Assessment of soil quality indicators using novel Earth observation technologies and computational intelligence methodologies

Abstract

To safeguard natural capital of soils, in a continuously volatile landscape of reduced resources and environmental changes and pave the way for the development of evidence-based conservation recommendations for policies and sustainable services for relevant economic operators, it is essential to improve capacities for soil health monitoring by adopting multidimensional and integrated approaches. In this context, the advent of the Earth Observation (EO) big data era, spearheaded by free, full, and open spaceborne data policy, as well as the emergence of novel computational algorithms and cloud computing resources, pave the way to enhance the mature level of knowledge regarding the topsoil monitoring. The goal of this doctoral thesis is to develop methods able to estimate chemical and physical properties of exposed soils, exploiting EO imagery data and leveraging large soil spectroscopic archives in combination with advanced computational intelligence algorithms. More concretely, the thesis puts forward the development of a novel approach from the family of memory-based learning algorithms, able to utilize the combined spectral sources and geographical proximity for improved VIS-NIR-SWIR soil properties estimation. The proposed algorithm makes use of the complementary information contained within the different spectral sources that originate from them to accurately generate more relevant local calibration datasets and yield enhanced accuracy results. Following that, a novel spiked bottom-up approach for soil mapping is proposed which is designed with the rationale to enhance the predictive performance of the regression algorithms by integrating existing soil spectral libraries and EO imagery data. The proposed techniques are applied in a standardized large soil spectral library that has been developed to cover the significant gaps in the Balkans, Middle East and North African region. Subsequently, considering that deep learning models have currently been a game changer for Earth system monitoring, a set of convolutional neural networks are proposed. The proposed deep learning frameworks showcase concrete advantages over the other machine learning algorithms that have been proposed in the literature, since they are capable of combining the complimentary information contained in the pool of both optical and radar spectral information and those from auxiliary geographical coordinates. Moreover, the deep learning models have been developed in a way that allows a degree of interpretability to explain their reasoning process.

Για να διαφυλαχθεί το φυσικό κεφάλαιο των εδαφικών πόρων, σε ένα συνεχώς ασταθές περιβάλλον με καταγεγραμμένη μείωση των πόρων και έντονες περιβαλλοντικές αλλαγές και προκειμένου να δημιουργηθούν οι προϋποθέσεις για την ανάπτυξη τεκμηριωμένων προτάσεων προς υποστήριξη των σχετικών πολιτικών και προς την ανάπτυξη βιώσιμων υπηρεσιών, είναι απαραίτητο να βελτιωθούν οι δυνατότητες παρατήρησης της υγείας των εδαφών μέσω της υιοθέτησης πολυδιάστατων και ολοκληρωμένων προσεγγίσεων. Σε αυτό το πλαίσιο, η ύπαρξη των μεγάλων δεδομένων της παρατήρησης της Γης, καθώς και η εμφάνιση καινοτόμων αλγορίθμων υπολογιστικής νοημοσύνης και του υπολογιστικού νέφους ενισχύουν τις δυνατότητές μας σχετικά με την παρακολούθηση του εδαφικού οικοσυστήματος. Στόχος αυτής της διδακτορικής διατριβής είναι η ανάπτυξη μεθόδων ικανών να εκτιμήσουν τις χημικές και φυσικές ιδιότητες των εδαφών, αξιοποιώντας δεδομένα παρατήρησης της Γης και φασματικές βιβλιοθήκες εδαφών σε συνδυασμό με προηγμένους αλγόριθμους υπολογιστικής νοημοσύνης. Πιο συγκεκριμένα, η διατριβή προτείνει την ανάπτυξη μιας νέας προσέγγισης αξιοποιώντας τεχνικές μηχανικής μάθησης βασιζόμενων στη μνήμη, ικανής να χρησιμοποιήσει τις συνδυασμένες φασματικές πηγές στο ορατό-υπέρυθρο ηλεκτρομαγνητικό φάσμα και τη γεωγραφική εγγύτητα. Ο προτεινόμενος αλγόριθμος χρησιμοποιεί τις συμπληρωματικές πληροφορίες που περιέχονται στις διαφορετικές φασματικές τεχνικές προ-επεξεργασίας για να δημιουργήσει ακριβέστερα τοπικά σύνολα δεδομένων στη διαδικασία της βαθμονόμησης και να αποφέρει βελτιωμένη ακρίβεια στις τελικές προβλέψεις. Κατόπιν αυτού, προτείνεται μια νέα προσέγγιση για τη χαρτογράφηση των εδαφών, η οποία έχει σχεδιαστεί με το σκεπτικό να συμβάλλει σε βελτίωση της προγνωστικής απόδοσης των αλγορίθμων ενσωματώνοντας υπάρχουσες φασματικές βιβλιοθήκες εδάφους και δεδομένα παρατήρησης της Γης. Οι προτεινόμενες τεχνικές εφαρμόζονται σε μια μεγάλη φασματική βιβλιοθήκη εδάφους που αναπτύχθηκε προκειμένου να καλύψει τα σημαντικά κενά, όσον αφορά τη διαθεσιμότητα των δεδομένων, στα Βαλκάνια, τη Μέση Ανατολή και την περιοχή της Βόρειας Αφρικής. Στη συνέχεια, λαμβάνοντας υπόψη ότι τα μοντέλα βαθιάς μάθησης έχουν επιφέρει σημαντικά βήματα προόδου στον τομέα της παρατήρησης της Γης, προτείνεται η αξιοποίηση ενός συνόλου συνελικτικών νευρωνικών δικτύων. Οι προτεινόμενες προσεγγίσεις που βασίζονται σε τεχνικές βαθιάς μάθησης παρουσιάζουν συγκεκριμένα πλεονεκτήματα σε σχέση με τους αλγόριθμους μηχανικής μάθησης, καθώς είναι σε θέση να συνδυάζουν τις συμπληρωματικές πληροφορίες που περιέχονται στις τιμές των φασματικών δεδομένων και εκείνων που προέρχοναι από ραντάρ, καθώς και εκείνων που αντιπροσωπεύουν τη χωρική πληροφορία. Επιπλέον, τα μοντέλα βαθιάς μάθησης έχουν αναπτυχθεί με τρόπο που επιτρέπουν έναν βαθμό ερμηνείας προκειμένου καθίσταται δυνατή η εξήγηση της συλλογιστικής τους διαδικασίας.