【技术融合】人工智能（AI）和卫星成像

人工智能（AI）在卫星图像上已经使用了多年，AI和机器学习（ML）在地球观测（EO）数据上的应用是一个巨大的增长领域，许多在线竞赛、GitHub存储库和专门基于此主题的业务都证明了这一点。

AI即“能够执行通常需要人类智能的任务的系统”，AI多年来已经可以解决图像解释中最严峻的挑战。

第一个自动车牌识别系统于1970年在英国投入使用。1985年的论文描述了根据SAR图像进行自动3D表面重建的方法。从我从事空间数据分析的最初几天开始，现成的软件中就可以使用AI支持的正射校正和3D表面重建。以前，这些功能需要操作员的视觉感知，但是已经自动化并由计算机复制。那么，发生了什么变化？

基本要求是系统可以应对卫星图像的不断变化的性质。卫星数据需要先进行预处理，算法必须自动应对。这绝非易事，其照明、视角、季节、大气条件、电磁等特性不断变化。以前，这种方法已经发生了变化，但通常包括模拟物理现实的建模方法。现在，我们可以在ML系统上抛出许多数据集示例，直到其收敛于始终有效的解决方案上。例如，硬编码系统曾经遇到过冰雪覆盖的图像而失败的情况，因此必须为该场景创建一个新的规则集，而该规则集本身会遇到“异常”。这使分析变得困难。

可以使用AI大规模执行非常简单的任务，使其自动化。矫正或3D表面重建使用计算机可以快速进行数十亿摄影测量。这些任务的规模巨大以至于几乎无法手动执行。人们擅长从图像中提取语义，而不是作精确的度量，这正是AI取得了巨大进步的地方。训练有素的眼睛几乎不会在任何国家（无论是土路还是10车道的高速公路）中识别卫星图像中的道路。以前，我们必须使用诸如几何形状和尺寸之类的特征来构建复杂的过程链，而这些特征在定义不明确的道路时会遇到麻烦。现在，使用神经网络，我们可以在任何地方的任何图像中可靠地找到道路。语义深度可以更进一步，例如，在灾难发生后自动查找哪些道路被碎石阻塞。以前，这将需要对卫星图像进行良好的地理位置定位和易于出错的变化检测。现在，人工智能可以通过查看单个图像来做到这一点，就像人类可以做到的那样。

在此基础上，神经网络中最强大的最新发展之一就是自动编码器。令人着迷的是，它们获取数据，产生降维表示，然后以其他形式重新创建。这种简单的应用程序可以智能地消除图像中的噪声，复杂的版本可以填充图像中的缺失数据，甚至可以通过稀疏输入生成逼真的卫星图像。一个流行的例子是从卫星图像生成合理的Google风格地图，解释所有建筑物和道路，并将其重新绘制为样式地图元素。

机器学习还可以分析图像的复杂自然和内置环境方面。一个高度相关的主题是可见波长卫星图像中的云。这些细腻、可变、不透明、透明、移动的云在任何地方都可以出现，并且可以随时出现！以前，解决方案是使用能很好的区分云层和地形的热传感器。但这从航天器的角度来看非常昂贵。或者，我们可以将明亮的白色目标划掉，但这会导致所有明亮的目标（包括屋顶和雪）被错误地分类为云。但是，借助新的神经网络结构，人工智能可以在几秒钟内发现大量图像上的云层。即使在云很薄的地方，它们也可以工作。

人工智能还允许我们在源头附近实施数据处理。您的智能手机拥有比启动第一个Apollo任务强大的功能。在开始将卫星数据处理分布到太空中时，我们正在利用这一优势，使用小型机载ML处理器，我们可以在下行链路之前对航天器做出决策。例如，运行云检测以快速确定我们是否可以通过云中的洞看到或从卫星视频中提取所有移动的对象并仅下载这些对象。这可以极大地帮助处理产生的大量数据。

不同的工具可以达到不同的目的。这些系统的强大功能不仅可以体现于各个工具中，还可以组合使用这些系统，来满足用户的迫切需求。因此，Earth-i的许多工作都集中在创建最有效的方法上。做到这一点的关键是从内部和外部系统中收集数据、管理数据以及将数据提取和转换为可被这些算法吸收的格式。这很重要，因为最新的AI和ML技术需要大量数据，因此需要对大量数据进行培训。我们的系统必须应对挑战。

这一发展的结果是能够应对新挑战并为更广泛的用户提供服务。例如，我们与Marex Spectron合作，为贸易商提供服务，在这些服务中，高级分析意味着不需要任何培训或卫星图像解释，只需将正确的信息流式传输到他们的系统中即可。

AI和EO的未来是有希望的，并且有许多绿色领域需要研究。有机会以新的视角审视旧的挑战。在其他领域，人工智能可以帮助理解非结构化数据，检测表明存在黑客攻击的异常网络活动，甚至可以用来设计卫星结构。EO的新方法可能包括自动学习卫星数据格式、增加卫星自主性、从在线照片中自动推断出有价值的地面“真相”数据、使用AI从不同的数据源中推断出地理位置数据等等。我们只是在探索各种可能性，真正的力量在于组合应用这些工具，以实现明天的解决方案的能力。

科强研究院             科强智库

 请扫码关注，了解更多资讯！