Μηχανική μάθηση στις γεωεπιστήμες και τηλεπισκόπηση
Από RemoteSensing Wiki
Μηχανική μάθηση στις γεωεπιστήμες και τηλεπισκόπηση
Πρωτότυπος Τίτλος: Machine learning in geosciences and remote sensing.
Συγγραφείς: David J. Lary, Amir H. Alavi, Amir H. Gandomi, Annette L. Walker.
Πηγή: Geoscience Frontiers 7 (2016) 3 - 10.
Journal homepage: [1]
1. Εισαγωγή
Το παρόν άρθρο αναφέρεται στην εκμάθηση, η οποία ενσωματώνει ένα ευρύ φάσμα πολύπλοκων διαδικασιών. Η μηχανική μάθηση αποτελεί μέρος της τεχνητής νοημοσύνης και χρησιμοποιεί αλγορίθμους για την αποκρυπτογράφηση δεδομένων και για εφαρμογές, που είναι δύσκολο να προγραμματιστούν. Παρακάτω, θα σημειωθεί η αξία της ως προς την επίλυση προβλημάτων στις γεωεπιστήμες και θα τονισθεί η τηλεπισκόπηση.
Πρώτα απ' όλα, η εκμάθηση μηχανών είναι μια αποτελεσματική μέθοδος για την ταξινόμηση των μη γραμμικών συστημάτων, αλλά και ιδανική για προβλήματα, των οποίων η θεωρητική γνώση είναι ημιτελής. Οι μέθοδοι της μηχανικής μάθησης εφαρμόζονται εδώ και δύο δεκαετίες, γι' αυτό και η ενσωμάτωσή τους στις γεωεπιστήμες και στην τηλεπισκόπηση είναι περιορισμένη. Στη συνέχεια, παρουσιάζονται δύο επεξηγηματικά παραδείγματα, εκ των οποίων το ένα χρησιμοποιεί πολυπαραγοντική, μη παραμετρική οπισθοδρόμηση και το άλλο, πολυπαραγοντική μη επιβλεπόμενη ταξινόμηση.
2. Μεθοδολογία
Ειδικότερα, οι αλγόριθμοι αποκρυπτογραφούν ένα σύστημα μέσω των δεδομένων του. Η εφαρμογή της μηχανικής μάθησης μπορεί να κατηγοριοποιηθεί σε τρία πεδία: 1) ως εργαλείο επιτάχυνσης, 2) ως μοντέλο που χρησιμοποιεί υπάρχοντα δεδομένα και 3) για την ταξινόμηση προβλημάτων.
Οι εφαρμογές του προγράμματος γενετικής στις γεωεπιστήμες και στην τηλεπισκόπηση είναι αρκετά καινούριες και περιορισμένες σε μερικές περιοχές. Παρόλη την καλή επίδοση των αλγορίθμων ANNs και SVM, δεν είναι ικανές για την πρόβλεψη εξισώσεων και για αυτόν τον λόγο, έρχεται στο προσκήνιο το πρόγραμμα γενετικής, το οποίο χρησιμοποιεί την φυσική επιλογή της αρχής του Δαρβίνου για την δημιουργία προγραμμάτων υπολογιστών.
Επιπλέον, οι τεχνικές που βασίζονται στην εκμάθηση μηχανών, χρησιμοποιούνται όλο και περισσότερο για να ερμηνεύσουν τις τηλεπισκοπικές εικόνες. Αντιθέτως, υπάρχουν λιγότερες μελέτες που είναι βασισμένες στον γενετικό προγραμματισμό, στον τομέα της τηλεπισκοπικής τεχνολογίας.
3. Παραδείγματα & Αποτελέσματα
Στη συνέχεια, παρατίθενται δύο επεξηγηματικά παραδείγματα, ώστε να φανεί η αποδοτικότητα της εκμάθησης μηχανών στις γεωεπιστήμες και στην τηλεπισκόπηση. Το πρώτο αφορά στα μόρια που μεταφέρονται στον αέρα και στις κλιματικές αλλαγές, που είναι ένα μείζον θέμα των ημερών μας. Η ατμοσφαιρική ρύπανση αποτελεί αιτία πολλών θανάτων σύμφωνα με τις μελέτες του Παγκόσμιου Οργανισμού Υγείας. Ωστόσο, αν και υπάρχει ανάπτυξη της τηλεπισκόπησης, δεν έχει δημιουργηθεί ακόμη ένα καθοριστικό προϊόν αφθονίας αερολύματος. Τα ατμοσφαιρικά σταγονίδια συναντώνται παγκοσμίως και αποτελούν ακόμη πρόκληση για την μελέτη τους, καθώς και την μελέτη της ποιότητας του αέρα. Αμέτρητες μελέτες έχουν δείξει ότι τα ατμοσφαιρικά μόρια που σχηματίζονται από το έδαφος συνδέονται περισσότερο με τις επιδράσεις στην ανθρώπινη υγεία. Η έκθεση κυρίως στο PM2.5, ακόμη και μικρή, σχετίζεται με πρόωρους θανάτους και καρδιοαναπνευστικά προβλήματα. Επιπροσθέτως, η μεταφορά των μορίων σαν σκόνη αποτελεί φορέα για τα βακτήρια.
Μάλιστα, αξίζει να σημειωθεί ότι ο βαθμός των παρενεργειών εξαρτάται από την σύσταση των συγκεκριμένων μορίων και η σύσταση ποικίλλει ανάλογα με την πηγή των υλικών. Τα υπάρχοντα τηλεπισκοπικά δεδομένα σε συνδυασμό με την μηχανική μάθηση μπορούν να υπολογίσουν την παγκόσμια έκθεση στο PM2.
Το δεύτερο παράδειγμα αφορά στις πηγές σκόνης, οι οποίες συναντώνται παγκοσμίως και συχνά είναι πολύ περιορισμένες. Η ταυτοποίηση των πηγών σκόνης αποτελεί πρόκληση και εδώ έρχεται να χρησιμοποιηθεί η μηχανική μάθηση, η οποία αναδεικνύεται αρκετά αποτελεσματική. Αυτή η μέθοδος χρησιμοποιεί φασματικές υπογραφές ανακλαστικότητας πολλαπλών κυματικών μηκών.
4. Συμπεράσματα
Συνοψίζοντας, λοιπόν, όπως προαναφέρθηκε η εκμάθηση μηχανών μπορεί να ενσωματωθεί στις γεωεπιστήμες και στην τηλεπισκόπηση. Οι εφαρμογές της αφορούν διάφορους τομείς, όπως τα αέρια ίχνη, τα αέρια αερολύματος, τους δείκτες βλάστησης κλπ. Τα δύο επεξηγηματικά παραδείγματα έκαναν ακόμη πιο κατανοητή την εφαρμογή της, αλλά και η συλλογή δεδομένων, όπως επίσης και η ανάλυσή τους παίζουν ακόμη πιο καθοριστικό ρόλο.
