Мы - сила Природы. Люди изменили поверхность Земли по своей прихоти.
Изменения, которые раньше происходили естественным образом в течение сотен, даже тысяч лет, теперь могут перевернуться в течение нескольких недель.
Один из способов, которым мы пытались отслеживать эту неустанную переделку нашей планеты, - это карта наземного покрова. Исследователи сделают аэрофотосъемку или спутниковые снимки и классифицируют сцену ниже. Где луга и леса, дороги и здания, что такое вода и что такое снег или лед? Такие карты говорят нам, где находятся ресурсы, и помогают управлять ими. Они помогают городскому планированию, оценивают урожайность культур, анализируют риски наводнений и отслеживают влияние на биоразнообразие - список бесконечен.
Задача состоит в том, чтобы сдержать поток новых данных, которые грозят сделать любую карту растительного покрова устаревшей в тот момент, когда она будет выпущена.
Именно поэтому исследователи все чаще обращаются к инструментам искусственного интеллекта (ИИ).
Возьмем, к примеру , выход на этой неделе Living Atlas от американской компании Esri, ведущего производителя программного обеспечения для геоинформационных систем (ГИС).
Esri подготовила глобальную карту растительного покрова на 2020 год, составленную на основе снимков, полученных спутниковой группировкой Sentinel-2 Европейского союза.
Это пара космических аппаратов на орбите, которые непрерывно фотографируют поверхность Земли с разрешением 10 м (размер каждого пикселя на изображении). Терабайты данных падают каждый день.
Армия исследователей будет бороться, чтобы полностью охарактеризовать содержимое всех этих пикселей, но машина может сделать это - и быстро.
"В типичном рабочем процессе карта почвенно-растительного покрова 2020 года, вероятно, не выйдет до середины или конца этого года, потому что для этого требуется столько времени на обработку, столько работы по проверке и валидации", - пояснил Шон Брейер, управляющий программой Esri "Живой атлас мира".
"Но мы разработали процесс - с нашими партнерами Impact Observatory - который использует подход искусственного интеллекта. На вычисление всего земного покрова планеты ушло меньше недели. Это привносит совершенно новое измерение в картографирование почвенного покрова, которое говорит о том, что мы потенциально можем делать картографирование почвенного покрова еженедельно или даже ежедневно для целевых районов", - сказал он Би-би-си Ньюс.
Техническая фирма Impact Observatory разработала свою модель классификации земель ИИ, используя обучающий набор данных из пяти миллиардов пикселей изображения, помеченных человеком. Затем эта модель была передана коллекции сцен Sentinel-2 2020 для классификации, обработки более 400 000 наблюдений Земли для получения окончательной карты.
"Итак, у нас были эксперты, которые маркировали эти изображения, а затем, подобно тому, как ребенок учится, мы передавали информацию модели", - сказала доктор Кейтлин Контгис, руководитель отдела науки и машинного обучения в Impact Observatory.
"С большим количеством итераций и большей информацией модель изучает эти шаблоны. Поэтому, если он видит лед в одном месте, он может найти лед в другом месте.
Карта растительного покрова Living Atlas Sentinel-2 2020, созданная при содействии Microsoft, является открытым исходным кодом. Любой может играть с ним. Взгляните на свою домашнюю область и посмотрите, насколько хорошо, по вашему мнению, модель справилась с измерением различных типов поверхности.
"Если вы посмотрите на некоторые продукты с разрешением 30 метров, то увидите, что они пропускают множество небольших городских районов-маленькие графства, коллекции из четырех или пяти зданий как часть фермерской единицы. Но при разрешении 10 м, я думаю, мы собираем большинство из них", - сказал Шон Брейер.
Над нашими головами стремительно растет популяция спутников. Они не только получают более четкое представление о вещах (разрешение ниже 1 м-это новое поле битвы), но и тип информации, которую они возвращают, становится богаче. Больше длин волн, больше цветов; и одни и те же сцены наблюдаются несколько раз в день в поисках изменений.
Будь то отслеживание вырубки лесов или зондирование газовых шлейфов из вулканов - эта щедрость знаний становится все больше и больше. Но это ничего не значит, если мы не можем полностью использовать данные. Решения для машинного обучения-это единственный способ приблизиться к тому, чтобы оставаться на вершине всего этого.