研究人员首次在外太空成功训练机器学习模型

研究人员首次在外太空的卫星上训练机器学习模型。这一成就可以实现从灾害管理到森林砍伐等一系列应用的实时监控和决策。

该项目已在出版物《卫星上的快速模型推理和训练》中进行了总结，该出版物可在预印本服务器arXiv上获取。该工作还在2023年7月21日举行的国际地球科学与遥感研讨会(IGARSS)上进行了展示。

遥感卫星收集的数据对于许多关键活动至关重要，包括航空测绘、天气预报和监测森林砍伐。目前，大多数卫星只能被动收集数据，因为它们不具备做出决策或检测变化的能力。相反，数据必须转发到地球进行处理，这通常需要几个小时甚至几天的时间。这限制了识别和应对快速发生的事件(例如自然灾害)的能力。

为了克服这些限制，由哲学博士生VítRůžička(牛津大学计算机科学系)领导的一组研究人员接受了在外太空训练第一个机器学习程序的挑战。

2022年，该团队成功地将他们的想法提交给了“穿越星辰”任务，该任务已公开征集将在2022年1月发射的IONSCV004卫星上实施的项目提案。2022年秋季，该团队将该程序的代码上传到已经在轨道上的卫星。

研究人员训练了一个简单的模型，可以直接在卫星上从航空图像中检测云层覆盖的变化，这与地面上的训练形成鲜明对比。该模型基于一种称为“少样本学习”的方法，该方法使模型能够在只有少数样本可供训练时学习要寻找的最重要特征。一个关键优势是数据可以被压缩为更小的表示形式，从而使模型更快、更高效。

VítRůžička说：“我们开发的模型称为RaVAEn，首先将大型图像文件压缩为128个数字的向量。在训练阶段，模型学会仅保留该向量中的信息值;与变化相关的值“它正在尝试检测(在本例中)是否存在云。由于只需要训练非常小的分类模型，因此训练速度非常快。”

模型的第一部分(用于压缩新看到的图像)是在地面上训练的，而第二部分(决定图像是否包含云)是直接在卫星上训练的。

通常，开发机器学习模型需要利用链接计算机集群的能力进行多轮训练。相比之下，该团队的微型模型在大约一秒半的时间内完成了训练阶段(使用超过1,300张图像)。

当团队在新数据上测试模型的性能时，它会在大约十分之一秒内自动检测云是否存在。这涉及对相当于约4.8x4.8km2区域(相当于近450个足球场)的场景进行编码和分析。

研究人员表示，该模型可以很容易地适应执行不同的任务，并使用其他形式的数据。VítRůžička补充道：“完成这一演示后，我们现在打算开发更先进的模型，能够自动区分感兴趣的变化(例如洪水、火灾和森林砍伐)和自然变化(例如叶子颜色随季节的自然变化))”。

“另一个目标是开发更复杂数据的模型，包括来自高光谱卫星的图像。例如，这可以检测甲烷泄漏，并对应对气候变化产生关键影响。”

在外太空进行机器学习还可以帮助克服星载卫星传感器受恶劣环境条件影响而需要定期校准的问题。

VítRůžička说：“我们提出的系统可用于非同质卫星星座，其中一颗卫星的可靠信息可用于训练星座的其余部分。例如，这可用于重新校准已经退化的传感器随着时间的推移或经历环境的快速变化。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！