Viime aikoina metsätuhoalueiden tunnistamista on yritetty ratkaista satelliittien avulla. Maapallon kiertoradalla on paljon satelliitteja, jotka kuvaavat maan pintaa erilaisilla sensoreilla. Elokuvista ja uutisista tuttujen salaisten vakoilusatelliittien lisäksi maata kiertää myös kansallisia ja kaupallisia satelliitteja, joiden kuvaama data on kenen tahansa hyödynnettävissä. Osassa näistä satelliiteista kuvattu data on jopa avointa, eli se on käytettävissä ilmaiseksi. Tällaisia satelliitteja ovat Euroopan avaruusjärjestön Sentinel-1 satelliitit, joiden kuvaama data on ilmaista ja kenen tahansa käytettävissä. Näitä satelliitteja hyödynnettiin Jamkin Tieto tuottamaan -hankkeessa, jossa yhtenä aiheena tutkittiin satelliittien tuottaman datan käyttöä automaattiseen metsien myrskytuhoalueiden tunnistamiseen tekoälyn avulla.
Edellä mainitut Sentinel-1 satelliitit ovat siitä poikkeuksellisia, että ne eivät kuvaa maata näkyvän valon aallonpituuksilla, eli ne eivät toimi tavallisten kameroiden tapaan. Sen sijaan nämä kyseiset satelliitit toimivat tutkan aallonpituuksilla, jolloin satelliitti lähettää maan pintaan radioaallon, jonka heijastuksesta se muodostaa kuvan. Kaikki satelliitit eivät kuitenkaan toimi näin, vaan maata kiertää paljon myös normaaleja optisia satelliitteja, jotka toimivat normaalin kameran tapaan kuvaten näkyviä aallonpituuksia. Sää ja valaisuolosuhteet ovat kuitenkin näiden satelliittien kohdalla toimintaa rajoittavia tekijöitä. Optiset satelliitit eivät näe maapallon öiseltä puolelta kuin ihmisasutuksen valaistukset. Myös pilvipeite peittää optisten satelliittien näkyvyyden, joten pilviolosuhteista riippuen joidenkin paikkojen kuvaamisaikojen välillä voi olla pitkiäkin aikavälejä. Oikeiden kuvausolosuhteiden odottaminen voi aiheuttaa turhaa viivettä myrskytuhojen löytämiseen, jos niiden tunnistamiseen hyödynnetään optisia satelliitteja. Näitä ongelmia ei ole kuitenkaan tutkasatelliiteissa, koska ne eivät ole riippuvaisia valaistusolosuhteista, vaan ne voivat toimia myös yöaikaan. Sen lisäksi satelliitin lähettämä radiosignaali läpäisee pilvipeitteen mahdollistaen myrskytuhojen etsimisen myös pilvisellä säällä.
Simuloitu kuva voidaan ymmärtää mallin näkemyksenä siitä, miltä paikan pitäisi näyttää myrskyn jälkeen otetuissa kuvausolosuhteissa.
Tutkasatelliiteissa on kuitenkin myös huonot puolensa, jotka hankaloittavat niiden käyttöä myrskytuhojen tunnistukseen. Niiden resoluutio, eli tuotettujen kuvien erottelukyky, on huomattavasti optisia satelliitteja huonompi. Sen lisäksi tutkasatelliittien ottamat kuvat sisältävät tutkakuvausmenetelmän aiheuttamaa häiriötä, joka ilmenee kuvissa rakeisena kuvanlaatuna. Näiden ongelmien lisäksi tutkakuvausmenetelmän tutkasignaalin takaisinheijastuksen voimakkuuteen vaikuttaa kuvausajan olosuhteet, kuten maan kosteus. Tämä hankaloittaa kuvien hyödyntämistä myrskytuhojen tunnistamiseen, koska tähän sovelletaan usein muutoksentunnistusalgoritmeja. Tällaiset algoritmit vertaavat kahta kuvaa keskenään, joista toinen on otettu ennen myrskyä ja toinen sen jälkeen. Kohdat, joissa kuvat eroavat keskenään, voidaan olettaa olevan muutoksia, jotka mahdollisesti merkitsevät myrskyn aiheuttamia kaatuneita puita, jos nämä kohdat osuvat metsäalueille. Koska kuvausolosuhteet vaikuttavat tutkasatelliittien takaisinheijastuksen voimakkuuteen, niin eri kuvausolosuhteissa otetut kuvat voivat näyttää erilaisilta, vaikka kuvien välillä ei ole tapahtunut todellisia muutoksia muuta kuin maan kosteusprosentin muutos. Kaikki muutoksentunnistusalgoritmit eivät kuitenkaan osaa eritellä tällaisia muutoksia todellisista muutoksista, joten tutkasatelliitteihin perustuvat myrskytuhojen tunnistusmenetelmät ovat virheherkkiä.
Jamkin Tieto tuottamaan -hankkeessa yhtenä toimeksiantona oli yrittää parantaa tutkasatelliittien toimintavarmuutta myrskytuhojen tunnistukseen. Hankkeen aikana kehitettiin menetelmä, jolla tutkasatelliittikuvien yhteensopivuutta parannettiin olemassa olevien muutoksentunnistusmenetelmien kanssa. Menetelmässä hyödynnettiin syväoppimista ja se perustui neuroverkkomalliin, joka opetettiin luomaan simuloituja tutkasatelliittikuvia halutuissa kuvausolosuhteissa. Mallin toiminta perustuu siihen, että sen sisääntulona on satelliitin aikaisemmin ottamia kuvia halutusta paikasta ja simuloidun kuvan halutut kuvausolosuhteet. Perustuen sisääntulona annettuihin kuviin, malli antaa ulostulona simuloidun tutkasatelliittikuvan paikasta ottaen huomioon sisääntuloparametreina annetut simuloidun kuvan kuvausolosuhteet. Menetelmä parantaa tutkasatelliittikuvien ja muutoksentunnistusalgoritmien yhteensopivuutta, koska mallin avulla voidaan luoda simuloituja kuvia myrskyn jälkeen otetun kuvan kuvausolosuhteissa, kuitenkin niin, että kuvan tekevällä mallilla on näkyvyys vain myrskyä edeltävään aikaan. Koska mallin sisääntulona annettavissa kuvissa on mukana vain ennen myrskyä otettuja kuvia, niin simuloitu kuva voidaan ymmärtää mallin näkemyksenä siitä, miltä paikan pitäisi näyttää myrskyn jälkeen otetuissa kuvausolosuhteissa, jos myrsky ei ole aiheuttanut mitään tuhoa paikalle. Jos todellisessa myrskyn jälkeen otetussa kuvassa on kuitenkin myrskytuhoja, niin nämä alueet pitäisivät näkyä selkeinä eroina simuloidun kuvan ja todellisen kuvan välillä. Simuloidun kuvan ja todellisen kuvan välillä ei ole kuitenkaan suuria kuvausolosuhteista johtuvia eroja, koska simuloitu kuva on mallinnettu samoihin kuvausolosuhteisiin todellisen kuvan kanssa.
Koska myrskyjen aiheuttamista metsätuhoista ei ole olemassa olevia aineistoja, joissa myrskyjen aiheuttamat metsätuhoalueet olisivat selvästi merkittynä, niin menetelmää pystyttiin testaamaan vain simuloituihin myrskytuhoihin. Tätä varten hankkeen aikana luotiin aineisto, joka sisälsi syväoppimismallin opettamiseen vaadittavat satelliittikuvat, sekä sen toiminnan testaamiseen vaaditut simuloidut muutokset. Aineisto julkaistiin avoimesti kenen tahansa käytettäväksi (Jamk University of Applied Sciences, 2023). Myös hankkeen aikana kehitetty ohjelmistokoodi on avoimesti saatavilla osoitteesta https://github.com/janne-alatalo/sar-change-detection. Menetelmä todettiin toimivaksi, ja siitä kirjoitettiin artikkeli tieteelliseen IEEE Transactions on Geoscience and Remote Sensing lehteen (Alatalo ym., 2023). Artikkeli on luettavissa avoimesti linkistä https://doi.org/10.1109/TGRS.2023.3324994
Tutkimus toteutettiin pääosin Euroopan aluekehitysrahaston rahoittamassa Tieto tuottamaan -hankkeessa (projektinumero A76982). Tutkimusta tukivat myös REACT-EU-välineen määrärahoista (osana Euroopan unionin COVID-19-pandemian johdosta toteuttamia toimia) coADDVA-hanke (projektinumero A77973) sekä Euroopan aluekehitysrahaston ja Oikeudenmukaisen siirtymän rahaston rahoittama Finnish Future Farm -hanke (projektinumero J10075).