A methodology for the identification and ML-based anomaly detection of human activity in the arctic region based on satellite pollution data

The Arctic area is vital to Europe for geopolitical, economic, security, and environmental reasons. New economic possibilities are developing as a result of the rapid decline in ice cover, such as new trade routes and access to natural resources. Indeed, as the Arctic becomes more accessible, rivalry for control of the region grows. For this reason, there is a growing demand for Europe to increase its situational awareness in the region. The objective of ARCOS is to design and implement a platform system, services, and products in support of superior monitoring of the Arctic Region. ARCOS project defines three different scales and with different levels of user interaction, and the time span in which the thesis was conducted falls within the definition of ARCOS Level 1. That is, the integration of space data sources for the observation of abnormal behaviors with automatic analytics extraction and AI techniques. Our thesis focuses on the development of a methodology for monitoring established in-land human activities using pollution satellite data. Copernicus Sentinel-5P (TROPOMI) is the satellite data imagery source for remote pollution sensing on which the entire project is based. The image processing phase has taken a significant amount of effort since it was crucial to extract useful and correct information for pollution source identification and time-series analysis. Starting from the assumption that we do not know where human activities are in advance, we have developed a method for top-down detection of pollution sources in areas of interest. During our work, we have developed a Gaussian reconstruction of the emissions (GROTE) method to estimate the emissions by analyzing pollution. Once the data has been processed, we use the processed data to train a time-series machine learning method and generate data on expected pollution emissions for each identified location. Finally, our service can be integrated into the ARCOS project and raise an alert if the difference between the forecast value and the actual value exceeds the reference baseline for determining whether the pollution emissions value falls into the category of "usual" or "anomalous" behavior.

La regione Artica è cruciale per l’Europa per ragioni geopolitiche, economiche, di sicurezza e ambientali. Come risultato del rapido declino della copertura dei ghiacci, nuove possibilità economiche si stanno sviluppando, ad esempio nuove rotte commerciali e accesso alle risorse naturali. Infatti, la crescita della rivalità per il controllo della regione è direttamente proporzionale con il livello accessibilità dell’Artico. Considerando le problematiche appena descritte, c’è una crescente esigenza da parte dell’Europa di aumentare il monitoraggio di ciò che avviene nella regione. L’obiettivo di ARCOS è quello di progettare e implementare una piattaforma di servizi e prodotti a sostegno di un estensivo monitoraggio della regione Artica. Il progetto ARCOS prevede tre differenti livelli di interazione con gli utenti e l’arco di tempo in cui la tesi è stata condotta rientra nella definizione del Livello 1 di ARCOS. Quest’ultimo consiste nell’integrazione di fonti di dati spaziali per due finalità: l’osservazione di attività anomale e condurre analisi automatiche. La nostra tesi si concentra sullo sviluppo di una metodologia per il monitoraggio delle attività umane presenti sul territorio Artico utilizzando dati satellitari di inquinamento. L’intero progetto si basa sull’utilizzo di dati provenienti dal telerilevamento dell’inquinamento tramite Copernicus Sentinel-5P (TROPOMI). Prima di poter essere utilizzate per l’identificazione delle fonti di inquinamento e l’analisi delle serie temporali, le immagini devono essere elaborate, processo fondamentale per poter correttamente estrarre informazioni utili per i nostri scopi. Abbiamo quindi sviluppato un metodo per il rilevamento top-down delle fonti di inquinamento nelle aree di interesse, partendo dal presupposto di non aver conoscenza a priori della posizione di attività umane. Dopodichè, durante il nostro lavoro, abbiamo sviluppato un metodo di ricostruzione Gaussiana delle emissioni di inquinamento (chiamata GROTE) per stimare le emissioni analizzando le scie di inquinanti trasportate dal vento. Una volta che i dati sono stati elaborati e processati, vengono utilizzati per fare il "training" di un modello di machine learning per serie temporali. I risultati del modello vengono confrontati con i valori rilevati per determinare se le emissioni rientrano nella categoria di situazione "abituale" o "anomala". Infine, il nostro servizio potrà essere integrato come componente nel progetto ARCOS che potrà servirsene per avere informazioni sui valori di inquinamento previsti/reali, e in caso lanciare un allarme.