“靠“脑补” AI将卫星“废片”变成高分辨率地图资源”

本篇文章1344字，读完约3分钟

卫星在形象上被称为天眼，但实际上卫星数据的应用，并不能完全实现。

中国工程院院士杨小牛曾经表示，卫星飞过天空，但性能实际并不高，每天只有几十分钟的时间段采集的数据在地面上是必要的。

是否有可能使用被认为是无效数据的大量废铁？

近日，清华大学理学部长、地球系统科学系主任宫鹏在高性能云计算的支持下，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成为我国第一个30米每天无缝的遥感系。 介绍了制作每个季节的土地覆盖和每年土地利用的数据集，使无法解决谜题的卫星废弃物成为高分辨率的地图资源。

人工智能深度贴片

以前传来的对地卫星观测，由于拍摄的照片不均匀，是间接采集的，没有集成在一起，所以采用的门槛很高。 宫鹏解释说，卫星直接获得的图像不能直接使用。 卫星图像不是自然连续的，所以可能像100块拼图。 有时候50张效果很少，但可能来了好几张同样的拼图。

不仅如此，卫星轨道偏移不是同一个地方，之间拍摄的图像难以重叠，云层遮挡、雾的不均匀散射使得大量卫星遥感数据难以反映地表实际情况，成为难以使用的碎片。

根据迄今为止完成的10米分辨率全球地表覆盖制图数据解决过程中积累的经验，清华大学地球系统科学系团队自主开发了时空数据融合重建的技术。

我们构建了人工智能所需的知识库。 这包括世界上第一个全季节普适样本库和相关行业的知识。 库有一个培训样本库和一个完全独立的验证样本库。 清华大学博士生刘涵设计了适应遥感大数据的深度遥感特征学习和分类模型，利用机器学习和数据建模训练人工智能系统，了解或估计不足的数据块，以弥补进一步的不足

使用训练有素的模型，如现在的app认证时，可以对现有的卫星图像进行大规模分解，自动修补，使数据符合实际情况。 刘涵说。 通过

训练，模型可以完成高性能的推理，当重构不完整的谜题时空匹配的图片库建立了这个深度遥感制图模型的超能力，完成了各种不合格片段的修补工作，符合实际情况。 例如，利用人工智能技术可以识别路面是否为沥青、土路、水泥路面等地表复盖类型。

计算上的云，不消耗巨大资源的

地球系统科学的采用和生成的数据极其巨大，例如气候模拟和预测生成时间间隔为时间水平、地面分辨率为3公里的气候数据，这些数据量水平 宫鹏介绍说，为此需要超强的计算力。

为这些数据建设数据中心需要300~400个机柜，占地面积和价值成本都很高。 如果使用ai解析这些数据集的数据，则在运行下载后不在云中进行运算，则仅搬运所需的时间可能就需要几个月。

在云上进行高性能计算时，可以将计算力配置在公共数据集周围，以数据为中心进行计算。 据介绍，亚马逊云服务( aws )为此次项目的完成提供了10万核心左右的云高性能计算资源。

此外，aws还提供了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，可以详细调整模型的结构和参数，进行分布式高性能推理。

现在，中学生、小学生想拿着数据做点什么，从里面画几条曲线，或者取出一个区域做点探测、变化、倾向的分解，已经变得非常容易了。 宫鹏表示，对于卫星公共数据的整理、重建，将大幅降低卫星遥感图的采用门槛，如果以前只有专家客户能够从数据中获取价值，今后越来越多的普通客户将能够看到和利用这些数据。 (记者张佳星)

责任编辑：