Artificiell intelligens-forskare och dataforskare på Facebook har skapat kartor över befolkningstäthet. Det som är så speciellt är att de är mer exakta och med högre upplösning än någon av sina föregångare. Derrick Bonak, Derrick Bonafilia, James Gill, Danil Kirsanov och Jason Sundram vände sig till Facebook-bloggen på tisdagen för att skriva om sitt arbete.

Dessa kartor är designade för ett betydande syfte — kartläggning för humanitärt bistånd och utveckling. Tänk hjälparbetare i sjukdomsbekämpning och katastrofberedskap.

"Med utgångspunkt från vår tidigare publicering av liknande högupplösta befolkningskartor för 22 länder, vi släpper nu nya kartor över majoriteten av den afrikanska kontinenten, och projektet kommer så småningom att kartlägga nästan hela världens befolkning."

Ben Paynter in Snabbt företag redogjorde för de fantastiska utmaningarna i att arbetare får hjälp till de människor som behöver det och hur kartorna kan hjälpa.

"Vacciner, sjukdomsbekämpande insekticider, och nya framsteg inom solteknik kan alla hjälpa människor i utvecklingsländerna att hålla sig friskare och få ett bättre liv. Det är, om du kan hitta dem. På många ställen, mindre samhällen är utspridda över stor och relativt okända terräng."

Detta utvecklades av företagets Boston-baserade World.AI-team. Facebook-teamet hade några bevis på att deras kartor kunde uppnå sitt syfte. De sa att i Malawi, Facebookkartorna användes för att informera en mässling- och röda hundkampanj. Röda Korset kunde distribuera utbildade lokala volontärer till specifika områden i nöd.

Tekniken som tjänar deras mål är en blandning av maskininlärningstekniker, högupplösta satellitbilder, och befolkningsdata. (De skrev att satellitkartorna i detta projekt "genererades med hjälp av kommersiellt tillgängliga satellitbilder från DigitalGlobe - samma typ av bilder som gjorts tillgängliga via allmänt tillgängliga karttjänster.")

Deras metod gick ut på att kartlägga "hundratals miljoner strukturer" som är utspridda över stora områden. De använde det för att extrapolera den lokala befolkningstätheten.

Ett annat Facebook-blogginlägg beskrev processen ytterligare. "Enbart för Afrika, till exempel, systemet undersökte 11,5 miljarder enskilda bilder för att avgöra om de innehöll en struktur. Deras tillvägagångssätt hittade cirka 110 miljoner strukturplatser på bara några dagar."

För att förklara hur AI släpptes lös, ett inlägg av Karen Hao i "Nedladdningen" av MIT Technology Review gick igenom läsarna.

"Först, ett team på Facebooks World.AI-grupp var tvungen att träna ett neuralt nätverk för att känna igen om ett landområde i en satellitbild innehöll ett hem. Att göra detta, forskarna skapade en träningsdatauppsättning genom att lägga över mer än 100 miljoner crowdsourcede koordinater för hem från OpenStreetMap på satellitbilder. De använde också datorskådespel från gamla skolor för att verifiera att bilderna märkta utan hem inte innehöll några talande polygonformade föremål. "

Satellitbilder av den afrikanska kontinenten delades upp i 100 fot-x100-fots områden. De använde det neurala nätverket för att skapa en exakt, högupplöst befolkningstäthetskarta.

Bloggarna är värda att läsa, Säkert, inte bara för att ta reda på vad de åstadkommit utan för att uppskatta den stora utmaning som ligger bakom befolkningskartläggningen. Det är en utmaning, som de sa, lämpad för djupinlärning.

"Ett lands folkräkning visar hur många människor som bor i en viss folkräkning, men det anger inte var människor bor i dessa trakter – och ibland omfattar trakterna hundratals kvadratkilometer. Bara Afrika har 1,2 miljarder människor över nästan 16 miljoner kvadratkilometer; dess största folkräkningskanal är 150, 000 kvadratkilometer med 55, 000 personer. Om forskare visste var husen eller andra byggnader fanns i dessa områden, de skulle kunna skapa extremt exakta densitetskartor genom att fördela befolkningen proportionellt till var och en. "

Så, med tanke på en "massiv obalans, " vad gjorde de?

"Det mesta av världens mark innehåller ingen byggnad, så vi har ofta hanterat negativa till positiva klassobalanser på 100, 000-till-1. Vi använde ett förbearbetningssteg med klassisk datorseendeteknik med nästan perfekt återkallelse (till priset av låg precision) för att kassera de flesta områden som inte innehöll en byggnad. Detta lämnade oss med kandidat -30 x 30 meter (64 x 64 pixlar) fläckar av satellitbilder."

(En bildtext i rapporten förklarar att "Vår pipeline avsätter först platser som inte kunde innehålla en byggnad. Sedan rangordnar nervnätet varje återstående plats efter sannolikheten att den innehåller en byggnad.")

De gick vidare till nästa utmaning, de skrev, och det var att klassificera vilka lappar som innehöll en byggnad. "Även om den minskade kraftigt av förbearbetningen, förhållandet mellan tomma rutor och de med byggnader var fortfarande 10-till-1 eller till och med 1, 000-till-1. Detta skapade ett obalanserat binärt klassificeringsproblem, och vi utvärderade därför våra resultat med F1-poängen, som är det harmoniska medelvärdet för precision och återkallelse."

"Den oöverträffade resolutionen, skala, och noggrannheten i våra senaste erbjudanden bör fortsätta att hjälpa humanitära hjälp- och utvecklingsinsatser runt om i världen."

Teamet har gjort datamängden tillgänglig för nedladdning.

Vad händer härnäst:De planerar att släppa högupplösta befolkningskartor över fler platser under de kommande månaderna. Projektet syftar till att fortsätta lägga till nya kontinenter och länder.

"Nedladdningen" hänvisade under tiden till något som kallas "Deep Geography" och dess sammanfattning föreslår ett allmänt vetenskapligt intresse för att extrahera information från satellitbilder med hjälp av djupinlärning. Ett av exemplen i inlägget var Microsoft, som förra året "utbildade en modell för djupinlärning för att bygga en omfattande datauppsättning av alla byggnadsfotspår i USA."

© 2019 Science X Network