研究人員首次在太空訓練機器學習模型。圖片來源：牛津大學官網(wǎng)

據(jù)英國牛津大學官網(wǎng)29日報道，該?？茖W家首次在外太空一顆人造衛(wèi)星上訓練了一個機器學習模型，這一成果可實現(xiàn)很多應用領域的實時監(jiān)測和決策，有望徹底改變遙感衛(wèi)星的能力。相關論文已經(jīng)提交于近期舉行的國際地球科學與遙感研討會。

遙感衛(wèi)星收集的數(shù)據(jù)是航空測繪、天氣預報、森林監(jiān)測等許多關鍵活動的基礎。目前，大多數(shù)衛(wèi)星只能被動地收集數(shù)據(jù)，無法作出決定或檢測變化，數(shù)據(jù)必須中繼到地球進行處理，而這通常需要數(shù)小時甚至數(shù)天時間，從而限制了人們識別自然災害等事件、迅速應對的能力。

在最新研究中，研究團隊在衛(wèi)星上訓練了一個簡單的模型RaVAEn，以從衛(wèi)星直接拍攝的空中圖像中檢測出云層的變化。該模型基于“小樣本學習”方法，當模型只有幾個樣本可供訓練時，該方法使模型能夠?qū)W習最重要的特征，其關鍵優(yōu)點是可將數(shù)據(jù)壓縮成更小的代表數(shù)據(jù)，使模型得以更高效運行。

通常，開發(fā)一個機器學習模型需要幾輪訓練，而新模型在約1.5秒內(nèi)就完成了訓練階段（使用了1300多張圖像）。當團隊利用新數(shù)據(jù)測試該模型的性能時，其會在約1/10秒內(nèi)自動檢測到云是否存在。

研究人員表示，該模型可很好地適應不同的任務，并使用其他形式的數(shù)據(jù)。他們目前打算開發(fā)更先進的模型，以自動區(qū)別對人類產(chǎn)生重大影響的變化（如洪水、火災等）和自然變化（如不同季節(jié)樹葉顏色的變化）。另一個目標是為更復雜的數(shù)據(jù)，如高光譜衛(wèi)星拍攝的圖像開發(fā)模型，以檢測甲烷泄漏，并應對氣候變化。

此外，傳統(tǒng)機載衛(wèi)星傳感器容易受到惡劣環(huán)境條件影響，因此需要定期校準，而在外層空間使用機器學習有助于克服這一難題。