依莊防,博士,泰伯網海外特約專欄作者。傣族,出生于西雙版納,目前就職于Development Seed(美(měi)國華盛頓特區),是一位機器學習算(suàn)法工程師。
作者: 依莊防
人(rén)工智能不可(kě)阻擋地向各行業滲透。這一現象,恰巧撞上了(le)“商業遙感衛星發射潮”。這似乎預示了(le)某種潛流。此刻,從事衛星遙感影(yǐng)像解譯和(hé)大(dà)數據提取的(de)專業人(rén)士、科研人(rén)員、政府部門和(hé)企業都躍躍欲試:恨不得(de)在獲取數據的(de)同時,一股腦兒在衛星上直接解譯、處理(lǐ)和(hé)打包,地面接收站再根據用(yòng)戶需求分(fēn)發。
顯然,這種願景目前還無法實現。商業衛星影(yǐng)像本身數據量龐大(dà),有很多(duō)難點尚未攻關。不過,在高(gāo)分(fēn)辨率影(yǐng)像應用(yòng)領域,市場和(hé)科研都有一些亮眼的(de)成果——它們讓高(gāo)分(fēn)遙感從獲取、解譯到數據分(fēn)配的(de)一條龍服務的(de)願景成爲可(kě)能。
(注:目前熱議的(de)人(rén)工智能,其實包括了(le)很多(duō)領域和(hé)應用(yòng)。講真,所有可(kě)以用(yòng)機器代替人(rén)工來做(zuò),特别是重複性強的(de),在媒體報道中都統稱人(rén)工智能。本文所指的(de)人(rén)工智能,具體指用(yòng)機器學習、深度學習等計算(suàn)機視覺技術去分(fēn)析、解譯高(gāo)分(fēn)遙感數據。)
所以,隻有充分(fēn)了(le)解高(gāo)分(fēn)辨率遙感影(yǐng)像的(de)直接應用(yòng)難度,才能爲人(rén)工智能與遙感的(de)結合,構建合理(lǐ)的(de)想像。
高(gāo)分(fēn)遙感應用(yòng)難度
難度1. 數據大(dà)
高(gāo)分(fēn)遙感影(yǐng)像的(de)分(fēn)辨率越大(dà),其數據就越大(dà)。
30米分(fēn)辨率指的(de)是遙感影(yǐng)像上每一個像素對應的(de)地物(wù)是30米x30米。比如地面120米 x 120米的(de)地塊,在分(fēn)辨率爲30米的(de)衛星影(yǐng)像圖上是16個像元,但是在3米x 3米的(de)衛星影(yǐng)像上就是1600個像元,到了(le)30厘米 x 30厘米的(de)衛星影(yǐng)像圖中則變成了(le)160000個像元。
分(fēn)辨率越高(gāo)記錄的(de)數據信息越詳細,不僅僅是像元随著(zhe)高(gāo)分(fēn)影(yǐng)像增大(dà),其每個像元的(de)信息複雜性也(yě)在增加,因此高(gāo)分(fēn)遙感影(yǐng)像分(fēn)辨率的(de)提高(gāo)和(hé)其更低分(fēn)辨率影(yǐng)像之間的(de)文件大(dà)小不是線性關系。
難度2. 分(fēn)析難
分(fēn)辨率越高(gāo),信息量越大(dà),數據提取就越難。
同一個地點,高(gāo)分(fēn)辨率遙感影(yǐng)像随著(zhe)分(fēn)辨率越高(gāo)獲取的(de)地面數據越多(duō),信息越複雜,就越難提取有用(yòng)的(de)信息。
如果在一二十年前用(yòng)Landsat衛星影(yǐng)像(30米分(fēn)辨率)做(zuò)一個縣市級别的(de)土地利用(yòng)分(fēn)類工作,直接把數據導入地理(lǐ)信息和(hé)圖像解譯工作平台(ERDAS,ENVI和(hé)ArcGIS等等)大(dà)概都可(kě)以作出個産品來。但是如果衛星影(yǐng)像分(fēn)辨率達到了(le)30厘米(相當于30m分(fēn)辨率高(gāo)出100倍的(de)精度):30米分(fēn)辨率時隻能看到大(dà)概的(de)形狀,30厘米就可(kě)以看到路上行駛的(de)車輛了(le)——遙感影(yǐng)像分(fēn)辨率越高(gāo),精度越高(gāo),可(kě)以觀察到的(de)地物(wù)就越多(duō),那麽在衆多(duō)繁雜的(de)信息中分(fēn)辨出有用(yòng)信息的(de)難度就越大(dà)。
普通(tōng)影(yǐng)像處理(lǐ)軟件處理(lǐ)分(fēn)辨率越高(gāo)的(de)影(yǐng)像就越困難,此時人(rén)工智能的(de)作用(yòng)就凸顯了(le)。高(gāo)性能超級計算(suàn)機,可(kě)以不知疲倦地實時處理(lǐ)人(rén)工和(hé)普通(tōng)影(yǐng)像處理(lǐ)軟件無法完成的(de)工作。
Digital GlobeWorldView-3影(yǐng)像兩個分(fēn)辨率對比圖,左圖是分(fēn)辨率爲1.24米(文件大(dà)小爲1.7M),右圖分(fēn)辨率是0.31米(圖片大(dà)小是10.2M)
難度3. 可(kě)用(yòng)性不确定
解譯數據的(de)可(kě)用(yòng)性。
這時,可(kě)能會有遙感專業的(de)同事說,信息量大(dà),正是高(gāo)分(fēn)辨率遙感的(de)魅力所在。這話是沒有錯的(de)。
下(xià)面咱們還要講怎麽使用(yòng)人(rén)工智能遙感從高(gāo)分(fēn)辨率遙感影(yǐng)像中提取有用(yòng)的(de)信息。但是在實現這一步之前,有一個不可(kě)忽視的(de)細節難度——分(fēn)辨率越高(gāo)的(de)影(yǐng)像解譯和(hé)提取的(de)信息越多(duō),處理(lǐ)不好,反倒可(kě)能使得(de)結果沒辦法用(yòng)。
我們從高(gāo)分(fēn)辨率影(yǐng)像中提取的(de)數據,最終目的(de)是希望可(kě)以放在地圖上,供專業人(rén)士或者普通(tōng)市民使用(yòng)。基本上很多(duō)計算(suàn)機視覺裏面使用(yòng)到機器學習和(hé)深度學習(比如圖像分(fēn)割、對象檢測和(hé)圖像分(fēn)類)都可(kě)以在高(gāo)分(fēn)辨率遙感中應用(yòng)。
無人(rén)駕駛汽車使用(yòng)的(de)機器學習算(suàn)法是圖像分(fēn)割,即該車在街(jiē)道上行駛時不斷的(de)拍(pāi)照(zhào)和(hé)解讀,哪裏是道路、道路邊界、行道樹和(hé)行人(rén)。從高(gāo)分(fēn)辨率遙感解譯信息其實也(yě)是這麽一回事,從圖像分(fēn)割中知道哪裏是樓房(fáng)、道路、橋梁、樹林(lín)、機場等等。
和(hé)一般計算(suàn)機視覺不同的(de)是,高(gāo)分(fēn)遙感提取的(de)數據需要放在地圖上,就是說這數據不僅要在機器學習(人(rén)工智能)模型中達到好的(de)精度,還要有準确的(de)地理(lǐ)信息(比如經緯度等等)——這最終才有可(kě)用(yòng)性。
比如咱們用(yòng)圖像分(fēn)割中解譯出來的(de)道路在地圖上向右平移了(le)5米,或者解譯出來的(de)樓房(fáng)缺了(le)三分(fēn)之一等等。那麽數據要用(yòng)到現實生活,如導航或者計算(suàn)建築面積,就沒啥用(yòng)了(le)。
難度4.其他(tā)
高(gāo)分(fēn)辨率遙感影(yǐng)像本身特點帶來的(de)問題。
除了(le)以上高(gāo)分(fēn)辨率遙感影(yǐng)像文件大(dà)、信息複雜、信息提取難度高(gāo)、以及人(rén)工智能模型結果的(de)可(kě)用(yòng)性不确定等因素之外,高(gāo)分(fēn)辨率遙感影(yǐng)像本身還存在以下(xià)問題:
①雲層覆蓋。大(dà)家擡眼看天空,雲層千變萬化(huà)。不同的(de)季節和(hé)地區雲層覆蓋不一。一旦衛星影(yǐng)像研究區域的(de)雲覆蓋率到了(le)10%以上就很難從中提取好的(de)數據。當然這個問題在商業小衛星覆蓋率高(gāo)的(de)地區,衛星可(kě)以在短時間内重複性的(de)訪問一個地點,或者在天氣晴朗的(de)時候使用(yòng)無人(rén)機獲取數據等,是可(kě)以解決這個問題的(de)。
②時空分(fēn)辨率的(de)取舍。空間分(fēn)辨率,是到目前一直強調的(de)高(gāo)分(fēn)辨率。而時間分(fēn)辨率指的(de)是遙感影(yǐng)像以多(duō)高(gāo)的(de)頻率獲取,比如是一天拍(pāi)一次上海,還是一個月(yuè)一次,還是一年一次。
高(gāo)分(fēn)辨率衛星影(yǐng)像不僅僅處理(lǐ)和(hé)解譯難,獲取的(de)費用(yòng)也(yě)是不菲的(de)。因此沒有長期的(de)研究、資金支持和(hé)投入,沒有市場需求,同時開發的(de)高(gāo)分(fēn)遙感産品不能在時間或空間分(fēn)辨率中占得(de)優勢的(de)話,企業很難在市場上存活。比如美(měi)國Digital Globe,它的(de)衛星影(yǐng)像是根據客戶需要去采集數據,它最好的(de)數據産品WorldView-3和(hé)4的(de)分(fēn)辨率可(kě)達0.31米。Planet Lab的(de)商業模式則不同,它是通(tōng)過提高(gāo)時間分(fēn)辨率但(部分(fēn))放棄空間分(fēn)辨率(他(tā)們的(de)最高(gāo)分(fēn)辨率的(de)衛星影(yǐng)像産品是1米空間分(fēn)辨率),以實現每周生成覆蓋全球的(de)遙感影(yǐng)像。當然,Planet同時也(yě)在提高(gāo)衛星影(yǐng)像的(de)空間分(fēn)辨率來搶占市場。
③波段多(duō),難以取舍。和(hé)計算(suàn)機視覺的(de)機器學習、人(rén)工智能模型中大(dà)部分(fēn)隻是用(yòng)紅綠藍三個色相通(tōng)道(就是普通(tōng)的(de)照(zhào)片)不同,高(gāo)分(fēn)辨率遙感影(yǐng)像可(kě)以有十幾到上百個波段,不同的(de)地物(wù)解譯和(hé)圖像分(fēn)割可(kě)選取不通(tōng)的(de)波段組合。但是選擇多(duō)了(le)也(yě)很痛苦,因爲目前高(gāo)分(fēn)率波段組合和(hé)選擇在機器學習(人(rén)工智能)上的(de)應用(yòng)還沒有足夠積累。
人(rén)工智能和(hé)高(gāo)分(fēn)遙感的(de)結合
人(rén)工智能和(hé)高(gāo)分(fēn)辨率遙感可(kě)以說是天作之合。
高(gāo)分(fēn)辨率遙感影(yǐng)像的(de)存在是爲了(le)能讓我們實時監測地面發生的(de)變化(huà)。比如一個城(chéng)市哪裏新建了(le)房(fáng)屋,哪裏新建了(le)道路橋梁;農業上哪一個作物(wù)得(de)了(le)病蟲害;或者哪一個地區發生旱災澇害,要怎樣疏導災民,如何重建。也(yě)有保險公司在實時監測用(yòng)戶的(de)屋頂材料和(hé)冰雹雪(xuě)災之間的(de)聯系,從而爲拓展房(fáng)屋保險業務提供服務。人(rén)工智能可(kě)以讓我們大(dà)規模、智能化(huà)、實時性的(de)實現數據提取。
前面說了(le)那麽多(duō)困難,那麽,人(rén)工智能和(hé)高(gāo)分(fēn)辨率遙感影(yǐng)像解譯能結合嗎?能有未來嗎?答(dá)案是肯定的(de)。下(xià)面待我給大(dà)家一一解讀。
傳統計算(suàn)機視覺的(de)新玩法
01.啥是機器學習(深度學習)
機器學習可(kě)以分(fēn)爲監督學習,非監督學習和(hé)強化(huà)學習。
顧名思義,監督學習指的(de)是告訴模型你認爲圖像裏哪是房(fáng)子哪是路,人(rén)工智能就會建立原始衛星影(yǐng)像和(hé)你給的(de)标簽(房(fáng)子,道路)之間的(de)數學關系。非監督學習就是不告訴模型哪是房(fáng)子哪是道路,模型根據衛星影(yǐng)像裏面的(de)像元值對圖像進行分(fēn)類。強化(huà)學習則是啥也(yě)不告訴模型,讓模型自己學習,并不斷強化(huà)。當然我這是往簡單裏說,具體的(de)解釋大(dà)家可(kě)以參考其他(tā)機器學習的(de)資料。
高(gāo)分(fēn)辨率遙感影(yǐng)像解譯用(yòng)的(de)最多(duō)的(de)是監督學習。
第一排的(de)兩張圖是監督學習中的(de)圖像分(fēn)割訓練數據(左圖是衛星影(yǐng)像圖,右圖是标簽數據——房(fáng)子和(hé)道路)。這個訓練圖集的(de)關系就如同解方程式:其中衛星影(yǐng)像圖就相當于X,标簽數據就是y,人(rén)工智能模型就是在X和(hé)y中找數學關系。然後我們可(kě)以通(tōng)過這個關系從未被人(rén)工智能模型訓練過的(de)衛星影(yǐng)像圖中提取房(fáng)子和(hé)道路的(de)信息。
第二排的(de)兩張圖是監督學習中的(de)對象檢測訓練數據(左圖是衛星影(yǐng)像圖,右圖是房(fáng)子的(de)對象檢測框)。
在第一排訓練數據訓練的(de)圖像分(fēn)割模型,就可(kě)以從高(gāo)分(fēn)辨率遙感影(yǐng)像中找出衛星影(yǐng)像中哪一個像元是房(fáng)子或者道路。第二排訓練數據集訓練的(de)模型則可(kě)以用(yòng)來“找房(fáng)子”,這個方法一般可(kě)以用(yòng)來數房(fáng)子,即可(kě)以用(yòng)通(tōng)過新房(fáng)子在一段時間的(de)建設數量來衡量區域經濟發展的(de)速度。比如第一排的(de)訓練數據集可(kě)以通(tōng)過在高(gāo)分(fēn)辨率遙感影(yǐng)像和(hé)标簽數據之間建立數學關系(這裏通(tōng)常通(tōng)過深度學習的(de)方法),進而預測未知影(yǐng)像中的(de)檢測對象。
人(rén)工智能模型通(tōng)過輸入的(de)高(gāo)分(fēn)辨率遙感影(yǐng)像和(hé)标簽數據來預測檢測對象。圖中第一排是房(fáng)屋建築面積的(de)預測模型,第二排是道路系統檢測模型。
02.高(gāo)分(fēn)影(yǐng)像和(hé)開放街(jiē)道地圖(Open Street Map)爲機器學習新玩法雪(xuě)中送炭
高(gāo)分(fēn)遙感影(yǐng)像數據量大(dà),傳統的(de)分(fēn)析方法是下(xià)載一整片衛星影(yǐng)像,導入到可(kě)以用(yòng)來分(fēn)析這個影(yǐng)像的(de)地理(lǐ)信息軟件中來分(fēn)析。這項工作繁瑣、緩慢(màn)、不討(tǎo)好,而且受各種不可(kě)知因素影(yǐng)響。沒有大(dà)量的(de)人(rén)工投入很難用(yòng)于應急,比如洪澇災害來了(le),隻能依靠過往的(de)地圖和(hé)模型信息積累來開展工作。
通(tōng)過區塊地圖服務(Tile Map Service)實現高(gāo)分(fēn)遙感的(de)實時分(fēn)享,以及開放街(jiē)道地圖的(de)存在,它們是未來人(rén)工智能在高(gāo)分(fēn)辨率遙感影(yǐng)像解譯方面長足發展的(de)兩個重要基礎。要做(zuò)到以上實時預測道路網絡,離不開這兩個基石。
03.區塊地圖服務(Tile Map Service)
大(dà)家肯定熟悉百度地圖、高(gāo)德地圖、必應衛星影(yǐng)像圖。照(zhào)理(lǐ)來說,全球或整個中國的(de)地圖數據那麽大(dà),儲存了(le)那麽多(duō)數據,比如你喜歡的(de)餐館、書店(diàn)、咖啡館、電影(yǐng)院等等,以及你上學、上班和(hé)回家的(de)每一條路,還有千千萬萬同學的(de)同學、朋友的(de)朋友的(de)住宅小區等等。數據那麽大(dà),可(kě)是并不妨礙你一打開手機就可(kě)以浏覽。
這得(de)益于區塊地圖服務(當然還有其他(tā)的(de)技術,咱們先往簡單裏說),這個技術可(kě)以使我們從全球地圖開始,點擊放大(dà)地圖20次就可(kě)以看到世界上任何一個地區的(de)街(jiē)景。地圖在每一次放大(dà)過程中的(de)信息量不一樣,在全球水(shuǐ)平上是非常粗糙的(de)國家級數據,放大(dà)20次在手機屏幕上展示的(de)信息就是你感興趣的(de)街(jiē)景圖。
在放大(dà)地圖的(de)過程中越來越多(duō)的(de)信息被展現,在縮小的(de)過程你會發現經常走的(de)那條街(jiē)不見了(le),慢(màn)慢(màn)的(de)學校在地圖上消失了(le),然後在全國地圖上你隻看到你的(de)省會城(chéng)市。
這和(hé)高(gāo)分(fēn)遙感影(yǐng)像實時分(fēn)享有啥關系?說白了(le)就是同一個道理(lǐ)。高(gāo)分(fēn)遙感簡單的(de)說是你可(kě)以放到最大(dà)看到的(de)衛星影(yǐng)像圖,精細、信息量大(dà)。可(kě)以想像,這些塊狀的(de)衛星影(yǐng)像就像地闆磚一樣(英文用(yòng)詞是tile,很形象),分(fēn)辨率爲1米的(de)塊狀衛星影(yǐng)像要覆蓋(鋪滿)整個中國大(dà)概需要千萬億塊(960萬平方公裏)。可(kě)想而知要在這個分(fēn)辨率尺度上解譯國家級别的(de)數據,這個工作量和(hé)人(rén)工需求有多(duō)大(dà),就更不要說比1米分(fēn)辨率更高(gāo)的(de)高(gāo)分(fēn)辨率影(yǐng)像了(le)。
商業衛星影(yǐng)像公司可(kě)以通(tōng)過生成不同分(fēn)辨率影(yǐng)像,來滿足不同的(de)用(yòng)戶需求。比如要做(zuò)建築物(wù)占地面積或者道路系統的(de)人(rén)工智能模型,就會希望用(yòng)到最高(gāo)空間分(fēn)辨率的(de)影(yǐng)像(下(xià)圖提到的(de)放大(dà)次數我們希望用(yòng)到zoom level 17以上的(de)影(yǐng)像數據),但是做(zuò)農業相關的(de)土地利用(yòng)圖就不需要高(gāo)分(fēn)辨率的(de)影(yǐng)像。
區塊地圖服務可(kě)以從全球低分(fēn)辨率的(de)衛星影(yǐng)像放大(dà)到高(gāo)尺度的(de)衛星影(yǐng)像。
04.開放街(jiē)道地圖
開放街(jiē)道地圖是以人(rén)人(rén)都可(kě)以編輯的(de)世界地圖爲其宗旨。全球有幾百萬會員每天都在世界不同的(de)國家和(hé)地區編輯和(hé)錄入數據。其中人(rén)道主義援助的(de)貢獻特别突出,比如海地和(hé)尼泊爾地震期間就有全球的(de)志願者通(tōng)過高(gāo)清衛星影(yǐng)像編輯地圖,比如勾畫出哪個地段的(de)道路和(hé)房(fáng)子被毀了(le),哪裏是最近的(de)救援點和(hé)醫院等等。
開放街(jiē)景地圖可(kě)以作爲機器學習的(de)訓練數據集,特别是訓練數據中的(de)标簽數據。我們最近開發了(le)一個開放的(de)python數據包,叫做(zuò)Label Maker。該數據包可(kě)以從開放街(jiē)道地圖的(de)API匹配同個地區的(de)Mapbox衛星影(yǐng)像來生成包括TensorFlow、MXNet、Pytorch、Theano和(hé)Keras框架下(xià)的(de)深度學習訓練數據集。
我們在Label Maker的(de)上面放了(le)幾個機器學習的(de)案例,包括圖像分(fēn)類和(hé)對象檢測,大(dà)家可(kě)以去看看(我的(de)中文博客介紹)。
高(gāo)分(fēn)影(yǐng)像、開放街(jiē)景地圖和(hé)Label Maker,加上雲計算(suàn),可(kě)以實現很多(duō)以往傳統的(de)中低分(fēn)辨率遙感影(yǐng)像和(hé)傳統的(de)衛星影(yǐng)像解譯無法做(zuò)到的(de)。SkyNet是我們做(zuò)圖像分(fēn)割的(de)一個機器學習方法,開放的(de),大(dà)家可(kě)以去玩玩。
我們用(yòng)SkyNet可(kě)以實時從高(gāo)分(fēn)遙感影(yǐng)像中解譯道路系統。當然SkyNet的(de)背後是劍橋大(dà)學在前幾年開發的(de)SegNet技術。機器學習中的(de)圖像分(fēn)割(也(yě)是SkyNet)背後的(de)技術是目前無人(rén)駕駛汽車中主要使用(yòng)的(de)計算(suàn)機視覺技術之一。 我們現在還在開發更多(duō)、更新、運算(suàn)更快(kuài)的(de)算(suàn)法。北(běi)美(měi)和(hé)全球都有很多(duō)類似的(de)公司和(hé)機構,開發各種深度學習、傳統機器學習在高(gāo)分(fēn)辨率遙感影(yǐng)像解譯中的(de)應用(yòng)軟件包和(hé)工具。希望未來可(kě)以給大(dà)家多(duō)多(duō)介紹。
高(gāo)分(fēn)遙感影(yǐng)像的(de)出現和(hé)人(rén)工智能可(kě)以幫我們做(zuò)很多(duō)事情。作爲這個領域的(de)專業人(rén)士,我們該從應用(yòng)的(de)角度出發,挖掘人(rén)工智能和(hé)高(gāo)分(fēn)影(yǐng)像的(de)應用(yòng)。比如對于智能城(chéng)市的(de)建設,第一道數據關口是我們的(de)城(chéng)市裏道路建設和(hé)房(fáng)屋狀況是怎麽樣的(de)?哪裏發展最快(kuài),哪裏比較慢(màn),爲什(shén)麽?洪澇災害來了(le)哪裏會受災比較嚴重?醫院學校都建在哪裏,其他(tā)的(de)公共設施都建在哪裏?
高(gāo)分(fēn)遙感的(de)實時更新以及人(rén)工智能的(de)快(kuài)速運算(suàn),需要能夠回答(dá)智能城(chéng)市建設的(de)最基本問題。比如下(xià)圖,通(tōng)過對比人(rén)工智能模型的(de)建築占地面積預測結果和(hé)已經在地圖上标記的(de)建築占地面積,就可(kě)以找出一個城(chéng)市哪些建築是新的(de)、還沒有标記在地圖上的(de)。開放街(jiē)景地圖的(de)制圖任務管理(lǐ)人(rén)員可(kě)以号召制圖志願者到這些地方添加沒有地圖标記的(de)建築物(wù)。同樣的(de)道理(lǐ),人(rén)工智能和(hé)高(gāo)分(fēn)辨率遙感影(yǐng)像的(de)結合,除了(le)可(kě)以幫城(chéng)市規劃機構标記城(chéng)市化(huà)的(de)進程外,遙感的(de)多(duō)光(guāng)譜波段還可(kě)以“看見”城(chéng)市建築物(wù)的(de)材料,從而“預見”城(chéng)市在不同自然災害下(xià)的(de)脆弱程度,這對災後重建工作也(yě)會起到很大(dà)作用(yòng)。
淺見未來
01.人(rén)工智能也(yě)需要加入人(rén)的(de)協助
目前人(rén)工智能在高(gāo)分(fēn)辨率遙感影(yǐng)像上的(de)應用(yòng)日新月(yuè)異,但是因爲衛星遙感影(yǐng)像應用(yòng)難度,以及人(rén)工智能本身的(de)應用(yòng)瓶頸,還不能實現全程的(de)自動化(huà)。因此,從衛星影(yǐng)像采集到衛星影(yǐng)像解譯和(hé)數據整理(lǐ)一條龍服務還難以達到。不過,相關專業人(rén)士可(kě)以在這個過程中助力。
比如上面提到的(de)道路系統和(hé)房(fáng)屋建築占地面積預測在一定程度上是可(kě)以實現全程自動化(huà)的(de),但是還有大(dà)量案例是無法全部自動化(huà)的(de)。
2018年我們幫助世界銀行制作巴基斯坦、尼日利亞和(hé)贊比亞三國的(de)高(gāo)壓電網圖。高(gāo)壓電網在高(gāo)分(fēn)辨率影(yǐng)像中是非常難以分(fēn)辨的(de),我們通(tōng)過人(rén)工智能模型預測高(gāo)壓電塔的(de)分(fēn)布、引導專業制圖人(rén)員制圖的(de)方式完成,這要比傳統人(rén)工查看高(gāo)壓電塔、畫高(gāo)壓電網的(de)方法在速度上提高(gāo)了(le)33倍工作産出(該方法現在是開放的(de)報告和(hé)模型方法,可(kě)供大(dà)家參閱)。
02.高(gāo)分(fēn)辨率影(yǐng)像解譯和(hé)人(rén)工智能要完成三件事
現在人(rén)工智能(機器學習和(hé)深度學習)和(hé)高(gāo)分(fēn)辨率遙感的(de)解譯和(hé)應用(yòng)熱情空前高(gāo)漲,但是所有業内人(rén)士也(yě)不能忽略這個問題:如何從高(gāo)分(fēn)遙感影(yǐng)像中提取可(kě)直接應用(yòng)的(de)數據。
這個問題不是專業人(rén)士拍(pāi)拍(pāi)腦袋就能夠決定的(de),而是應該從不同應用(yòng)案例和(hé)使用(yòng)者的(de)角度出發來解譯和(hé)整理(lǐ)數據。比如同樣的(de)方法論,我上面提到的(de)應用(yòng)圖像分(fēn)割從高(gāo)分(fēn)辨率遙感影(yǐng)像中提取道路系統。城(chéng)市規劃師需要的(de)數據與交通(tōng)管理(lǐ)部門不同,澇災情況下(xià)的(de)導航需要的(de)道路系統也(yě)與災後重建所需要的(de)不同。
道路系統屬性不同,能夠支持不同的(de)工作和(hé)需求。因此,機器學習算(suàn)法工程師和(hé)高(gāo)分(fēn)辨率遙感影(yǐng)像解譯的(de)工作,必須能夠滿足三方面的(de)要求:第一,數據的(de)完整性;第二,預測的(de)準确性;第三,數據的(de)應用(yòng)性。其中,第三個條件不應該是最後考慮的(de),而是要在人(rén)工智能模型的(de)開發過程中貫穿始終。
希望我們可(kě)以一起做(zuò)更多(duō)更有意義的(de)工作,通(tōng)過開放的(de)軟件開發服務更多(duō)的(de)社區、地區、國家和(hé)需要數據的(de)人(rén)。
文章(zhāng)轉載泰博網