Việc giám sát Trái đất từ trên cao rất lộn xộn và không nhất quán. Các đám mây có thể chặn tầm nhìn của vệ tinh, góc của Mặt trời có thể tạo ra những bóng lớn và đường quỹ đạo có thể giữ một hệ thống ở cùng một khu vực trong nhiều tuần. Việc giải quyết sự không nhất quán này là điều khó khăn đối với phần mềm truyền thống và thậm chí có thể gây nhầm lẫn cho các thuật toán học sâu. Tuy nhiên, theo một bài báo đánh giá mới của các nhà nghiên cứu Raúl-Alexandru Gorgan và Dorian Gorgan từ Đại học Kỹ thuật Cluj-Napoca, có sẵn ở dạng bản in trước, có một loại AI biên giới mới có thể trợ giúp – Mạng lưới thần kinh chất lỏng sinh học.
Xã hội hiện đại phụ thuộc rất nhiều vào các quan sát Trái đất, nhưng việc thu thập dữ liệu theo cách có ý nghĩa mà hệ thống deep learning có thể hiểu được là một thách thức. Ví dụ: hầu hết các mạng học sâu, chẳng hạn như mạng lái ô tô tự hành, mong muốn các điểm dữ liệu đến đều đặn và những khoảng thời gian này thường tương đối ngắn, đủ để phân biệt những thay đổi nhỏ và sử dụng chúng để thông báo cho mô hình.
Mức độ đều đặn này không xảy ra trong quan sát Trái đất. Thủ phạm rõ ràng nhất là những đám mây. Các vệ tinh ở quỹ đạo Trái đất thấp (LEO) có thể có tầm nhìn về một số khu vực trên hành tinh bị mây chặn – trong nhiều trường hợp liên tục. Kết hợp điều này với lịch trình bay tương đối bất thường và một số vệ tinh có thể đi xa tới một tháng nếu chúng chụp ảnh một số khu vực nhất định trên thế giới.
Fraser nói về việc liệu các vệ tinh quan sát Trái đất có đang theo dõi bạn từ không gian hay không.
Rất nhiều thứ có thể thay đổi trong một tháng, thông qua các quá trình dần dần, chẳng hạn như vụ mùa trong mùa hè, cũng như thông qua các sự kiện thảm khốc chỉ xảy ra một lần, chẳng hạn như lũ lụt hoặc núi lửa. Các phương pháp xử lý truyền thống như Mạng thần kinh chuyển đổi (CNN) hoặc Máy biến đổi hình ảnh, tuy phù hợp để xử lý thời gian với các bước nhỏ, có thể đếm được nhưng lại không hoạt động tốt trong việc lấp đầy những khoảng trống lớn nơi có rất nhiều điều đã xảy ra ở giữa. Nói cách khác, họ bối rối trước sự gia tăng năng suất hoặc ranh giới cụ thể của đám cháy.
Có nhiều cách để giải quyết những vấn đề này và bài đánh giá xem xét 61 nghiên cứu khác nhau được công bố từ năm 2018 đến năm 2026 và cho thấy trí tuệ nhân tạo đang phát triển như thế nào để giải quyết những vấn đề này. Nhiều phương pháp thích ứng sử dụng phần mở rộng của mô hình thị giác máy tính truyền thống, thêm mô hình đồ họa hoặc trường tiếp nhận động để theo dõi những thay đổi trong dấu chân tòa nhà hoặc loại bỏ các khu vực có sương mù.
Nhưng có lẽ cách tiếp cận thú vị nhất là mạng lưới thần kinh linh hoạt. Chúng được lấy cảm hứng từ hệ thống thần kinh đơn giản và nhỏ gọn của C. Elegans, một loại giun tròn cực nhỏ thường được sử dụng trong nghiên cứu sinh học, chỉ chứa 302 tế bào thần kinh. Không giống như các mô hình phần mềm truyền thống, LNN sử dụng một loại phương trình tính toán được gọi là phương trình vi phân thông thường (ODE) để cho phép nó thích ứng với dòng thời gian liên tục, ngay cả khi không có sẵn khối dữ liệu lớn.
Fraser và Pamela thảo luận về viễn thám và tầm quan trọng của nó đối với cuộc sống mà chúng ta biết.
Nếu một vệ tinh bỏ lỡ ba chuyến bay liên tiếp qua trang trại do bị mây che phủ, LNN có thể dễ dàng kết hợp các khoảng thời gian này về mặt toán học và làm cho hệ thống có vẻ như chưa bao giờ bỏ sót bất kỳ điểm dữ liệu nào. Họ cũng thích nghi với những thay đổi mạnh mẽ và bối rối trước những sự kiện lớn như núi lửa phun trào hay cháy rừng. Và bởi vì họ sử dụng ODE, không cần tính toán chuyên sâu như mã brute-force, nên cuối cùng họ có thể chạy trên các chip máy tính nhỏ hơn, tiêu thụ điện năng thấp—thậm chí có thể chạy trực tiếp trên một số vệ tinh mà họ quan sát.
Tuy nhiên, vẫn còn là những ngày đầu cho công nghệ này. Trong số 61 nghiên cứu trong bài tổng quan, chỉ có khoảng 16% sử dụng LNN. Nhưng quan trọng hơn, nhiều nghiên cứu chỉ kiểm tra mã của họ trong một lĩnh vực hoặc không tính đến mức độ sức mạnh tính toán được sử dụng để hoàn thành các phép tính của họ. Nói cách khác, các nhà nghiên cứu nên tiết chế sự nhiệt tình của mình đối với công nghệ mới này cho đến khi nó thực sự có thể chứng minh rằng nó mang lại lợi thế khác biệt cho vấn đề quan sát này.
Chẳng bao lâu nữa nó sẽ có nhiều cơ hội để chứng tỏ bản thân. Các cơ quan vũ trụ và các công ty tư nhân liên tục phóng các vệ tinh quan sát Trái đất mới, cung cấp thêm dữ liệu huấn luyện. Khi các nhà nghiên cứu tìm ra kỹ thuật nào hoạt động tốt nhất, sự hiểu biết của chúng ta về cách hành tinh của chúng ta hoạt động sẽ được cải thiện.
Tìm hiểu thêm:
R.-A. Gorgan và D. Goran – Mạng thần kinh thích ứng cho hình ảnh viễn thám: Đánh giá có hệ thống
UT – Sự kết hợp độc đáo của ăng-ten có thể cách mạng hóa viễn thám
UT – Các vệ tinh quan sát trái đất có thể bay thấp hơn nhiều so với độ cao hiện tại và cải thiện khoa học
UT – Trái đất là một hành tinh ngoại ô dành cho người ngoài hành tinh. Đây là những gì họ sẽ thấy
