej na fotografii jest od dawna głównym celem dyscypliny zwanej Computer Vision (CV). Szczególnie interesującym dla nas zastosowaniem CV jest analiza treści zdjęć satelitarnych.

Zespół badawczy

Połączenie geografii oraz – leżącego w kompetencjach inżynierii programowania i matematyki – uczenia maszynowego nie jest łatwe. Zadanie tego typu wymaga utworzenia zespołu składającego się ze specjalistów z różnych dziedzin. Dlatego ze wspólnej inicjatywy Pracowni Geoekologii Wydziału Nauk Geograficznych Uniwersytetu Łódzkiego oraz SoftwareMill zrodził się pomysł, aby przeprowadzić zaawansowane badania z wykorzystaniem uczenia maszynowego do rozwiązania problemu badawczego z zakresu detekcji odłogów w województwie łódzkim.

Problem badawczy

Porzucone pola, łąki i pastwiska to miejsca spontanicznej regeneracji i sukcesji roślinnej. Te obszary nazywamy odłogami. Odłogi odzyskują pokrywę roślinną dzięki autonomicznemu działaniu procesów ekologicznych. Pasma odłogów o różnym stopniu zaawansowania sukcesji roślinnej wraz z otwartymi przestrzeniami pól, łąk i pastwisk, tworzą krajobrazy o dużej atrakcyjności wizualnej i bogactwie florystycznym. Odłogi posiadają pozytywne znaczenie dla przyrody, stanowią alternatywny, nic nie kosztujący sposób zwiększania lesistości.

Głównym wyzwaniem problemu badawczego jest precyzyjne określenie czy wybrany obszar podlega procesom odłogowania, czy nie. Najskuteczniejszą metodę stanowi badanie terenowe. Nie jest to jednak podejście wolne od wad, z których najpoważniejszą jest brak praktycznej możliwości zebrania danych z dużego obszaru. Dla doświadczonego badacza możliwe jest również prowadzenie klasyfikacji poszczególnych obszarów przy użyciu ortofotomap. Niemniej jednak taka metoda również jest daleka od bycia efektywną i, aby uzyskać rezultat na znacznym obszarze, musi zostać wsparta dodatkowymi narzędziami. Z pomocą przychodzi uczenie maszynowe.

Celem naszego badania było wskazanie obszarów w województwie łódzkim, które współcześnie wykazują bardzo duże prawdopodobieństwo występowania odłogów. Opracowaliśmy model oparty o konwolucyjne sieci neuronowe klasyfikujący zdjęcia satelitarne (500m x 500m, RGB + bliska podczerwień) jako odłogi. Model został wytrenowany z wykorzystaniem zbioru danych opracowanego na pewnym wycinku obszaru województwa. „Uzbrojony” we wspomniane dane treningowe, stał się zdolny do automatycznej klasyfikacji pozostałych części obszaru badawczego. Rezultat prac został zaprezentowany poniżej na mapie.

Zachęcamy do prześledzenia całego procesu badawczego opisanego w artykule pt. „Detecting Land Abandonment in Łódź Voivodeship Using Convolutional Neural Networks” opublikowanym 13 marca 2020 roku w czasopiśmie Land.

Stanisław Krysiak

Elżbieta Papińska

Anna Majchrowska

Maciej Adamiak

Mikołaj Koziarkiewicz