Föreställ dig att kunna fråga en chatbot:"Kan du göra mig en extremt noggrann klassificeringskarta över växtodling i Kenya?" eller "Finns byggnader på min gata?" Och föreställ dig att informationen som kommer tillbaka är vetenskapligt säker och baserad på verifierade jordobservationsdata.
ESA, i samarbete med teknikpartners, arbetar för att göra ett sådant verktyg till verklighet genom att utveckla AI-applikationer som kommer att revolutionera informationsinhämtningen inom jordobservation.
Jordobservation genererar enorma volymer av livsviktig data varje dag, men det är svårt för människor ensamma att säkerställa att vi får ut det bästa värdet av dessa data. Lyckligtvis hjälper AI att interagera med så stora och komplexa datauppsättningar, identifiera nyckelfunktioner och presentera informationen i ett användarvänligt format.
I*STAR till exempel, en aktivitet som samfinansieras av ESA InCubed-programmet, utvecklade en plattform som använder AI för att övervaka aktuella händelser som jordbävningar eller vulkanutbrott så att satellitoperatörer automatiskt kan planera nästa datainsamling för kunder.
SaferPlaces AI-verktyget, återigen med stöd av InCubed, skapar översvämningskartor för katastrofinsatsteam genom att slå samman mätningar på plats med satellitdata. SaferPlaces var avgörande för skadebedömningsarbetet under förra årets översvämningar i Emilia-Romagna i Italien.
Under de senaste åren har utvecklingen av AI accelererat enormt, med framstegen för verktyg som ChatGPT och Gemini som till och med överraskande experter på området. För att dra fördel av denna transformativa innovation och fånga de möjligheter som denna teknik möjliggör, är ett naturligt nästa steg att bygga en textbaserad förfrågan i ChatGPT-stil med jordobservationsdata.
Tillsammans med olika partners från områdena rymd, datorer och meteorologi utvecklar ESA för närvarande en digital assistent för jordobservation som kommer att förstå mänskliga frågor och svara med mänskliga svar – så kallade naturliga språkfunktioner.
Det är dock inte överraskande att det finns ett antal pusselbitar att slutföra för att skapa en sådan digital assistent, till att börja med kraftpaketet som ligger till grund för det, grundmodellen.
AI-modeller fungerar genom att träna och förbättras över tid, men i mer traditionell maskininlärning måste maskinen matas med stora uppsättningar data som har märkts, ofta av en människa.
Ange grundmodeller, som har ett helt annat tillvägagångssätt. En grundmodell är en maskininlärningsmodell som tränar, i stort sett utan mänsklig övervakning, på stora och varierande källor till omärkt data. Grundmodeller är ganska generella, men kan skräddarsys för specifika applikationer.
Resultatet är en flexibel, kraftfull AI-motor och sedan starten 2018 har grundmodeller bidragit till en enorm omvandling inom maskininlärning, som har påverkat många industrier och samhället som helhet.
ESA Φ-lab har flera pågående initiativ för att skapa grundmodeller dedikerade till jordobservationsrelaterade uppgifter. Dessa modeller använder data för att ge information om miljökritiska ämnen som metanläckor och begränsning av extrema väderhändelser.
Ett grundmodellprojekt, PhilEO, startade i början av 2023 och håller nu på att mogna. Ett utvärderingsramverk baserat på globala Copernicus Sentinel-2-data, och snart själva PhilEO-modellen, släpps till jordobservationsgemenskapen för att stimulera en samarbetsstrategi, föra utvecklingen på fältet framåt och säkerställa att den härledda grundmodellen är omfattande validerad.
Bilden ovan visar Richat-strukturen, den typ av funktion som PhilEO-modellen har lärt sig att känna igen utan mänsklig övervakning.
Separata ESA-initiativ undersöker den mänskliga änden av pusslet – att skapa den digitala assistenten som tar en naturlig språkfråga från en användare, bearbetar rätt data genom jordobservationsfundamentmodeller och producerar svaret i text och/eller bilder.
En föregångare till jordens digitala tvilling har nyligen visat att dess prototyp för digital assistent kan utföra multimodala uppgifter och söka bland flera dataarkiv som Sentinel-1 och 2 för att jämföra information.
En ESA Φ-lab-aktivitet som ska starta i april kommer att utforska naturlig språkbehandling för att extrahera och analysera information från verifierade jordobservationstextkällor, tillsammans med tolkningsfrågor från både experter och allmänna användare. Denna aktivitet kommer i slutändan att leda till skapandet av en fullt fungerande digital assistent.
"Konceptet med en digital jordobservationsassistent som kan ge ett brett spektrum av insikter från olika källor är ett lockande perspektiv, och som dessa initiativ visar finns det ett antal grundläggande byggstenar att sätta på plats för att uppnå det målet", kommenterar Chef för ESA Φ-lab Giuseppe Borghi.
"Med tanke på de extremt uppmuntrande framstegen som redan uppnåtts med PhilEO och den digitala assistentens föregångare, förväntar jag mig att de nya projekten kommer att ge spelförändrande resultat inom en snar framtid."
Tillhandahålls av Europeiska rymdorganisationen
