Уявіть, що можна «почути», наскільки вологий ґрунт, просто аналізуючи відлуння сигналів навігаційних супутників, які й так безперервно кружляють над нами. Саме таку ідею реалізувала команда вчених, описана у матеріалі Newswise Science News: вони навчили штучний інтелект об’єднувати дані з кількох супутникових місій GNSS-R, щоб будувати набагато чіткішу картину вологості ґрунту по всій планеті.

Що відомо коротко

• Запропоновано двогілкову attention-fusion Transformer-модель, яка поєднує спостереження рівня Level-1 з супутників Tianmu-1 (TM-1) і Fengyun-3 (FY-3).
• Інтегрований набір даних TM-1 + FY-3 досяг 79,7% середнього глобального місячного покриття за часом.
• Порівняно з еталонними даними SMAP, модель показала коефіцієнт кореляції 0,88 і середньоквадратичну помилку 0,053 м³/м³.
• Незалежна перевірка на даних ISMN дала кореляцію 0,67 і ubRMSE 0,041 м³/м³, а ETC-аналіз — кореляцію 0,75 і випадкову похибку 0,030 м³/м³.
• Модель працює особливо добре в посушливих і малозелених регіонах, де відбиті сигнали краще «чують» зміни вологості поверхні.

Чому «відлуння» навігаційних супутників може вимірювати вологу ґрунту

Традиційно вологість ґрунту вимірюють або ґрунтовими датчиками в полі, або класичними супутниковими методами в оптичному чи мікрохвильовому діапазоні. Перші дають прямі, дуже точні показники, але встановити щільну мережу датчиків по всьому світу надто дорого, тому ці вимірювання залишаються рідкісними «острівцями» даних.

Оптичні й мікрохвильові супутники, зі свого боку, бачать широку картину, але страждають від хмарності, густої рослинності, високої вартості апаратів або надто грубого просторового розділення. Це трохи схоже на спробу оцінити стан усіх доріг країни лише за кількома вебкамерами: щось видно, але великі прогалини неминучі.

Тут у гру вступає GNSS-R — Global Navigation Satellite System-Reflectometry, тобто відбиті сигнали глобальних навігаційних систем. Супутники навігації (типу GPS чи їх аналоги) і так безперервно передають сигнали, щоб автомобілі, літаки й смартфони знали своє місцезнаходження. Частина цих сигналів відбивається від поверхні Землі, і їх можна «зловити» іншими супутниками на низькій орбіті.

Якщо ґрунт сухий — він відбиває сигнал одним чином, якщо вологий — іншим. Виходить своєрідний «радар, який уже літає» і який можна перевикористати, не запускаючи дорогі спеціалізовані місії.

Чому просте об’єднання супутників не працює

На перший погляд здається: що більше супутників, то краще. Але різні GNSS-R місії, такі як TM-1 і FY-3, мають відмінні орбіти, геометрію спостережень і характеристики сигналу. Якщо просто змішати всі треки в один набір, у даних з’явиться «шум» — корисні відмінності між місіями розмиваються.

Команда з Школи геодезії та геоматики Уханьського університету й Китайського антарктичного центру знімання і картографування пішла іншим шляхом. Вони запитали не «як зібрати більше даних», а «як навчити модель розуміти, що кожен супутник бачить по-своєму».

Їхня ідея схожа на роботу команди експертів: замість того щоб усіх змусити говорити в один мікрофон, кожному дають свій канал, а потім уважно зважують, кого і коли слухати. Так з’явилася двогілкова attention-fusion Transformer-модель.

Як працює двогілкова Transformer-модель для вологості ґрунту

Спочатку GNSS-R спостереження з TM-1 і FY-3 переводять у єдину просторову сітку — EASE-Grid 2.0 з розміром комірки 36 км. Основним супутниковим параметром виступає поверхнева відбивна здатність.

До цих даних додають ще кілька важливих «шарів фону», які допомагають моделі краще розуміти контекст місцевості:

• шорсткість поверхні та температура зі місії SMAP;
• індекс рослинності NDVI з MODIS;
• цифрову модель рельєфу GTOPO30 DEM;
• вміст глини та мулу за даними SoilGrids.

Замість того щоб загнати всі ці супутникові сигнали в один «потік», модель має дві окремі гілки, по одній для кожної місії — TM-1 і FY-3. Кожна гілка вчиться розпізнавати власні закономірності своєї місії, не втрачаючи унікальних особливостей орбіти, геометрії спостереження й поведінки сигналу.

Потім вступає в дію attention-модуль, який адаптивно врівноважує внесок обох місій. Він «вирішує», кого дослухатися більше в конкретних умовах — за різної рослинності, клімату чи типу землекористування. Після цього Transformer аналізує часові залежності, відстежуючи, як змінюється вологість у кожній комірці сітки з місяця в місяць.

Якої точності та покриття вдалося досягти

Об’єднаний набір TM-1 + FY-3 забезпечив 79,7% середнього глобального місячного покриття за часом — тобто майже вісім з десяти комірок на планеті мають принаймні одне спостереження щомісяця.

Щоб оцінити якість моделі, її результати порівнювали з кількома незалежними джерелами:

• з еталонною вологістю ґрунту SMAP — кореляція 0,88, RMSE 0,053 м³/м³;
• з наземними вимірюваннями Міжнародної мережі вологості ґрунту (ISMN) — кореляція 0,67, ubRMSE 0,041 м³/м³;
• за методом Extended Triple Collocation (ETC) — кореляція 0,75 і випадкова похибка 0,030 м³/м³.

Особливо добре модель показала себе в аридних і слабозарастлих регіонах, де відбиті сигнали GNSS-R менш спотворені рослинністю і тому чіткіше відображають зміни вологості поверхні.

Навіщо потрібен настільки детальний моніторинг вологості

Вологість ґрунту — це не лише питання врожаю. Вона визначає, як швидко може поширюватися посуха, як формуються паводки після сильних дощів, як ґрунт віддає вологу в атмосферу та впливає на локальний клімат.

Автори роботи вважають, що їхній підхід робить багатомісійний GNSS-R придатнішим для оперативного гідрологічного моніторингу, де потрібно одночасно впоратися з пропусками в даних, складною поверхнею й відмінностями між місіями. Модель не просто додає більше супутникових треків, а вчиться тому, як кожна місія «відчуває» земну поверхню по-своєму.

Такі продукти вологості ґрунту можуть підтримувати раннє попередження про посухи, прогнозування повеней, планування зрошення, управління водними ресурсами і дослідження взаємодії суші й атмосфери. Оскільки GNSS-R використовує вже існуючі навігаційні сигнали та відносно недорогі приймачі на низькоорбітальних платформах, цей підхід може доповнити традиційні мікрохвильові місії й покращити покриття там, де наземні спостереження обмежені.

У міру появи нових сузір’їв GNSS-R attention-керована ф’южн-модель може ще більше зменшити просторові й часові прогалини, посилити глобальний гідрологічний моніторинг і підтримати застосування з вищою роздільною здатністю. Майбутні дослідження, за планами авторів, можуть розширити цю рамку на додаткові місії, вдосконалити облік невизначеностей і зміцнити валідацію в тропічних, азійських, африканських і океанійських регіонах.

FAQ

Це вже готовий до використання продукт чи радше науковий прототип?

Описана система є результатом наукового дослідження, яке демонструє потенціал двогілкової attention-fusion Transformer-моделі. Вона ще потребує подальшого тестування, розширення на інші регіони та місії, перш ніж стати повноцінним операційним сервісом.

Чому модель краща саме в посушливих регіонах, а не всюди однаково?

У посушливих і малозарастлих районах поверхня відкритіша, менше рослинності, яка може спотворювати відбитий сигнал GNSS-R. Тому зміни вологості ґрунту там «прочитуються» чіткіше, а модель отримує чистіші вхідні дані.

Чи може цей підхід замінити наземні мережі вимірювання вологості?

Ні, наземні мережі залишаються ключовим джерелом прямих вимірювань і еталоном для перевірки супутникових продуктів. GNSS-R і такі моделі покликані доповнювати наземні дані, заповнюючи величезні просторові прогалини між окремими станціями.

Що зміниться, коли до моделі додад

ШІ об’єднав супутники і навчився «бачити» вологу ґрунту по всій Землі з’явилася спочатку на Цікавості.

cikavosti.com