Sztuczna inteligencja mapuje góry lodowe 10 000 razy szybciej niż ludzie
W przełomowym odkryciu naukowcy z Uniwersytetu w Leeds zaprezentowali sieć neuronową, która może szybko i dokładnie wykreślić rozległe góry lodowe Antarktydy na zdjęciach satelitarnych, wykonując to zadanie w zaledwie 0,01 sekundy. To nowatorskie podejście wyraźnie kontrastuje z pracochłonnymi i czasochłonnymi ręcznymi wysiłkami wymaganymi wcześniej. Anne Braakmann-Folgmann, główna autorka wyników opublikowanych dziś w The Cryosphere, prowadziła swoje badania podczas studiów doktoranckich na Uniwersytecie w Leeds w Wielkiej Brytanii. Obecnie pracuje na Norweskim Uniwersytecie Arktycznym w Troms?, podkreślając znaczenie dużych gór lodowych w środowisku Antarktydy. "Olbrzymie góry lodowe są ważnymi elementami środowiska Antarktydy. Wpływają na fizykę oceanów, chemię, biologię i oczywiście operacje morskie. Dlatego kluczowe jest zlokalizowanie gór lodowych i monitorowanie ich zasięgu, aby określić ilościowo, ile wody topniejącej uwalniają do oceanu". Dostarczając obrazy gór lodowych niezależnie od zachmurzenia i braku światła dziennego, misja radarowa Copernicus Sentinel-1 odgrywa kluczową rolę w innowacyjnym podejściu polegającym na wykorzystaniu sztucznej inteligencji do mapowania gór lodowych. Na zdjęciach z satelitów wyposażonych w instrumenty podobne do kamer, góry lodowe, lód morski i chmury wydają się białe, co utrudnia rozpoznanie rzeczywistych gór lodowych. Podczas gdy na większości obrazów radarowych, takich jak te uzyskane przez Sentinel-1, góry lodowe pojawiają się jako jasne obiekty na ciemniejszym tle oceanu i lodu morskiego. Niemniej jednak, gdy otoczenie jest złożone, czasami nadal trudno jest odróżnić góry lodowe od lodu morskiego, a nawet od linii brzegowej. Dr Braakmann-Folgmann wyjaśnił: "Czasami mieliśmy trudności z oddzieleniem gór lodowych od otaczającego lodu morskiego, który jest bardziej szorstki i starszy, a zatem wygląda jaśniej na zdjęciach satelitarnych. To samo dotyczy wzburzonego wiatrem oceanu. "Również mniejsze fragmenty gór lodowych, które często pojawiają się w pobliżu gór lodowych, ponieważ stale tracą one kawałki lodu wokół swoich krawędzi, są łatwo grupowane razem z główną górą lodową przez pomyłkę. "Ponadto linia brzegowa Antarktydy może przypominać góry lodowe na zdjęciach satelitarnych, więc standardowe algorytmy segmentacji często wybierają również wybrzeże zamiast samej góry lodowej". Nowe podejście oparte na sieciach neuronowych wyróżnia się jednak w mapowaniu zasięgu gór lodowych nawet w tych trudnych warunkach. Jego siła tkwi w zdolności sieci neuronowych do rozumienia skomplikowanych nieliniowych relacji i uwzględniania całego kontekstu obrazu. Aby skutecznie śledzić zmiany w powierzchni i grubości góry lodowej, co jest niezbędne do zrozumienia, w jaki sposób góry lodowe rozpuszczają się i uwalniają słodką wodę i składniki odżywcze do oceanu, kluczowe jest wskazanie konkretnej gigantycznej góry lodowej do ciągłego monitorowania. Sieć neuronowa wprowadzona w tym badaniu jest bardzo biegła w identyfikowaniu największej góry lodowej na każdym obrazie, w przeciwieństwie do metod porównawczych, które często wybierają nieco mniejsze góry lodowe w pobliżu. Architektura sieci neuronowej oparta jest na renomowanym projekcie U-net. Została ona skrupulatnie wytrenowana przy użyciu obrazów Sentinel-1 przedstawiających gigantyczne góry lodowe w różnych ustawieniach, z ręcznie wyprowadzonymi konturami służącymi jako cel. W trakcie procesu szkolenia system stale udoskonala swoje przewidywania, dostosowując parametry w oparciu o różnicę między ręcznie wyprowadzonym konturem a przewidywanym wynikiem. Trening kończy się automatycznie, gdy system osiągnie optymalną wydajność, zapewniając jego zdolność adaptacji i sukces na nowych przykładach. Algorytm został przetestowany na siedmiu górach lodowych o powierzchni od 54 km2 do 1052 km2, co w przybliżeniu odpowiada odpowiednio powierzchni Berna w Szwajcarii i Hongkongu. Zestawiono zróżnicowany zbiór danych, obejmujący od 15 do 46 obrazów dla każdej góry lodowej, obejmujący różne pory roku i lata 2014-2020. Aby zapewnić różnorodność zbioru danych, wykorzystano jeden obraz Sentinel-1 na miesiąc dla każdej góry lodowej. Przedstawiając dokładność na poziomie 99%, wyniki były imponujące. Dr Braakmann-Folgmann dodał: "Możliwość automatycznego mapowania zasięgu gór lodowych ze zwiększoną szybkością i dokładnością pozwoli nam łatwiej obserwować zmiany w obszarze gór lodowych dla kilku gigantycznych gór lodowych i toruje drogę do zastosowań operacyjnych". Mark Drinkwater z ESA zauważył: "Satelity są oczywiście niezbędne do monitorowania zmian i zrozumienia procesów zachodzących z dala od cywilizacji. Ta nowa sieć neuronowa automatyzuje to, co w przeciwnym razie byłoby ręcznym i pracochłonnym zadaniem lokalizowania i raportowania zasięgu gór lodowych. "Gratulujemy zespołowi wprowadzenia tego innowacyjnego podejścia do uczenia maszynowego, aby osiągnąć solidne i dokładne podejście do monitorowania zmian we wrażliwym regionie Antarktydy". Dziękujemy za polubienie Polubiłeś już tę stronę, możesz ją polubić tylko raz!
Dziękujemy, że przeczytałaś/eś artykuł! Obserwuj nas w Wiadomościach Google.
