Новая карта мировых деревьев и проектов возобновляемой энергетики, созданная искусственным интеллектом, может помочь в борьбе с изменением климата

Сегодня была представлена ​​первая в своем роде карта проектов в области возобновляемых источников энергии и покрытия деревьев по всему миру. Она использует генеративный искусственный интеллект для существенного повышения резкости изображений, сделанных из космоса. Все это часть нового инструмента под названием Седла из Алленовского института искусственного интеллекта, основанного соучредителем Microsoft Полом Алленом.

Инструмент, которым впервые поделились Граньиспользует спутниковые снимки Европейского космического агентства. Спутники Сентинел-2. Но эти изображения по-прежнему дают довольно размытое представление о земле. Исправление? Функция под названием «Суперразрешение». По сути, он использует модели глубокого обучения для заполнения деталей, например, как могут выглядеть здания, для создания изображений с высоким разрешением.

На данный момент Satlas фокусируется на проектах возобновляемой энергетики и древесном покрове по всему миру. Данные обновляются ежемесячно и включают в себя части планеты, контролируемые Sentinel-2. Сюда входит большая часть мира, за исключением частей Антарктиды и открытых океанов вдали от суши.

На нем показаны солнечные фермы, а также береговые и морские ветряные турбины. Вы также можете использовать его, чтобы увидеть, как покрытие крон деревьев менялось с течением времени. Это важные выводы для политиков, пытающихся достичь климатических и других экологических целей. Но, по данным Института Аллена, никогда не существовало столь дорогостоящего инструмента, который был бы доступен широкой публике бесплатно.

По словам разработчиков, это также, вероятно, одна из первых демонстраций сверхвысокого разрешения на глобальной карте. Конечно, есть еще несколько нюансов, над которыми нужно работать. Как и другие генеративные ИИ модели, Сатлас все еще склонен к «галлюцинациям».

«Вы можете назвать это галлюцинацией или недостаточной точностью, но он рисовал здания забавным образом», — говорит Ани Кембхави, старший директор по компьютерному зрению в Институте Аллена. «Может быть, здание прямоугольное, а модель может подумать, что оно трапециевидное или что-то в этом роде».

Это может быть связано с различиями в архитектуре от региона к региону, которые модель не очень хорошо предсказывает. Другая распространенная галлюцинация — размещение автомобилей и судов в местах, которые, по мнению модели, должны быть основаны на изображениях, использованных для ее обучения.

Чтобы разработать Satlas, команде Института Аллена пришлось вручную просмотреть спутниковые снимки, чтобы обозначить 36 000 ветряных турбин, 7 000 морских платформ, 4 000 солнечных ферм и 3 000 процентов древесного покрова. Именно так они обучили модели глубокого обучения распознавать эти функции самостоятельно. Для достижения сверхразрешения они предоставили моделям множество изображений одного и того же места в низком разрешении, сделанных в разное время. Модель использует эти изображения для прогнозирования субпиксельных деталей в генерируемых изображениях с высоким разрешением.

Институт Аллена планирует расширить Сатлас, чтобы предоставить другие виды карт, в том числе карту, которая может определить, какие виды культур высаживаются по всему миру.

«Нашей целью было создать своего рода базовую модель для мониторинга нашей планеты», — говорит Кембхави. «И затем, как только мы создадим эту базовую модель, настроим ее для конкретных задач, а затем сделаем эти прогнозы ИИ доступными для других ученых, чтобы они могли изучать последствия изменения климата и других явлений, происходящих на Земле».