Pamiętam tego doktoranta. Przyszedł do mnie zafascynowany, oczy mu błyszczały. Pokazał mi serię przepięknych, kolorowych map wylesiania Amazonii, które wygenerował na podstawie danych z satelity. „Panie profesorze, mam to!” – powiedział. „Widać dokładnie, gdzie i o ile cofnął się las w ciągu ostatnich pięciu lat”.
A ja, zamiast podzielić jego entuzjazm, zadałem mu jedno, proste pytanie: „A zrobiłeś korekcję atmosferyczną?”.
Jego mina mówiła wszystko. Nie zrobił. I w tym jednym momencie jego piękne mapy, owoc tygodni pracy, stały się w dużej mierze bezwartościowe. To brutalne, wiem. Ale taka jest prawda o pracy z danymi satelitarnymi. I to jest najważniejsza lekcja, jaką musi odrobić każdy, kto chce na ich podstawie zbudować swój doktorat.
To nie jest zdjęcie z drona, kolego
Większość ludzi myśli, że obraz satelitarny to po prostu zdjęcie zrobione z bardzo, bardzo wysoka. To pułapka, w którą wpadają nawet początkujący badacze. Myślą, że wystarczy pobrać dwa obrazy z tego samego miejsca, zrobione w odstępie roku, położyć je obok siebie i porównać. Nic bardziej mylnego.
Bo musisz zrozumieć jedno: surowy obraz satelitarny to nie jest gotowe zdjęcie. To skomplikowany pomiar fizyczny – zapis tego, ile promieniowania odbiło się od powierzchni Ziemi i dotarło do sensora na orbicie. Porównywanie takich surowych danych to jak porównywanie wagi dwóch osób, zapominając, że jedna była ważona w zimowym płaszczu i ciężkich butach, a druga boso, w stroju kąpielowym. Wynik będzie kompletnie bez sensu.
Brudna robota, czyli przedzieranie się przez atmosferyczną zupę
Zanim w ogóle zaczniesz myśleć o analizie, musisz swoje dane „wyczyścić”. A największym brudem jest atmosfera. Para wodna, pyły, dym, delikatna mgiełka – to wszystko działa jak brudna szyba, przez którą patrzy satelita. Fałszuje kolory, zniekształca wartości. Ten proces usuwania wpływu atmosfery nazywa się korekcją atmosferyczną. I to jest twoja pierwsza, absolutnie kluczowa bitwa.
Dlaczego to tak cholernie ważne? Wróćmy do mojego doktoranta i jego map wylesiania. Pierwszy obraz był zrobiony w pogodny, suchy dzień. Drugi – pięć lat później, w dzień z lekką, ledwo widoczną mgłą. Bez korekcji algorytm widział, że w drugim obrazie las jest „mniej zielony” i „ciemniejszy”. I zinterpretował to jako wylesianie. A to była po prostu cholerna mgła.
AI może ci pomóc zautomatyzować ten proces. Ale to ty musisz zdecydować, który model korekcji wybrać. Innego użyjesz nad Saharą, a innego nad uprzemysłowioną Europą. AI tego za ciebie nie wymyśli.
A teraz idź w teren i sprawdź, czy nie zmyślasz
No dobrze, masz już czyste dane. Uruchomiłeś algorytm i wygenerowałeś mapę. Wygląda pięknie. Czy to koniec? Nie, to dopiero początek. Teraz musisz zrobić coś, o czym wielu woli zapomnieć. Musisz wyjść zza biurka i sprawdzić, czy twoja mapa nie jest po prostu zbiorem kolorowych kłamstw. Ten proces nazywa się walidacją.
Bez walidacji twoja piękna mapa jest tylko hipotezą, a nie dowodem naukowym. To jakby detektyw ogłosił, kto jest mordercą, nie sprawdzając odcisków palców. W renomowanym czasopiśmie nie opublikujesz dziś pracy bez oceny dokładności. Musisz pokazać, w ilu procentach twoja mapa zgadza się z „prawdą naziemną”. A co to jest ta prawda naziemna?
- Robisz mapę wylesiania? Porównaj ją ze zdjęciami lotniczymi o wysokiej rozdzielczości albo idź w teren z GPS-em.
- Badzasz topnienie lodowca? Porównaj swoje wyniki z pomiarami glacjologów, którzy fizycznie byli na miejscu.
- Oceniasz skutki suszy? Sprawdź, czy twoje dane pokrywają się z pomiarami z naziemnych stacji wilgotności gleby.
AI może ci pomóc wygenerować punkty do sprawdzenia. Ale to ty musisz zaprojektować całą strategię. To ty musisz wiedzieć, gdzie i jak szukać dowodów.
AI widzi kropki, ty widzisz obraz
I tu dochodzimy do sedna. Do momentu, w którym kończy się rzemiosło, a zaczyna prawdziwa nauka. Interpretacja.
Masz już czystą, zwalidowaną mapę, która pokazuje, że na jakimś obszarze spadła wartość wskaźnika roślinności (NDVI). Co to oznacza?
- Dla automatu odpowiedź jest prosta: mniej zielonego. Koniec analizy.
- Dla ciebie, naukowca, to dopiero początek pytań. Czy to susza? Atak szkodników? A może skutek pożaru sprzed roku? Może rolnicy zmienili rodzaj upraw? A może to po prostu cień rzucany przez chmurę, której nie wyłapał algorytm maskujący?
AI jest genialna w znajdowaniu korelacji. Może połączyć spadek „zieloności” z niskimi opadami. Ale to ty musisz zbudować z tego historię przyczynowo-skutkową. Wyjaśnić, dlaczego tak się stało i co z tego wynika. AI dostarcza kropki. Ale to człowiek łączy je w obraz.
Nie zrozumcie mnie źle. AI to potężne narzędzie. Zmienia naszą pracę. Ale jest tylko narzędziem. Młotkiem w rękach cieśli. Twoja praca doktorska to nie jest ćwiczenie z obsługi młotka. To egzamin z tego, czy potrafisz zaprojektować i zbudować dom. Twój umysł, twoja ciekawość i twoje krytyczne myślenie – to jest najważniejszy instrument. I żaden algorytm go nie zastąpi.