نقشه جدیدی از درختان جهان و پروژه های انرژی تجدیدپذیر ایجاد شده توسط هوش مصنوعی می تواند به مبارزه با تغییرات آب و هوایی کمک کند.

اولین نقشه در نوع خود از پروژه های انرژی های تجدیدپذیر و پوشش درختان در سراسر جهان امروز راه اندازی شد و از هوش مصنوعی مولد برای وضوح تصاویر گرفته شده از فضا استفاده می کند. همه اینها بخشی از ابزار جدیدی به نام است زین از موسسه آلن برای هوش مصنوعی، که توسط یکی از بنیانگذاران مایکروسافت، پل آلن تأسیس شده است.

ابزار، ابتدا با آستانهاز تصاویر ماهواره ای آژانس فضایی اروپا استفاده می کند ماهواره های Sentinel-2. اما این تصاویر همچنان نمای بسیار مبهمی از زمین ارائه می دهند. رفع؟ قابلیتی به نام “Super-Resolution”. اساسا، از مدل‌های یادگیری عمیق برای پر کردن جزئیات، مانند ظاهر ساختمان‌ها، برای تولید تصاویر با وضوح بالا استفاده می‌کند.

در حال حاضر، ساتلاس بر پروژه های انرژی های تجدیدپذیر و پوشش درختان در سراسر جهان تمرکز دارد. این داده ها ماهانه به روز می شود و شامل بخش هایی از سیاره است که توسط Sentinel-2 نظارت می شود. این شامل بیشتر جهان به جز بخش‌هایی از قطب جنوب و اقیانوس‌های باز دور از خشکی است.

مزارع خورشیدی و توربین های بادی خشکی و فراساحلی را نشان می دهد. همچنین می توانید از آن برای مشاهده چگونگی تغییر پوشش تاج درخت در طول زمان استفاده کنید. اینها بینش های مهمی برای سیاستگذارانی است که سعی در دستیابی به اهداف آب و هوایی و سایر اهداف زیست محیطی دارند. اما به گفته موسسه آلن، هرگز ابزاری به این بزرگی وجود نداشته است که برای عموم رایگان باشد.

به گفته توسعه دهندگان، این احتمالاً یکی از اولین نمایش های وضوح فوق العاده در یک نقشه جهانی است. برای اطمینان، هنوز چند پیچیدگی برای انجام دادن وجود دارد. مانند سایر هوش مصنوعی مولد مدل ها، ساتلاس هنوز مستعد “توهم” است.

Ani Kembhavi، مدیر ارشد بینایی کامپیوتر در موسسه آلن می‌گوید: «می‌توان آن را توهم یا دقت ضعیف نامید، اما ساختمان‌ها را به روش‌های خنده‌داری ترسیم می‌کرد. شاید ساختمان مستطیل شکل باشد و مدل ممکن است فکر کند ذوزنقه ای یا چیزی شبیه به آن است.

این ممکن است به دلیل تفاوت‌هایی در معماری از منطقه به منطقه باشد که مدل در پیش‌بینی آن عالی نیست. یکی دیگر از توهمات رایج، قرار دادن ماشین‌ها و کشتی‌ها در مکان‌هایی است که مدل فکر می‌کند باید بر اساس تصاویر مورد استفاده برای آموزش آن باشد.

برای توسعه Satlas، تیم موسسه آلن مجبور شد به صورت دستی تصاویر ماهواره‌ای را برای برچسب‌گذاری ۳۶۰۰۰ توربین بادی، ۷۰۰۰ سکوی فراساحلی، ۴۰۰۰ مزرعه خورشیدی و ۳۰۰۰ درصد تاج پوشش درختی از بین ببرد. به این ترتیب آنها مدل های یادگیری عمیق را آموزش دادند تا به تنهایی آن ویژگی ها را تشخیص دهند. برای وضوح فوق العاده، آنها تصاویر با وضوح پایین بسیاری از یک مکان را که در زمان های مختلف گرفته شده بودند به مدل ها دادند. این مدل از این تصاویر برای پیش بینی جزئیات زیر پیکسل در تصاویر با وضوح بالا استفاده می کند.

موسسه آلن قصد دارد ساتلاس را برای ارائه انواع دیگر نقشه‌ها، از جمله نقشه‌هایی که می‌تواند انواع محصولاتی که در سرتاسر جهان کاشته می‌شوند، شناسایی کند، گسترش دهد.

Kembhavi می گوید: «هدف ما ایجاد یک مدل پایه برای نظارت بر سیاره ما بود. و سپس هنگامی که این مدل پایه را ساختیم، آن را برای کارهای خاص تنظیم کنیم و سپس این پیش‌بینی‌های هوش مصنوعی را در دسترس دانشمندان دیگر قرار دهیم تا بتوانند اثرات تغییرات آب و هوا و سایر پدیده‌هایی را که روی زمین اتفاق می‌افتد، مطالعه کنند.»