Med hjälp av en ny algoritm, Forskare från University of Illinois kan ha hittat lösningen på ett urgammalt dilemma som plågar satellitbilder – om man ska offra hög rumslig upplösning i syfte att generera bilder oftare, eller tvärtom. Teamets nya verktyg eliminerar denna kompromiss genom att smälta samman högupplösta och högfrekventa satellitdata till en integrerad produkt, och kan generera 30 meter dagliga kontinuerliga bilder som går tillbaka till år 2000.

Övervakning av jordbruket, Urban utveckling, miljökvalitet och ekonomisk utveckling är bara några få sätt som människor använder satellitdata. Den nya algoritmen är generisk nog för användning i praktiskt taget alla applikationer.

I jordbrukstillämpningar, avbildning med en upplösning på 10 till 30 meter är avgörande för att bönder ska se snabba och subtila förändringar i grödans förhållanden på fältnivå som påverkar avkastningen, som grödans stress och störningar efter extrema väderhändelser. Befintliga data har antingen otillräcklig rumslig upplösning eller låg frekvens, sa forskarna. Jordbrukare kräver vanligtvis information med både högupplöst och nästan realtidsförekomst.

"Vi kämpade för att hitta offentliga satellitdata som har både hög rumslig upplösning och hög frekvens i vår egen forskning - det fanns helt enkelt inte, " sa naturresurser och miljövetenskap professor och studie medförfattare Kaiyu Guan. "Så vi tog initiativet att producera det själva."

Guan, en Blue Waters-professor vid National Center for Supercomputing Applications i Illinois, slog sig ihop med professor Jian Peng och doktorand Yunan Luo i datavetenskap för att utveckla en algoritm som smälter samman satellitbilder från flera källor till kontinuerliga, dagliga högupplösta bilder. Forskarna beskriver sin metodik och sina resultat i tidskriften Remote Sensing of Environment.

"Vi fick först in alla tillgängliga satellitdatauppsättningar i Blue Waters, National Science Foundations superdator i ledarskapsklassen. Med ett klick på en knapp för att köra vår algoritm, det som automatiskt kommer ut är dagliga högupplösta bilder tillgängliga för alla möjliga vetenskapliga tillämpningar, sa Guan.

Tidigare forskare har utvecklat metoder för att smälta samman högupplösta rumsliga och tidsmässiga data, men dessa kom med begränsningar. Nästan alla algoritmer saknade automatisering och kunde inte samtidigt hantera saknade pixlar och temporal fusion. Dessa nackdelar ledde till kortsiktiga och lokaliserade tillämpningar.

För att övervinna begränsningarna i tidigare metoder, laget utformade algoritmen för att automatiskt integrera information från befintlig data. Detta kompenserar för saknad information till följd av molntäckning eller dataluckor. Den nya algoritmen kan skapa bilder utan att några pixlar saknas, för vilken webbplats eller region som helst, genom att utnyttja tidsserieinformation och relationer med närliggande pixlar.

Förutom nära realtid daglig högupplöst datainsamling, teamet föreställer sig att bygga långsiktigt dagligen, bilder i kontinental skala för olika applikationer. "Den typ av högkvalitativ satellitdata som krävs för att köra den här algoritmen har samlats in sedan 2000, vilket innebär att vi kan generera dagliga bilder med 30 meters upplösning för vilken plats som helst på denna planet tillbaka i tiden, sa Guan.

"Detta kan användas för att studera förändringar i jordbrukets produktivitet, ekosystem och polarisdynamik sedan 2000 i mycket högre detalj än tidigare möjligt, " sade Peng. "Vårt tillvägagångssätt kan revolutionera användningen av satellitdata."

Forskarna har redan framgångsrikt sammansmält ytreflektansdata i Champaign County, Sjuk., och genererade dagliga tidsserier för växtsäsongen 2017 med 30 meters upplösning.

En video av dessa ytreflektionsdata:

"Även om andra har investerat i liknande teknik, de kunde inte gå tillbaka i tiden som vi kan, "Sa Guan. "Datakällorna för våra algoritmer använder de mest rigorösa uppgifterna från NASA eller Europeiska rymdorganisationen och producerar dagliga fusionsdata som är redo för forskning och praktiska tillämpningar," sa Guan.

"Att generera den här typen av data kräver betydande datorresurser, försvårar tillgängligheten, ", sa Peng. "Vi vill dela resultatet med det bredare forskarsamhället och vi arbetar för att hitta ett sätt att göra det möjligt."