Rola chmur w klimacie Ziemi

Chmury odgrywają kluczową rolę w klimacie i pogodzie na Ziemi. Tworzą różnorodne wzory i typy, które mogą znacząco wpływać na takie procesy jak cykl wodny oraz przepływ energii promienistej przez atmosferę. Obserwacje satelitarne prowadzone od dekad dostarczają unikalnych danych do badania chmur i ich wpływu na system ziemski.

Wyzwania w analizie obrazów satelitarnych

Przytłaczająca ilość obrazów satelitarnych może jednak stanowić wyzwanie, ponieważ ilość materiału jest zbyt duża, aby naukowcy mogli przetworzyć go ręcznie. Sztuczna inteligencja bez nadzoru człowieka potrafi uczyć się interpretacji obrazów, co stanowi rozwiązanie tego problemu. Zazwyczaj jednak, rozpoznawanie obrazów przez AI wymaga dużej ilości etykiet generowanych przez ludzi do trenowania modelu.

Nowe podejście do rozpoznawania typów chmur

W nowym artykule, opublikowanym w „Artificial Intelligence for the Earth Systems”, badacze prezentują AI, która może nauczyć się rozpoznawania typów chmur na podstawie milionów obrazów satelitarnych bez potrzeby wprowadzania danych przez człowieka. AI opracowana w ramach tych badań uczy się generować proste numeryczne reprezentacje obrazów chmur, realizując zadanie dopasowywania obrazów.

Proces trenowania modelu AI

Model jest trenowany na parach obrazów chmur z pobliskich lokalizacji, które prawdopodobnie zawierają te same typy chmur. Model jest nagradzany za naukę podobnych reprezentacji dla obrazów tego samego typu chmur i różniących się dla obrazów o różnych typach chmur. W celu oceny modelu użyto kilku zbiorów danych obrazów chmur, które były wcześniej oznaczone ręcznie w ramach badań nad klasyfikacją chmur. Model osiągnął wyniki porównywalne z modelami, które były trenowane na etykietach generowanych przez ludzi.

Zdolność do generalizacji i analiza wewnętrznych reprezentacji

Badacze wykazali również zdolność modelu do generalizacji między różnymi instrumentami satelitarnymi oraz zbadali wewnętrzne reprezentacje chmur generowane przez model. W tym celu zmuszono model do tworzenia obrazów na podstawie własnych parametrów, co pozwoliło na lepsze zrozumienie procesów wewnętrznych modelu.