Искусственный интеллект, основанный на физике, автоматически корректирует данные дистанционного зондирования

Учёные из Тихоокеанской северо-западной национальной лаборатории (PNNL) разработали новый подход для решения классической проблемы искажения данных дистанционного зондирования атмосферой. Метод использует физически информированное машинное обучение для автоматического создания профиля атмосферной передачи и коррекции спектральных сцен. Работа была представлена на Международном симпозиуме по геонаукам и дистанционному зондированию (IGARSS) в Афинах.

Проблема атмосферной коррекции — устранения влияния газов, аэрозолей и турбулентности на свет, достигающий спутникового сенсора, — критически важна для точности данных. Традиционные методы либо используют обобщённые статистические атмосферные профили (быстро, но с умеренной точностью), либо требуют создания ресурсоёмких высокоточных моделей. Новый ИИ-фреймворк предлагает компромиссное решение, достигая хорошей точности с минимальными исходными данными.

В основе подхода лежит набор дифференциальных уравнений, описывающих, как солнечный свет изменяется при прохождении через атмосферу. "Ограничение в виде дифференциального уравнения, это физически информированное машинное обучение, — секретный соус, который гарантирует, что это работает хорошо", — пояснил Джеймс Кох, специалист по данным PNNL. Модель, обученная всего на 112 примерах (0.05% от доступной сцены), способна выводить атмосферный профиль и автоматически корректировать данные, а также симулировать, как материал на земле будет выглядеть при съёмке через конкретную атмосферу.

Технология уже находит применение: на конференции SPIE Defense and Commercial Sensing 2024 был представлен постер об использовании этого метода для мониторинга здоровья прибрежных экосистем, например, коралловых рифов. Исследователи продолжают совершенствовать подход для задач, где критически важна высокая точность при ограниченных данных, таких как обнаружение целей.