European Commission logo
polski polski
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

RapidAI4EO - Advancing the State-of-the-Art for Rapid and Continuous Land Monitoring

Article Category

Article available in the following languages:

Sztuczna inteligencja obserwuje nasze ślady na Ziemi

Dzięki połączeniu najnowocześniejszych technologii sztucznej inteligencji i teledetekcji, zespół projektu RapidAI4EO opracował rozwiązania na potrzeby ulepszonych systemów monitorowania gruntów, torując w ten sposób drogę do bardziej zrównoważonej przyszłości.

Zmiana klimatu i środowisko icon Zmiana klimatu i środowisko

Dane z obserwacji Ziemi dostarczają informacji o jej powierzchni, atmosferze i oceanach. Są one zwykle gromadzone ze zróżnicowanych źródeł i platform przy użyciu technologii teledetekcji, takich jak satelity, samoloty, drony i czujniki naziemne. Dane te odgrywają kluczową rolę w poznawaniu i monitorowaniu środowiska Ziemi, pogody, zmian klimatu i użytkowania gruntów. Aby zrealizować Cele Zrównoważonego Rozwoju przyjęte przez Organizację Narodów Zjednoczonych i zapewnić wszystkim lepszą i zrównoważoną przyszłość, potrzebne są dokładniejsze pomiary wskaźników środowiskowych, w tym użytkowania gruntów i pokrycia terenu. Rozdzielczość przestrzenna i częstotliwość czasowa tych pomiarów mają kluczowe znaczenie dla wykrywania zmian, które dają kompleksowy obraz działań zmieniających powierzchnię naszej planety, takich jak rozwój miast i wylesianie.

Wykorzystanie sztucznej inteligencji do mapowania pokrycia terenu i użytkowania gruntów

Aby usprawnić procesy monitorowania i zrozumieć nasz wpływ na planetę, finansowany przez UE projekt RapidAI4EO połączył teledetekcję z postępami w dziedzinie sztucznej inteligencji. Celem prac było zautomatyzowanie procesu mapowania aktualizacji pokrycia terenu w celu szybkiego uzyskiwania informacji, a tym samym pomoc w skutecznym zarządzaniu środowiskiem i w zrównoważonym rozwoju. „Naszym celem było zapewnienie rozwiązań do ciągłej obserwacji i mapowania, aby lepiej przygotować się na potencjalne konsekwencje działalności człowieka dla planety i jej klimatu”, wyjaśnia Annett Wania, przedstawicielka Planet Labs i koordynatorka techniczna projektu. Aby umożliwić modelom SI szybkie wykrywanie zmian, należy je przeszkolić przy użyciu sekwencji obrazów wykonanych w krótkich odstępach czasu i danych z różnych czujników. Ze względu na to, że nie istniał dotychczas zbiór danych spełniających wszystkie te wymagania, konsorcjum projektu RapidAI4EO zajęło się opracowaniem korpusu danych RapidAI4EO – zbioru danych treningowych zawierającego zdjęcia satelitarne dla blisko pół miliona lokalizacji rozmieszczonych w całej Europie.

Nowe szczegółowe źródło obrazów terenu

Obrazy wykorzystane do utworzenia zbioru RapidAI4EO zostały dostarczone przez konstelację Copernicus Sentinel-2 oraz uzyskane dzięki komercyjnemu narzędziu Planet Fusion. Zbiór zdjęć satelitarnych RapidAI4EO uszeregowanych czasowo jest najważniejszym rezultatem projektu, który został udostępniony całej społeczności badawczej w ramach narzędzia Source Cooperative opracowanego przez Radiant Earth, służącego do publikowania danych w chmurze. Ten szczegółowy zestaw danych obrazowych zapewnia niespotykane dotychczas możliwości wglądu w przestrzenną i czasową charakterystykę użytkowania gruntów i pokrycia terenu na kontynencie. Jednocześnie jest to nieoceniony zasób do szkolenia algorytmów uczenia maszynowego i głębokiego, wykorzystujący pełny potencjał połączonych źródeł danych. Dzięki multimodalnym obrazom w wielu rozdzielczościach, próbkom z różnych obszarów geograficznych oraz gęstym szeregom czasowym, RapidAI4EO stanowi doskonały wybór do zadań związanych z obserwacją Ziemi. Umożliwiło to naukowcom opracowanie rozwiązań do mapowania pokrycia terenu i wykrywania zmian, które przewyższają rozdzielczość przestrzenną inwentaryzacji pokrycia terenu CORINE nawet 10-20-krotnie i umożliwiają kwartalne aktualizacje.

W kierunku bardziej zintegrowanych rozwiązań w zakresie mapowania terenu

Projekt RapidAI4EO poczynił znaczne postępy w rozwoju metod i prototypów monitorowania terenu, wykorzystując najnowsze trendy w uczeniu maszynowym i strumienie danych z wielu konstelacji satelitarnych. Metody i prototypy opracowane w ramach projektu RapidAI4EO stanowią podstawowe elementy składowe, które można łączyć i integrować w celu tworzenia bardziej wydajnych, ulepszonych i rozwijanych rozwiązań w zakresie mapowania, uwzględniających różnorodne potrzeby i wymagania użytkowników. „Wykorzystując mocne strony każdej z metod i ich wzajemnie uzupełniające się możliwości, możliwe jest opracowanie kompleksowego i solidnego systemu monitorowania terenu, który zapewnia większą dokładność, szybkość działania i skalowalność”, podkreśla Wania. Możliwość ciągłej obserwacji i bieżącego mapowania ma ogromny potencjał, jeśli chodzi o pomoc w rozumieniu i rozwiązywaniu potencjalnych konsekwencji działalności człowieka dla Ziemi i jej klimatu.

Słowa kluczowe

RapidAI4EO, dane z obserwacji Ziemi, zdjęcia satelitarne, użytkowanie gruntów, pokrycie terenu, wykrywanie zmian, sztuczna inteligencja, uczenie maszynowe, uczenie głębokie

Znajdź inne artykuły w tej samej dziedzinie zastosowania