ປັນຍາປະດິດ
'ການປອມແປງເລິກ' ອາດຈະເຮັດໃຫ້ເຂົ້າໄປໃນພູມສາດໃນໄວໆນີ້
ຄວາມກັງວົນຕໍ່ 'ການປອມແປງຢ່າງເລິກເຊິ່ງ' ກໍາລັງເລີ່ມຂະຫຍາຍໄປສູ່ຂົງເຂດອື່ນໆ, ເຊັ່ນ: ວິທະຍາສາດຂໍ້ມູນພູມສາດ (GIS). ນັກຄົ້ນຄວ້າຢູ່ມະຫາວິທະຍາໄລ Binghamton ດຽວນີ້ ກຳ ລັງເລີ່ມແກ້ໄຂບັນຫາທີ່ອາດຈະເກີດຂື້ນນີ້.
ທີມງານປະກອບມີຮອງສາດສະດາຈານຂອງພູມສາດ Chengbin Deng, ແລະເພື່ອນຮ່ວມງານອີກສີ່ຄົນ, ລວມທັງ Bo Zhao ແລະ Yifan Sun ທີ່ມະຫາວິທະຍາໄລວໍຊິງຕັນ, ແລະ Shaozeng Zhang ແລະ Chunxue Xu ຢູ່ມະຫາວິທະຍາໄລລັດ Oregon.
ການຄົ້ນຄວ້າໃຫມ່ໄດ້ຖືກຈັດພີມມາຢູ່ໃນ ວິທະຍາສາດແຜນທີ່ ແລະພູມສາດ, ຫົວຂໍ້ "ພູມສາດປອມເລິກ? ເມື່ອຂໍ້ມູນພູມສາດພົບກັບປັນຍາທຽມ. "
ໃນເອກະສານ, ທີມງານຄົ້ນຄວ້າວິທີການສ້າງຮູບພາບດາວທຽມປອມແລະສາມາດກວດພົບໄດ້.
ທ່ານ Deng ກ່າວວ່າ“ ດ້ວຍຄວາມຊື່ສັດ, ພວກເຮົາອາດຈະເປັນຄົນ ທຳ ອິດທີ່ຮັບຮູ້ບັນຫາທີ່ເປັນໄປໄດ້ນີ້.
ວິທະຍາສາດຂໍ້ມູນພູມສາດ (GIS) ແລະ GeoAI
ວິທະຍາສາດຂໍ້ມູນຂ່າວສານພູມສາດ (GIS) ໄດ້ຖືກນໍາໃຊ້ສໍາລັບການຫຼາຍຂອງການນໍາໃຊ້ທີ່ແຕກຕ່າງກັນ, ລວມທັງການປ້ອງກັນປະເທດແລະຍານພາຫະນະເປັນເອກະລາດ. ໂດຍຜ່ານການພັດທະນາ Geospatial Artificial Intelligence (GeoAI), ເຕັກໂນໂລຊີ AI ໄດ້ສ້າງຜົນກະທົບໃນພາກສະຫນາມ.
GeoAI ໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອສະກັດແລະວິເຄາະຂໍ້ມູນພູມສາດ. ຢ່າງໃດກໍຕາມ, GeoAI ຍັງສາມາດຖືກນໍາໃຊ້ເພື່ອປອມແປງສັນຍານ GPS, ຂໍ້ມູນສະຖານທີ່ໃນສື່ມວນຊົນສັງຄົມ, ປະດິດຮູບພາບຂອງສະພາບແວດລ້ອມທາງພູມິສາດ, ແລະສໍາລັບ array ກ້ວາງຂອງຄໍາຮ້ອງສະຫມັກອັນຕະລາຍອື່ນໆ.
“ພວກເຮົາຕ້ອງຮັກສາສິ່ງທັງໝົດນີ້ໃຫ້ສອດຄ່ອງກັບຈັນຍາບັນ. ແຕ່ໃນເວລາດຽວກັນ, ພວກເຮົານັກຄົ້ນຄວ້າຍັງຈໍາເປັນຕ້ອງເອົາໃຈໃສ່ແລະຊອກຫາວິທີທີ່ຈະແຍກແຍະຫຼືກໍານົດຮູບພາບປອມເຫຼົ່ານັ້ນ, "Deng ເວົ້າ. "ດ້ວຍຊຸດຂໍ້ມູນຫຼາຍຢ່າງ, ຮູບພາບເຫຼົ່ານີ້ສາມາດເບິ່ງຕົວຈິງກັບຕາຂອງມະນຸດ."
ການສ້າງຮູບພາບທີ່ບໍ່ຖືກຕ້ອງ
ຂັ້ນຕອນທໍາອິດໃນການກວດສອບຮູບພາບທີ່ສ້າງຂຶ້ນປອມແມ່ນການກໍ່ສ້າງຫນຶ່ງ, ດັ່ງນັ້ນທີມງານໄດ້ອີງໃສ່ເຕັກນິກທົ່ວໄປສໍາລັບການສ້າງການປອມແປງເລິກທີ່ເອີ້ນວ່າ Cycle-Consistent Adversarial Networks (CycleGAN). CycleGAN ແມ່ນລະບົບການຮຽນຮູ້ແບບເລິກລັບທີ່ບໍ່ມີການເບິ່ງແຍງເຊິ່ງສາມາດຈຳລອງສື່ສັງເຄາະໄດ້.
Generative Adversarial Networks (GAN), ເຊິ່ງເປັນປະເພດຂອງ AI, ຕ້ອງການຕົວຢ່າງການຝຶກອົບຮົມຂອງເນື້ອຫາທີ່ເຂົາເຈົ້າກໍາລັງດໍາເນີນໂຄງການເພື່ອຜະລິດ. ຕົວຢ່າງ, GAN ສາມາດສ້າງເນື້ອຫາສໍາລັບຈຸດຫວ່າງຢູ່ໃນແຜນທີ່ໂດຍການກໍານົດຄວາມເປັນໄປໄດ້ທີ່ແຕກຕ່າງກັນ.
ນັກຄົ້ນຄວ້າໄດ້ກໍານົດການປ່ຽນແປງຮູບພາບດາວທຽມຂອງ Tacoma, ວໍຊິງຕັນ, ແລະພວກເຂົາເຈົ້າໄດ້ interspersed ອົງປະກອບຂອງ Seattle ແລະປັກກິ່ງໃນຂະນະທີ່ເຮັດໃຫ້ມັນປະກົດເປັນຈິງເທົ່າທີ່ເປັນໄປໄດ້. ຢ່າງໃດກໍ່ຕາມ, ນັກຄົ້ນຄວ້າເຕືອນຕໍ່ກັບວຽກງານດັ່ງກ່າວ.
“ມັນບໍ່ກ່ຽວກັບເຕັກນິກ; ມັນແມ່ນກ່ຽວກັບວິທີທີ່ມະນຸດໃຊ້ເຕັກໂນໂລຢີ,” Deng ເວົ້າ. "ພວກເຮົາຕ້ອງການໃຊ້ເຕັກໂນໂລຢີເພື່ອຜົນດີ, ບໍ່ແມ່ນເພື່ອຈຸດປະສົງທີ່ບໍ່ດີ."
ຫຼັງຈາກການສ້າງ, ທີມງານໄດ້ປຽບທຽບ 26 ຕົວວັດແທກຮູບພາບທີ່ແຕກຕ່າງກັນເພື່ອກໍານົດວ່າມີຄວາມແຕກຕ່າງທາງສະຖິຕິລະຫວ່າງຮູບພາບທີ່ແທ້ຈິງແລະບໍ່ຖືກຕ້ອງ, ແລະພວກເຂົາໄດ້ລົງທະບຽນຄວາມແຕກຕ່າງດັ່ງກ່າວໃນ 20 ຂອງ 26 ຕົວຊີ້ວັດ (80%).
ຄວາມແຕກຕ່າງລວມມີສີຂອງຫລັງຄາ, ບ່ອນທີ່ສີໃນຮູບພາບທີ່ແທ້ຈິງແມ່ນເປັນເອກະພາບ, ໃນຂະນະທີ່ຢູ່ໃນອົງປະກອບໄດ້ຖືກ mottled. ທີມງານຍັງພົບວ່າຮູບດາວທຽມປອມນັ້ນມີສີສັນໜ້ອຍລົງ ແລະ ມືດມົວກວ່າ, ແຕ່ມັນຍັງມີຂອບທີ່ຄົມກວ່າ. ອີງຕາມ Deng, ຄວາມແຕກຕ່າງແມ່ນຂຶ້ນກັບວັດສະດຸປ້ອນທີ່ໃຊ້ເພື່ອພັດທະນາການປອມແປງ.
ການຄົ້ນຄວ້ານີ້ວາງພື້ນຖານສໍາລັບການເຮັດວຽກຕື່ມອີກ, ເຊິ່ງສາມາດເຮັດໃຫ້ນັກພູມສາດສາມາດຕິດຕາມປະເພດຕ່າງໆຂອງເຄືອຂ່າຍ neural ເພື່ອເບິ່ງວ່າພວກເຂົາສ້າງຮູບພາບປອມ, ເຊິ່ງນໍາໄປສູ່ການກວດພົບທີ່ດີກວ່າ. ທີມງານກ່າວວ່າວິທີການລະບົບຈະຕ້ອງໄດ້ພັດທະນາເພື່ອກວດສອບການປອມແປງເລິກແລະກວດສອບຂໍ້ມູນທີ່ຫນ້າເຊື່ອຖືໃນພາກສະຫນາມນີ້.
"ພວກເຮົາທຸກຄົນຕ້ອງການຄວາມຈິງ," Deng ເວົ້າ.
