Wykorzystanie sztucznej inteligencji w obserwacji Ziemi: nowa era reagowania na zmiany klimatu
Konwencjonalne architektury uczenia maszynowego nie są odpowiednie do rozwiązywania problemów związanych z obserwacją Ziemi. Finansowany przez UE projekt DeepCube wprowadza innowacyjne rozwiązania, aby rozwiązać ten problem. Wykorzystując zaawansowane narzędzia SI i technologie sieci semantycznej, zespół projektu DeepCube korzysta z ogromnych, otwartych danych generowanych codziennie przez satelity Sentinel programu obserwacji Ziemi Copernicus, aby sprostać poważnym wyzwaniom środowiskowym i społecznym związanym z kryzysem klimatycznym. „Skupiamy się nie tylko na standardowych zastosowaniach komputerowego rozpoznawania obrazów na potrzeby klasyfikacji, ale także na ilościowym szacowaniu zmiennych związanych z procesami geofizycznymi i biologicznymi”, zauważa koordynator projektu Ioannis Papoutsis.
Zaawansowane technologie SI przychodzą na ratunek
Badania realizowane w ramach projektu DeepCube koncentrują się na niektórych istotnych problemach związanych z wpływem biosfery, atmosfery i antroposfery na obserwację Ziemi. Obejmują one prognozowanie skutków suszy i upałów oraz zrozumienie migracji spowodowanej przez czynniki klimatyczne w Afryce, prognozowanie zagrożenia pożarami w regionach śródziemnomorskich, monitorowanie infrastruktury pod kątem niestabilności gruntu i ocenę wpływu turystyki na środowisko. Aby rozwiązać te złożone problemy, badacze łączą oparte na danych algorytmy uczenia głębokiego i modelowanie fizyczne, tworząc wyjątkowe hybrydowe podejście, które wykracza poza granice konwencjonalnej SI. „Zastosowanie wiedzy specjalistycznej i praw fizyki przy jednoczesnym zmniejszeniu niepewności, pomaga zrozumieć dynamikę ekosystemów po wystąpieniu zdarzeń takich jak na przykład susze”, wyjaśnia Papoutsis. W projekcie DeepCube wykorzystano również wyjaśnialną i przyczynową SI w ramach procesów uczenia głębokiego – sekwencji działań, która przetwarza dane, projektuje architektury głębokich sieci neuronowych, trenuje modele i generuje prognozy przy użyciu technik uczenia głębokiego. „Wyjaśnialna SI pozwala nam zajrzeć do środka «czarnej skrzynki» algorytmów uczenia głębokiego, pomagając nam zrozumieć, dlaczego powstają określone prognozy. Stosując tę technikę na przykład w prognozowaniu zagrożenia pożarami, możemy zidentyfikować główne czynniki wpływające na prognozy oferowane przez model”, stwierdza Papoutsis. Z kolei przyczynowa SI, kolejny kluczowy element rozwiązania, pomaga zrozumieć powiązania przyczynowo-skutkowe w modelach. Ma to kluczowe znaczenie w przypadku kwestii takich jak przesiedlenia spowodowane przez zmianę klimatu, które wymagają określenia oraz analizy ilościowej związków między konfliktem, suszą i wysiedleniami.
Najnowocześniejsze technologie jako fundament systemów SI
Rozwiązania projektu DeepCube są oparte na technologiach wspierające tworzenie systemów SI. Należą do nich Earth System Data Cube (ESDC), ujednolicony zestaw danych zawierających kluczowe zmienne systemu Ziemi, oraz Semantic Data Cube, zestaw, który semantycznie wzbogaca zbiór ESDC. Ponadto w ramach projektu DeepCube badacze rozbudowali otwartoźródłową platformę SI o nazwie Hopsworks, wspierającą rozproszone uczenie głębokie. Projekt oferuje również narzędzia wizualizacyjne, takie jak Sextant do interakcji z połączonymi danymi geoprzestrzennymi oraz platformę internetową do wyodrębniania koncepcji wizualnych z danych w mediach społecznościowych. Co więcej, platforma DeepCube stanowi zintegrowane środowisko dla specjalistów zajmujących się SI oraz obserwacją Ziemi, które może być wykorzystane do tworzenia łańcuchów wartości z surowych danych i nie tylko. Ta adaptowalna platforma może być wdrażana w różnych środowiskach przetwarzania danych w chmurze, a w jej ramach wszystkie wymienione technologie współdzielą zasoby i definiują przepływy danych w sposób ujednolicony.
Postęp naukowy dzięki otwartemu dostępowi do badań i globalnym partnerstwom
Projekt DeepCube wniósł znaczący wkład w świat nauki dzięki publikacji ważnych badań, a także poprzez udostępnienie modeli uczenia głębokiego, kodu źródłowego, zestawów danych i ontologii jako materiałów w modelu otwartego dostępu. W szczególności warto wspomnieć o publikacji „Hephaestus” – wyjątkowego i opisanego ręcznie zestawu danych interferogramów Sentinel-1 na potrzeby rozwoju usług wczesnego ostrzegania przed niepokojącą aktywnością wulkaniczną. W swoich badaniach nad prognozowaniem zagrożenia pożarowego naukowcy publikowali „mesogeos” – zbiór danych dobowych służący do opracowywania modeli prognozowania zagrożenia pożarowego w ciągu kolejnych 24 godzin w regionie Morza Śródziemnego. Zespół projektu DeepCube angażuje również bezpośrednich beneficjentów w projektowanie i ocenę swoich usług, aby zmaksymalizować ich wpływ. Rozwiązania dotyczące migracji spowodowanej przez czynniki klimatyczne zostały opracowane we współpracy z Ośrodkiem Monitorowania Wysiedleń Wewnętrznych i zyskały zainteresowanie organizacji pozarządowych i międzynarodowych, takich jak UNICEF, Światowy Program Żywnościowy i Program Narodów Zjednoczonych ds. Rozwoju. Ich usługa prognozowania zagrożenia pożarowego, opracowana we współpracy z grecką strażą pożarną, wzbudziła również zainteresowanie inicjatywy o nazwie „AI for Good” Międzynarodowego Związku Telekomunikacyjnego.
Słowa kluczowe
DeepCube, obserwacje Ziemi, uczenie głębokie, wyjaśnialna SI, obserwacja Ziemi, Copernicus, przyczynowa SI, sztuczna inteligencja