NMBU ATHIL-prosjektet utvikler ny tilnærming til tropisk dendroklimatologi i Afrika; Forbedret deteksjon av tropisk klimaproksisignaler

NMBU ATHIL-prosjektet utvikler ny tilnærming til tropisk dendroklimatologi i Afrika; Forbedret deteksjon av tropisk klimaproksisignaler

En ny tilnærming til tropisk dendroklimatologi ved bruk av hyperspektrale bilder og dyp læring (ATHIL) | NMBU

Vi kombinerer hyperspektrale bilder og kunstig intelligens for å hente ut skjulte klimasignaler fra tropiske årringer. Slik vil vi styrke kunnskapsgrunnlaget i regioner hvor klimadata fortsatt er en mangelvare.

Human Frontier Science Program (HFSP)

Fakultet for miljøvitenskap og naturforvaltning (MINA)

Bakgrunn Dendroklimatologi, vitenskapen om å hente ut klimahistorikk fra trærs årringer, spiller en kritisk rolle i klimaforskningen. Fagfeltet har vært mye brukt i tempererte og boreale regioner, der tydelige årlige variasjoner i temperatur og lysforhold resulterer i tydelige årringer. I tropiske områder har anvendelsen derimot vært begrenset, fordi dannelsen av årringer hos mange tropiske treslag ofte er kompleks og mindre tydelig. Dette skyldes liten sesongvariasjon i klimaet og store variasjoner innenfor sesongene. Som et resultat er langtids paleoklimatiske dataserier i tropiske land, særlig i Afrika, fortsatt sparsomme, noe som gjør afrikansk klimaforskning til en av de minst utviklede globalt. Samtidig representerer årringer en av de mest tilgjengelige klimaproksikildene på kontinentet, noe som understreker det presserende behovet for forbedrede metoder og teknologier for å oppdage og karakterisere tropiske årringer. Hyperspektrale bilder (HSI) er en lovende løsning på denne utfordringen. HSI muliggjør detaljert karakterisering av fysiske og kjemiske egenskaper i materialer på molekylært nivå ved å samle store mengder spektral informasjon med romlig oppløsning. Kombinert med dyp læring (DL), som automatisk kan identifisere komplekse mønstre og trekk i store bildedatasett, har HSI et stort potensial til å transformere forskningen innen tropisk dendroklimatologi.

Dendroklimatologi, vitenskapen om å hente ut klimahistorikk fra trærs årringer, spiller en kritisk rolle i klimaforskningen. Fagfeltet har vært mye brukt i tempererte og boreale regioner, der tydelige årlige variasjoner i temperatur og lysforhold resulterer i tydelige årringer. I tropiske områder har anvendelsen derimot vært begrenset, fordi dannelsen av årringer hos mange tropiske treslag ofte er kompleks og mindre tydelig. Dette skyldes liten sesongvariasjon i klimaet og store variasjoner innenfor sesongene.

Som et resultat er langtids paleoklimatiske dataserier i tropiske land, særlig i Afrika, fortsatt sparsomme, noe som gjør afrikansk klimaforskning til en av de minst utviklede globalt. Samtidig representerer årringer en av de mest tilgjengelige klimaproksikildene på kontinentet, noe som understreker det presserende behovet for forbedrede metoder og teknologier for å oppdage og karakterisere tropiske årringer.

Hyperspektrale bilder (HSI) er en lovende løsning på denne utfordringen. HSI muliggjør detaljert karakterisering av fysiske og kjemiske egenskaper i materialer på molekylært nivå ved å samle store mengder spektral informasjon med romlig oppløsning. Kombinert med dyp læring (DL), som automatisk kan identifisere komplekse mønstre og trekk i store bildedatasett, har HSI et stort potensial til å transformere forskningen innen tropisk dendroklimatologi.

Mål Det overordnede målet med ATHIL-prosjektet er å utvikle og teste en ny tilnærming til tropisk dendroklimatologi ved å kombinere hyperspektrale bilder (HSI), dyp læring (DL) og avansert multivariat dataanalyse for å forbedre deteksjon og karakterisering av klimaproksisignaler i tropiske årringer. For å nå dette målet vil prosjektet: Utvikle og optimalisere hyperspektrale avbildningsmetoder for analyse av årringer ved å utforske ulike HSI-systemer, prøvetakingsmetoder, instrumentoppsett og lysforhold egnet for å oppdage og karakterisere årringer i forskjellige treslag. Anvende dyp læring og avanserte databehandlingsteknikker for automatisk å hente ut meningsfulle spektrale signaturer og komplekse mønstre fra hyperspektrale datasett. Vurdere potensialet til HSI for å oppdage og skille mellom individuelle årringer i utvalgte tropiske treslag. Evaluere HSI sin evne til å karakterisere fysiske egenskaper ved årringer som er knyttet til klimavariasjon. Undersøke om HSI kan identifisere, klassifisere og kvantifisere den kjemiske sammensetningen av årringer som mulige indikasjoner på klima. Teste anvendeligheten av bærbare hyperspektrale systemer for feltbasert analyse av treprøver.

Det overordnede målet med ATHIL-prosjektet er å utvikle og teste en ny tilnærming til tropisk dendroklimatologi ved å kombinere hyperspektrale bilder (HSI), dyp læring (DL) og avansert multivariat dataanalyse for å forbedre deteksjon og karakterisering av klimaproksisignaler i tropiske årringer.

For å nå dette målet vil prosjektet:

Utvikle og optimalisere hyperspektrale avbildningsmetoder for analyse av årringer ved å utforske ulike HSI-systemer, prøvetakingsmetoder, instrumentoppsett og lysforhold egnet for å oppdage og karakterisere årringer i forskjellige treslag.

Anvende dyp læring og avanserte databehandlingsteknikker for automatisk å hente ut meningsfulle spektrale signaturer og komplekse mønstre fra hyperspektrale datasett.

Vurdere potensialet til HSI for å oppdage og skille mellom individuelle årringer i utvalgte tropiske treslag.

Evaluere HSI sin evne til å karakterisere fysiske egenskaper ved årringer som er knyttet til klimavariasjon.

Undersøke om HSI kan identifisere, klassifisere og kvantifisere den kjemiske sammensetningen av årringer som mulige indikasjoner på klima.

Teste anvendeligheten av bærbare hyperspektrale systemer for feltbasert analyse av treprøver.

Partnere Mekelle Universitet i Etiopia er partner i prosjektet.

Mekelle Universitet i Etiopia er partner i prosjektet.