OpenAI и Microsoft укрепляют позиции Великобритании в области согласования ИИ за счёт расширения финансирования — Devdiscourse

Ежедневно спутники делают снимки, которые помогают прогнозировать погоду, отслеживать состояние посевов, фиксировать лесные пожары, составлять карты городов и изучать изменение климата. Однако существует одна серьёзная проблема — облака. В любой момент времени значительная часть поверхности Земли закрыта облаками, и когда они заслоняют объективы спутниковых камер, ценная информация о поверхности теряется.

Для учёных, государственных структур и бизнеса, которые зависят от чётких спутниковых снимков, облачность может приводить к задержкам в принятии решений и снижению точности данных. В тропических регионах, где облака частые и плотные, получить ясный снимок особенно сложно. Именно поэтому удаление облаков со спутниковых изображений стало одним из ключевых направлений исследований.

От старых методов к интеллектуальному ИИ

Раньше для удаления облаков использовались физические и математические методы. Учёные применяли атмосферные модели, чтобы оценить, как свет взаимодействует с облаками, или комбинировали изображения за разные даты, чтобы заполнить облачные участки. Эти методы работали в простых ситуациях, но сталкивались с трудностями, когда облака закрывали большие территории или когда ландшафт быстро менялся.

Машинное обучение немного улучшило ситуацию: с его помощью на основе исторических данных пытались предсказать, что может скрываться под облаками. Однако эти системы по‑прежнему сильно зависели от качественных эталонных изображений и часто давали сбои в новых или сложных условиях.

Прорыв произошёл с появлением глубокого обучения. Вместо того чтобы просто предсказывать недостающие пиксели, новые модели изучают закономерности на основе огромных коллекций снимков без облаков. Они пытаются понять, как обычно выглядят ландшафты, а затем воссоздают то, что может быть скрыто под облаками.

Как GANs воссоздают скрытые ландшафты

Generative Adversarial Networks (GANs) работают по принципу творческого соревнования. Одна нейронная сеть, называемая генератором, пытается создать изображение без облаков. Другая сеть, дискриминатор, проверяет, выглядит ли изображение реальным или фальшивым. В ходе этого процесса генератор постепенно совершенствуется, пока не начнёт выдавать реалистичные результаты.

При удалении облаков GANs могут воссоздавать здания, дороги, леса и сельскохозяйственные угодья, скрытые под облаками. Некоторые версии используют механизмы внимания, которые помогают модели сосредоточиться на облачных участках. Другие комбинируют данные с радарных датчиков, способных «видеть» сквозь облака, чтобы повысить точность.

Модели на основе GANs известны тем, что создают чёткие и визуально убедительные изображения. После обучения они работают относительно быстро, что делает их привлекательными для крупномасштабных приложений. Однако они могут быть нестабильны в процессе обучения и иногда сталкиваются с трудностями, когда облака слишком плотные и полностью блокируют информацию о поверхности.

Диффузионные модели: более стабильный подход

Диффузионные модели — более новый подход, работающий иначе. Вместо конкурирующих сетей они используют пошаговый процесс. Сначала они постепенно добавляют шум к изображению, а затем учатся обращать этот шум вспять и восстанавливать исходное изображение. При удалении облаков они применяют этот процесс для воссоздания чётких изображений поверхности из снимков с облаками.

Эти модели зачастую более стабильны, чем GANs, и могут создавать реконструкции очень высокого качества. Во многих случаях они демонстрируют лучшие числовые показатели с точки зрения сходства изображений и снижения шума. Это означает, что восстановленные изображения ближе к реальным условиям на поверхности.

Однако диффузионные модели обычно работают медленнее и требуют больше вычислительных ресурсов из‑за повторяющихся этапов обработки. Это может затруднить их использование в системах реального времени или на спутниках с ограниченными бортовыми ресурсами.

Путь к практическому применению

Несмотря на достигнутые успехи, удаление облаков остаётся сложной задачей. Тонкие облака легче обработать, поскольку сквозь них проходит некоторый свет. С плотными облаками ситуация сложнее — они полностью скрывают поверхность. В таких случаях модели ИИ должны угадывать, что находится под ними, опираясь на ранее изученные закономерности. Всегда присутствует некоторая неопределённость.

Ещё одна проблема — данные. Многие модели для удаления облаков обучаются и тестируются на конкретных наборах данных с определёнными типами ландшафтов и условий облачности. Это затрудняет оценку того, насколько хорошо они будут работать в глобальном масштабе.

Тем не менее потенциальные преимущества огромны. Более чёткие спутниковые снимки могут улучшить реагирование на стихийные бедствия, укрепить мониторинг продовольственной безопасности, поддержать городское планирование и усовершенствовать климатические исследования.

Будущее, возможно, лежит в объединении сильных сторон GANs и диффузионных моделей — создании гибридных систем, которые будут одновременно точными и эффективными. По мере того как спутниковые данные становятся всё важнее для повседневной жизни, более совершенные системы ИИ могут вскоре помочь нам лучше видеть Землю, даже когда небо заполнено облаками.

Прокомментировать в Телеграм: https://t.me/n8nhow

Подписаться на канал обучения n8n: https://t.me/n8ncoaching