依靠“大脑补给” Ai将卫星“抓取”变成高分辨率地图资源

尽管

卫星被形象地称为“天眼”，但实际上，卫星数据的应用很难实现“充分利用”。 中国工程院院士杨小牛曾说，天上飞来飞去的卫星的效率不高。 每天只需要几分钟就可以收集到数据。

是否可以使用大量被视为无效数据的“碎片”？

最近，清华大学理学院院长兼地球系统科学系主任龚鹏介绍说，在高性能云计算的支持下，该系通过数据建模，人工智能算法等手段 清华大学地球系统科学系完成了中国第一套30米逐日无缝遥感观测数据集，以及季节性土地覆盖和逐年土地利用数据集， 不可用卫星“废料”可以是高分辨率的地图资源。

人工智能深度“补丁”

“传统地球卫星观测，所拍摄的照片是在不同时间收集的，组合不完整，并且 使用阈值很高。”龚鹏解释说，由于卫星图像不是自然连续的，因此不能直接使用卫星直接获取的图像。 就像100片拼图游戏，有时少了50片，但同一个拼图游戏可能有几片。

不仅如此。 卫星轨道的偏差还会导致在同一地点在不同时间拍摄的图像难以重叠。 云的遮挡和雾的不均匀散射将导致大量的卫星遥感数据难以反映地球表面的真实情况，并成为困难的“报废”。

基于在10米分辨率全球土地覆盖制图数据处理过程中积累的经验，清华大学地球系统科学系团队独立开发了时空数据融合和重建技术。

“我们已经建立了人工智能所需的知识库，包括世界上第一套全球所有季节通用样本库和相关领域的知识。该数据库分为训练样本数据库和完全独立的验证样本数据库。”刘涵， 博士 清华大学的学生介绍说，该团队设计了一套深度遥感特征学习和分类模型，以适应遥感大数据，并通过机器学习和数据建模对人工智能系统进行了训练，以使“理解” ”或“推断”缺失的块，然后填补空白。

“就像现在的某些应用程序身份验证一样，将有一个映射步骤。经过训练的模型还可以大规模分析现有的卫星图像，自动进行映射，并确保数据与实际情况一致。” 刘涵说。 通过训练

，该模型可以完成高性能推理，将不完整的“拼图”重建为时空一致的图像数据库，建立深度遥感映射模型的“超能力”，完成各种遥感影像的修补工作。 不合格的“废料”，并生成与实际情况相匹配的遥感观测数据集。 例如，人工智能技术可用于识别人行道是否被沥青，土壤或水泥覆盖。

计算云，避免了巨大的资源消耗

“地球系统科学使用和生成的数据非常庞大。例如，气候模拟和预测将生成时间间隔为3 km，地面分辨率为3 km的气候数据。数据量级 这些数据通常与数百万高清电影的数据相同。” 据龚鹏说，它需要超级计算能力。 如果数据中心是为这些数据构建的，则需要340个机柜，这会花费大量的土地和时间。 AI在处理这些数据集中的数据时，如果不是在云中执行而是在下载后执行的，则可能要花几个月的时间才能完成。

以及通过云上的高性能计算，可以围绕公共数据集部署计算能力，以围绕数据进行计算。 据报道，亚马逊云服务（AWS）已在云上提供了约10万个内核的高性能计算资源，以完成该项目。 除

之外，AWS还提供了一套完整的人工智能和机器学习套件和服务，以及自动多层堆栈集成技术，可用于深入优化模型结构和参数，并且分布式高 性能推理。

“现在，中学生和小学生很容易对数据进行处理，从中绘制一些曲线，或者抽出一块区域来进行检测，变化和趋势分析。” 龚鹏说，卫星公共数据的分类和重建大大降低了使用卫星遥感图像的门槛。 如果只有专业用户才能从数据中获得价值，那么将来更多的普通用户可以理解和使用数据。 （记者张嘉兴）