人工智能可在几秒内发现卫星图像上的混沌或秩序

以下文章来源于望穹科技 ，作者望穹科技

在“俄罗斯科学基金会”网站上发表了一篇文章“人工智能将在几秒钟内帮助人们在卫星图像上找到混沌或秩序（chaos or order）”。

俄罗斯科学家们开发了一种处理卫星图像的新方法，即采用人工智能对2D图像进行分析。一种基于机器学习的算法预测混沌和秩序的分布，并根据物体的不规则性生成图像。所使用的方法可以将卫星图像的分析时间从八天减少到几秒钟，从而加快对自然群落现状的监测以及对城市和农业扩展情况的评估。这项研究成果得到了俄罗斯科学基金会（RSF）的资助，发表在《遥感》杂志上。

熵是混沌、不规则（chaos or irregularity）或异质性的度量，用于描述不同性质的系统。因此，通过太空或航空手段观测获得的地形图像，携带着关于物体不规则程度的信息，这些信息可以从不同灰度的像素的相对位置看到。例如，通过分析它们您可以了解森林遭受火灾、强风或害虫入侵的程度——活体生物量比死体生物量更有序，这意味着它将对应于更均匀的区域。利用不同年份的图像，可以追踪混乱或秩序的区域，并评估自然景观被更规则的城市和农田取代的速度。

上部是地表范围和相应的二维熵分布的示例，下部是熵分布的截面图。

而是彼得罗扎沃茨克国立大学（Petrozavodsk）物理与技术研究所的科学家与德国和英国的同事一起，开发了一种基于机器学习的通用方法，该方法可以评估地图图像中的熵。首先，2D图像被自动分成具有一定半径的圆圈。然后，它们中的每一个像素通过一条线连接起来，这样就产生了一系列不同色调的元素。该方法允许您将二维图像转换为一维数据系列。

（a）用圆形核填充图像以进行2D熵计算的方案。（b）用于将二维像素分布转换为一维数据序列zi （R=4）的方案

有一些数学方法可以用来计算出此类系列的复杂性，即它们的熵。作者提出了一种不同的方法，即利用机器学习，通过模型对系列中的一小部分元素进行处理、分类并建立模式。也就是人工智能模型在多幅图像上反复“训练”的方式。然后，它能够在其他图像上以高精确度预测熵值。该方法的有效性通过人工智能预测的熵值和数学方法计算的熵值的相似度进行了评估，结果发现，准确性很高（准确率范围81%至99%）。此外，使用训练有素的模型，可以使图像的处理时间从8天缩短到几秒钟。

用于NNetEn计算的LogNNet模型结构

请注意熵分布的截面图：对于原始的SvdEn熵（红线），采用梯度提升算法（黑线）和自适应提升算法（蓝线）进行逼近。从图表上可以看出，梯度提升算法逼近比自适应度提升算法逼近更准确地复制了原始依赖关系。

值得注意的是，人工智能模型更准确地识别了图像中的异质区域，例如河流、水库或道路的边缘。因此，即使是一条反差不大的道路，也给出了一个比图上背景高约0.15个常规单位的峰值。这是由于这些物体的组成元素相互之间有更多的区别，这被记录为熵的急剧增加。纹理相对光滑的地区（如耕地）的熵值较低。所开发的方法将在许多科学领域找到巨大的实际应用，例如，它将加快地图制图中的图像处理。

物理和数学博士、彼得罗扎沃茨克国立大学物理和技术研究所首席研究员、俄罗斯科学基金会资助项目的负责人安德烈•维利奇科说：我们第一次证明了人工智能预测一维序列熵的能力。我们希望所取得的结果将对信息技术专家有用。所提出的工具将加速熵的分析，特别是如果数据库中包含大量图像（例如Sentinel-2卫星图像存储库）的话。

原文：Entropy Approximation by Machine Learning Regression: Application for Irregularity Evaluation of Images in Remote Sensing（机器学习回归的熵值逼近。应用于遥感图像的不规则度评估）

转自：“测绘学术资讯”微信公众号

如有侵权，请联系本站删除！