Каждое лето IMPACT принимает стажеров, которые помогают проектным командам, получая при этом ценный опыт работы. Двое из этих стажеров рассказали нам о своей работе с использованием спутниковых снимков этим летом. Хадил Фархан, выпускник Северо-восточного университета, работал над тем, чтобы сделать коммерческие спутниковые данные более доступными для общественности. Топу Саха использовал машинное обучение, чтобы найти автоматизированный способ анализа и идентификации следов от града на спутниковых снимках.
CSDA Targeted Ordering — это проект разработки программного обеспечения, целью которого является получение данных от коммерческих поставщиков, доступных в рамках программы коммерческого сбора данных Smallsat (CSDA). Чтобы сделать эти данные более доступными для научного сообщества, события и области интересов извлекаются из текущих статей о событиях, найденных в Интернете, и передаются в систему обработки информации и систематизации данных. Проект Хадила этим летом заключался в том, чтобы создать способ легкого доступа к определенным частям базы данных событий, которая содержит информацию о событиях, таких как торнадо и наводнения, а также даты и пространственные координаты. Затем эти данные использовались в GUI (графическом пользовательском интерфейсе), который позволяет пользователям выбирать данные, извлеченные из базы данных, для быстрой визуализации.
Хадил считает, что этот проект может представлять интерес как для людей внутри, так и за пределами научного сообщества Земли.
«Мы все живем на этой планете, — говорит она, — поэтому собранные данные важны для всех нас».
Спутниковые данные информируют исследователей из разных областей по таким темам, как качество воздуха, разливы нефти, городское развитие и борьба с пожарами. У проекта также удобный интерфейс, а это означает, что любой сможет использовать его для визуализации необходимых данных и получения дополнительной информации по интересующим его темам.
Используя методы машинного обучения и глубокого обучения, Топу попытался найти автоматизированный способ анализа и идентификации следов от града на спутниковых снимках. Град наносит серьезный ущерб растительности и имуществу, стоимость которого, по данным страховой компании Aon, может составлять в среднем от 8 до 14 миллиардов долларов в год. С помощью этого проекта команда смогла извлечь информацию из шейп-файлов шрамов от града, чтобы показать площадь и статистически охарактеризовать диапазон случаев повреждения градом. Они смогли создать наборы данных, готовые к машинному обучению, загрузив фрагменты спутниковых изображений из GIBS (Global Imagery Browse Service), чтобы получить изображение определенного следа от града, а также сгенерировав растровое изображение, чтобы определить, где на самом деле был след от града.
Этот проект является примером того, как машинное обучение можно использовать для автоматизации задач в области наук о Земле. По словам Топу, машинное обучение может показаться трудным для понимания, потому что пользователь обучает компьютер выполнять определенную задачу, не говоря ему об этом явно, тем самым заставляя его принимать решения самостоятельно. Несмотря на то, что это направление исследований не завершено, оно демонстрирует, на что способно машинное обучение.
Анализ и идентификация шрамов от града с помощью машинного обучения хорошо сработали с образованием Топу. В старших классах уроки информатики и статистики, казалось, «легко сочетались друг с другом».
Изучив основы, я узнал, что в информатике есть более глубокий уровень, где статистика и математика используются для автоматизации задач и создания моделей машинного обучения. Собрав воедино информацию об этих курсах, я перешел от вопроса «когда мне понадобится эта информация» к вопросу «как я могу применить эту информацию?»
Точно так же Хадил, будучи студентом-информатиком, говорит, что этот проект был особенно захватывающим, потому что данные «кажутся более актуальными и удобоваримыми, поскольку я всегда увлекался географией и другими науками».
Более подробную информацию о IMPACT можно найти на NASA Earthdata и на веб-сайте проекта IMPACT.
