Ландшафты являются значимыми экологическими единицами, которые сильно зависят от условий окружающей среды. Такие зависимости между территорией и окружающей средой отмечались с самого начала наук о Земле, преобразованы в концептуальные модели, описывающие взаимозависимость климата, геологии, растительности и геоморфологии.
Здесь мы спрашиваем, что видно из космоса, можно статистически предсказать на основе соответствующих условий окружающей среды. С этой целью мы адаптировали генеративную модель глубокого обучения в целях установления взаимосвязи между окружающей средой. Мы обучили условия генеративной состязательной сети для получения мультиспектральных снимков с учетом совокупности климатических, рельефных и ландшафтных факторов. Полученные снимки имеют много общих характеристик. Результаты метрики показывают, что предлагаемая генеративная модель создает ландшафты, которые больше похожи на те цели по сравнению с базовыми моделями, в то время как общая отражательная способность с растительным покровом прогнозируются лучше.
Мы демонстрируем, что для многих целей созданные объекты которые ведут себя так же реально, как непосредственные применение в исследованиях глобальных изменений. Применение машинного обучения в качестве инструмента прогнозирование влияния изменения климата на пространственные особенности ландшафтов, далее мы проводим его оценку в переломные моменты.
Теория
Поверхность Земли можно рассматривать как мозаику ландшафтов, они являются материально-физическими объектами, которые составляют структуры природы и экологически значимые единицы, имеющие характерный порядок расположения элементов земли являются результатом длительного взаимодействия абиотических, биотических и антропогенных процессов. Между климатическими, геологическими и антропогенными факторами существует довольно концептуальная связь. Безчисленное множество взаимодействий, процессов происходит с ландшафтом нашей планеты каждый день. Ученым еще только предстоит попытаться спрогнозировать снимки ландшафта, чтоб с помощью статистического метода объединять связь между формирующимися факторами. Целью проекта является реконструкция многоспектральной съемки и двухмерных условий окружающей среды. Кроме того, мы оцениваем использование прогнозирования ландшафтов в качестве инструмента для изучения изменения климата. Изучение Земли в последние десятилетия набирало обороты благодаря использованию географических данных. Полученные с помощью дистанционного зондирования данные, представляют собой отпечаток отраженного от поверхности излучения. Наблюдаемые отражения на определенной длине волны богаты информацией. Снимки можно использовать для диагностики таких характеристик, как тип почвенно-растительного покрова, пространственная структура экосистемы, состояние растительности, доступность воды или антропогенное воздействие. Прогнозирование аэрофотосъемки приближается к прогнозированию пейзажей и их пространственное расположение. На основе спутникового снимка можно выделить многие аспекты высокого уровня ландшафтов, а также экосистемы с существующими инструментами наблюдения Земли, формируются широким спектром компонентов и процессов. Факторы, определяющие расположение, разделенные на в основном независимы и зависимые.
Там, где климат расширен, Гео - это литология и топография, а искусственный интеллект - это антропогенное вмешательство. Поскольку зависимые факторы могут рассматриваться как функция независимых факторов- климат и растительность. Геология как прямые знания не являются строго необходимыми. Кроме того, мы расширили определение климата, включив в него все следующие аспекты метеорологической гидрологии. Механистических или статистических подходов недостаточно, или они касаются только определенных аспектов, к примеру геоморфологических моделей. Достижения в области глубокого обучения позволяют проводить моделирование на основе неконтролируемого контента, т.е. нейронные сети, способные обеспечивать изучение взаимосвязи между пространственными особенностями, присутствующими во входе и выходе из имеющихся данных.
В идеале, эти сети могут учитывать нелинейности, которые наилучшим образом приближают функциональную связь между окружающей средой, создающие реалистичное пространственное и представление ландшафтов. Мы стремимся продемонстрировать, что можно предсказать как виды из космоса, которые ведут себя как реальные для гипотетических условий окружающей среды. Мы попытаться составить карту климатических, топографических и антропогенных факторов с помощью условно-генеративной сети cGAN.
Мы оценим его ограничения и удобство использования в качестве инструмента для исследования в области изменения климата. Одним из основных приложений, предусмотренных для предлагаемого подхода, является прогнозирование изменения климата в рамках будущих климатических прогнозов.
Методы
Генеративные состязательные сети оценивают генеративную модель с помощью состязательного процесса, в котором два нейронных элемента сети обучаются одновременно. Таки топологии, позволяют задавать входные условия в двухмерном пространстве. С помощью пропускной связи между симметричными свернутыми и деконволуальными слоями, условия определяют не только характеристики, которые должны присутствовать на выходе. Генерирующие сети
Для моделирования неопределенности проблемы, мы определяем знания о земле как распределение вероятностей по снимкам. В процессе обучения мы имеем доступ к одному образцу целевых ландшафтов для каждого из них комплекс экологических условий обучает нейронную сеть приближаться к искомой функции возвращаясь к ней. Во время испытания можно было бы использовать несколько образцов для создания различных правдоподобных объектов земли для одного и того же набора условий окружающей среды.
Первый опыт Спутниковые снимки, полученные в апреле 2017 года на спутнике "Сентинел-2", были сопоставлены с 32 экологическими прогнозами, представляющими собой климатические, геологические и искусственные факторы для 94 289 объектов. Набор данных охватывает 10% поверхности Земли. Это 1857 блоков 110 × 110 км случайно распределенных по планете. Каждое место будет единого образца с 256 × 256 пикселей, 32 входных переменных окружения и 4 выходных мультиспектральных переменных.
Первый эксперимент: подход к созданию ландшафтных снимков.
Сначала мы сравниваем пять моделей различной архитектурной сложности: от полностью подключенной сети до подключения системы cGAN. Для этого эксперимента тестовые образцы были рандомными, 80% из которых были использованы для тренировок и 20% для тестирования.
С этим экспериментом мы ожидаем выяснить наблюдается ли значительное улучшение показателей эффективности между предлагаемым подходом cGAN и исходными показателями компьютерного метода обучения. Вторая попытка: получения ландшафтных снимков при проектировании различных пространственных блоков, описание возможных последствий экстраполяции.
Мы обучили cGAN разной сложности и полностью взаимосвязанной модели при различных условиях проектирование пространственных блоков, расположенных близко к поверхности планеты похожи друг на друга. Мы разделили эксперимент в 3 экспериментальных метода:
- полная рандомизация тестовых, тренировочных комплектов в качестве исходной линии;
- блок проект, в котором места проведения испытаний должны находиться на расстоянии не менее 100 км от ближайшего учебного образца;
- обработка рельефа Северной и Южной Америки предсказываются по модели, подготовленной исключительно для Азии, Африки, Европы.
Мы надеемся, что сможем измерить негативные последствия, которые могут возникнуть при экстраполяции и следовательно, комбинировать условия ввода, которые никогда не наблюдались во время тренировок. Наряду с первым опытом, в качестве исходной линии была подготовлена полностью взаимосвязанная модель, не имеющая пространственного контекста. Кроме того, были обучены еще две модели cGAN, чтобы сравнить не менее сложные модели.
продолжение в следующей статье.