Física

Conjuntos de dados de IA e sensoriamento remoto promovem mineração sustentável e observação da Terra

.

Monitoramento de mineração 4.0: Chegando mais perto de longe

Imagens da superfície da Terra obtidas por satélites agora podem ser processadas usando inteligência artificial (IA). A IA tem o potencial de alcançar avanços significativos na análise de dados de observação da Terra, particularmente em áreas como mudanças climáticas, desmatamento e desastres naturais. Crédito: B. Schröder / HZDR, NASA

Três estudos conduzidos com a colaboração do Instituto Helmholtz Freiberg para Tecnologia de Recursos, um instituto do Helmholtz-Zentrum Dresden-Rossendorf (HZDR), mostram um progresso significativo no monitoramento de áreas de mineração.

Os pesquisadores defendem o uso eticamente orientado da inteligência artificial (IA) para observação da Terra em termos de proteção ambiental e prevenção de desastres. Além disso, eles também desenvolveram um modelo suportado por IA que incorpora dados obtidos por sensoriamento remoto. Isso pode representar um grande passo para a comunidade de observação da Terra.

Os estudos foram publicados na arXiv servidor de pré-impressão e em Transações IEEE sobre Análise de Padrões e Inteligência de Máquina.

“MineNetCD—A Benchmark for Global Mining Change Detection on Remote Sensing Imagery” é o título de um estudo abrangente liderado por um grupo de pesquisa internacional com a participação do Helmholtz Institute Freiberg for Resource Technology (HIF). O estudo foca na exploração e monitoramento de áreas de mineração usando imagens de sensoriamento remoto.

O conjunto de dados recém-desenvolvido, “MineNetCD”, é baseado em mais de 70.000 pares de imagens de sensoriamento remoto bitemporais de alta resolução de 100 locais de mineração em todo o mundo.

Essas imagens, juntamente com a estrutura unificada de detecção de mudanças proposta, que integra mais de 13 modelos avançados de detecção de mudanças, permitem um inventário e uma análise detalhados das mudanças induzidas pela mineração.

“Pela primeira vez, temos um benchmark global para monitorar atividades de mineração à nossa disposição. Os algoritmos desenvolvidos provam ser ferramentas poderosas para pesquisadores e desenvolvedores no monitoramento de atividades globais de mineração”, explica o Professor Pedram Ghamisi, Chefe do grupo de Aprendizado de Máquina no Departamento de Exploração do HIF.

Um componente-chave do estudo é o modelo ChangeFFT, que fornece aos planejadores de mineração um método de medição específico — a chamada Transformação Rápida de Fourier — para utilizar imagens de sensoriamento remoto. Isso permite uma análise detalhada de componentes espectrais críticos e a detecção de mudanças até o nível de pixel. Ao mesmo tempo, ele atinge maior precisão e eficiência no processamento de grandes conjuntos de dados.

“O acesso aberto ao MineNetCD e ao modelo ChangeFFT visa dar suporte à comunidade global de pesquisa e contribuirá para o desenvolvimento de práticas de mineração sustentáveis”, explica o professor Ghamisi sobre a vantagem do conjunto de dados inovador.

O estudo demonstrou uma capacidade extraordinária de distinguir mudanças usando imagens de sensoriamento remoto bitemporal usando o método MineNetCD. Isso torna possível criar consistentemente mapas de detecção de mudanças mais precisos.

“O MineNetCD é uma solução robusta para detectar mudanças relacionadas à mineração, o que é crucial para avaliações de impacto ambiental na indústria de mineração usando geodados”, enfatiza o Professor Ghamisi. “Acreditamos que isso define um padrão para avanços na mineração sustentável.”

IA responsável pela observação da Terra

Entre as novas possibilidades de uso de imagens de sensoriamento remoto na mineração está a crescente aplicação de Inteligência Artificial (IA). No estudo recente “Responsible AI for Earth Observation”, uma equipe de pesquisa internacional enfatiza a necessidade de incorporar práticas éticas e responsáveis ​​relacionadas.

“A IA tem o potencial de alcançar avanços significativos na análise de dados de observação da Terra, particularmente em áreas como mudanças climáticas, desmatamento e desastres naturais. No entanto, o uso dessas tecnologias também traz riscos, como vieses algorítmicos, falta de transparência e o potencial de exacerbar as desigualdades sociais”, explica o professor Pedram Ghamisi, que desempenhou um papel de liderança no estudo internacional.

Os pesquisadores destacam a importância de técnicas para mitigar tais vieses e argumentam que os modelos de IA usados ​​não devem ser apenas poderosos, mas também social e eticamente interpretáveis ​​e responsáveis.

O professor Ghamisi afirma: “Isso inclui coleta e preparação cuidadosas de dados, o desenvolvimento de modelos que minimizem o impacto de vieses, bem como uma colaboração próxima com as partes interessadas para incorporar suas necessidades e preocupações no processo de desenvolvimento”.

O estudo, portanto, defende o uso priorizado de sistemas de IA transparentes e compreensíveis.

“O uso de modelos interpretáveis ​​de machine learning e técnicas de IA explicáveis ​​tem como objetivo garantir que os usuários possam entender um processo de tomada de decisão baseado em IA. Este é um pré-requisito para construir confiança nos resultados”, observam os autores.

Eles também pedem uma abordagem interdisciplinar que fortaleça a colaboração entre profissionais, pesquisadores de IA e partes interessadas relevantes: “O objetivo é garantir que tecnologias inovadoras de sensoriamento remoto sejam sempre desenvolvidas e implantadas em conformidade com as prioridades sociais e ambientais fundamentais.”

SpectralGPT: Um modelo baseado em IA para imagens de sensoriamento remoto

O ChatGPT é conhecido por muitos como uma plataforma de comunicação suportada por IA. Uma plataforma treinada como essa agora também existe para imagens de sensoriamento remoto, chamada SpectralGPT. Isso foi apresentado em um estudo intitulado “SpectralGPT: Spectral Remote Sensing Foundation Model”, que foi realizado por um grupo de pesquisa internacional em colaboração com o HIF.

SpectralGPT é o primeiro modelo de base universal de sensoriamento remoto, que é treinado usando mais de um milhão de imagens de tamanhos, resoluções, séries temporais e regiões variados em um modo de treinamento progressivo. Essa abordagem permite a utilização completa de big data extensivo de sensoriamento remoto e é testada em uma variedade de tarefas relacionadas à visão.

O professor Ghamisi diz: “O foco dos algoritmos de IA mudou entre ser centrado em modelo e centrado em dados ao longo do tempo. No entanto, focar em apenas um aspecto é insuficiente. Em vez disso, deve haver uma ênfase equilibrada na qualidade dos dados e na inovação do modelo, o que uniria especialistas em IA e especialistas em domínio.

“Talvez estejamos entrando na era das abordagens centradas em modelos de dados. A ascensão de modelos de fundação, como nosso pioneiro SpectralGPT e outros modelos da Microsoft, IBM, NASA, ESA e outros no campo da observação da Terra, pode ser uma evidência dessa tendência.”

Ele acrescenta: “Esses modelos são um passo em direção ao sonho de longa data da comunidade de observação da Terra de abordar uma variedade de aplicações usando um único modelo.”

Mais informações:
Danfeng Hong et al, SpectralGPT: Modelo de base de sensoriamento remoto espectral, Transações IEEE sobre Análise de Padrões e Inteligência de Máquina (2024). DOI: 10.1109/TPAMI.2024.3362475

Pedram Ghamisi et al, IA responsável pela observação da Terra, arXiv (2024). DOI: 10.48550/arxiv.2405.20868

Weikang Yu et al, MineNetCD: Um benchmark para detecção de mudanças globais de mineração em imagens de sensoriamento remoto, arXiv (2024). DOI: 10.48550/arxiv.2407.03971

Fornecido pela Associação Helmholtz de Centros de Pesquisa Alemães

Citação: Conjuntos de dados de IA e sensoriamento remoto promovem mineração sustentável e observação da Terra (2024, 29 de agosto) recuperado em 29 de agosto de 2024 de https://phys.org/news/2024-08-ai-remote-advance-sustainable-earth.html

Este documento está sujeito a direitos autorais. Além de qualquer uso justo para fins de estudo ou pesquisa privada, nenhuma parte pode ser reproduzida sem permissão por escrito. O conteúdo é fornecido apenas para fins informativos.

.

Mostrar mais

Artigos relacionados

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Botão Voltar ao topo