人工智能模型利用物理学来自动纠正遥感数据

阳光穿过大气层、反射到地球表面并被遥感卫星上的传感器收集时，湍流、温度变化、水蒸气、二氧化碳、臭氧、甲烷和其他气体会吸收、反射和散射阳光。因此，传感器接收到的光谱数据会发生失真。

科学家们知道这一点，并设计了几种方法来解释腐败影响。

“这个问题和高空图像一样古老，”太平洋西北国家实验室（PNNL）的数据科学家詹姆斯科赫说，他开发了一种新方法来解决这个问题，该方法使用人工智能的一个分支，即物理信息机器学习，并在此过程中增强遥感能力。

Koch 在会议上发表了一篇论文，描述了他的基于物理学的机器学习框架国际地球科学与遥感研讨会7 月 7 日至 12 日在希腊雅典。这项工作是 PNNL 远程开发能力的一部分，并得到了国家安全局实验室指导研究与开发项目的支持。

科学家之所以能够解决大气污染问题，是因为他们了解大气在穿过大气层时如何扭曲阳光的物理原理。这使他们能够从传感器收集的数据中消除大气的影响。这个过程称为大气校正。

大气透射剖面通常是进行大气校正所需的先验知识。该剖面表示不同高度的大气特性和成分，显示不同波长的光如何与大气相互作用。

在没有事先了解的情况下创建大气传输概况的过程正是 Koch 的 AI 技术可能改变游戏规则的地方。

如今，许多大气校正应用都依赖于使用通用的、基于统计数据的大气剖面的现成工具。这些工具足以完成对时间敏感的任务，例如灾害响应监测，并且在绘制大面积地图时具有成本效益。高精度至关重要的应用（例如目标检测）需要数据密集且计算成本高昂的高保真剖面创建。

基于物理的机器学习

为了训练和评估机器学习流程，Koch 使用了蒙大拿州库克市的带标签的俯视图数据集，其中包括具有已知光谱特征的汽车和织物碎片。他使用了其中的 112 张图像（占该场景可用图像的 0.05%），并在一台中端笔记本电脑上进行了训练。

经过训练的模型可以从任何光谱场景中获取像素，以推断大气传输曲线并自动执行大气校正。该方法的核心是一套微分方程，这些方程描述了阳光穿过大气层、从目标上反射、穿过大气层并到达传感器时的变化。

科赫说：“微分方程的约束，即基于物理学的机器学习，是确保这一方法有效运行的秘诀。从构造上讲，该模型可以发出满足一阶物理学的预测。”

除了性能达到现成模型和高保真方法之间的中间范围之外，Koch 的框架还是双向的——它既可以从遥感器收集的光谱场景中消除大气的影响，又可以推断出地面上的物质在通过特定大气进行成像时会是什么样子。

科赫解释说：“有些东西会根据观察点的不同而凸显或隐藏起来。这不是一站式服务。你必须仔细探索最有成效的地方。”

研究现实世界

遥感技术的用途十分广泛，包括追踪光合作用和水分含量随时间变化的干旱和植被指数、检测甲烷羽流、外国军事基地的活动以及边境口岸的人员交通等。

不同的大气校正方法适用于不同的场景，取决于时间、成本和可用数据等因素。

PNNL 实习生 Luis Cedillo，德克萨斯大学埃尔帕索分校的本科生，在SPIE 国防和商业传感 2024在马里兰州国家港口，他介绍了如何利用基于物理的机器学习技术监测沿海生态系统健康状况。他利用机器学习管道共同学习大气和沿海水域的概况，从而解锁了从卫星跟踪珊瑚礁健康状况的新功能。

研究人员目前正在改进他们的方法，着眼于数据有限但需要高保真度的应用，例如目标检测。

“这里的关键优势在于，我们可以用有限的数据获得良好的精度，而不必依赖大量先前的知识，例如传感器的位置或太阳的位置，”科赫说。“我们正在实时学习这些东西。”

“我把一些领域专家在这方面所做的工作融入到机器学习流程中，这样我就可以以数据驱动的方式完成这个过程，”Koch 说。“当需要更高的保真度时，这是一种折中方法，但我们不一定拥有所有资源来识别与大气相关的所有属性。我们使用可用的数据。”