TL;DR
- وقتی به هوش مصنوعی و جغرافیا فکر میکنیم،.
- اغلب بر روی ناوبری یا رسیدن از نقطه A به نقطه B تمرکز میکنیم.
- با این حال،.
چه اتفاقی افتاد
وقتی به هوش مصنوعی و جغرافیا فکر میکنیم،. اغلب بر روی ناوبری یا رسیدن از نقطه A به نقطه B تمرکز میکنیم.
با این حال،. محیط ساخته شده - شبکه پیچیده جادهها،.
ساختمانها،. مشاغل و زیرساختها که دنیای ما را تعریف میکند - حاوی اطلاعات بسیار بیشتری از مختصات روی نقشه.
است. این ویژگیها داستانی در مورد سلامت اجتماعی-اقتصادی، الگوهای محیطی و توسعه شهری میگویند.
تا همین اواخر،. ترجمه این ویژگیهای جغرافیایی متنوع به قالبهایی که مدلهای یادگیری ماشین (ML) میتوانند درک کنند،.
یک فرآیند دستی و کار فشرده بود. محققان اغلب مجبور بودند برای هر مشکل جدیدی که میخواستند آن را حل کنند،.
شاخصهای خاصی را به دست میآوردند. در Google Research،.
بهعنوان بخشی از ابتکار Google Earth AI،. مجموعه جمعی از تلاشهای جغرافیایی ما که اطلاعات سیارهای را به هوش عملی تبدیل میکند،.
راهی جدید برای پر کردن این شکاف ایجاد کرده ایم. با استفاده از مدلهای پایه و استدلال پیشرفته هوش مصنوعی.
در راستای چشم انداز هوش مصنوعی زمین،. ما اخیراً S2Vec را معرفی کردیم،.
یک چارچوب خود نظارت که برای یادگیری تعبیههای همهمنظوره (یعنی خلاصههای عددی و فشرده) از محیط ساخته شده. طراحی شده است.
S2Vec به هوش مصنوعی اجازه میدهد تا شخصیت یک محله را دقیقاً مانند یک انسان درک کند،. الگوهای نحوه توزیع پمپ بنزین،.
پارکها و مسکن را تشخیص دهد و از این دانش برای پیش بینی معیارهای مهم،. از تراکم جمعیت گرفته تا اثرات زیست محیطی،.
استفاده کند. در ارزیابیهای ما،.
S2Vec عملکرد رقابتی را در برابر خطوط پایه مبتنی بر تصویر در وظایف پیشبینی اجتماعی-اقتصادی،. بهویژه در سازگاری جغرافیایی (برونیابی)،.
نشان داد،. در حالی که نشاندهنده نیاز واضح به بهبود در وظایف محیطی،.
مانند پوشش درخت و ارتفاع است. چالش:.
فراتر رفتن از نقاط روی نقشه کار با دادههای جغرافیایی بسیار دشوار است زیرا چندوجهی است و. در مقیاس بسیار متفاوت است.
یک بلوک شهری ممکن است شامل صدها نقطه داده (ساختمانها،. کافهها،.
ایستگاههای اتوبوس) باشد،. در حالی که یک منطقه روستایی ممکن است فقط تعداد کمیداشته باشد.
مدلهای استاندارد ML دادههای ساختاریافته و یکنواخت را ترجیح میدهند، مانند شبکه پیکسلها در یک عکس. برای رفع این چالش،.
S2Vec از یک فرآیند دو مرحلهای برای شطرنجی کردن جهان استفاده میکند:. تقسیمبندی هندسه S2:.
ما از کتابخانه هندسه S2 برای تقسیم سطح زمین به سلسله مراتبی از سلولها استفاده میکنیم. این به ما امکان میدهد با وضوحهای مختلف به دنیا نگاه کنیم،.
از یک کشور کامل تا چند متر مربع،. و سلولهای هر وضوحی را برای هر مکانی بسیار کارآمد جستجو کنیم.
نسخه بهینهسازی شده داخلی کتابخانه S2 ما میتواند بهطور یکپارچه بین رزولوشنهای سلولی که یک. مکان مشخص را پوشش میدهد جابجا شود.
شطرنجی سازی ویژگیها:. به جای اینکه ساختمانها یا جادهها را بهعنوان یک لیست در نظر بگیریم.
از مختصات،. انواع ویژگیها را در هر سلول S2 میشماریم و آنها را در یک تصویر چند لایه مرتب میکنیم.
اگر یک سلول دارای سه کافی شاپ و یک پارک باشد،. آنها در تصویر جغرافیایی ما به "رنگ" تبدیل میشوند.
این دگرگونی به ما این امکان را میدهد که با دادههای جغرافیایی محیط ساخته شده مانند. یک عکس دیجیتالی که هوش مصنوعی میتواند آن را "دید" رفتار کنیم.
به نوبه خود،. این شطرنجیسازی جعبه ابزار وسیع و بالغ تکنیکهای بینایی رایانهای را که عمدتاً مشکل درک تصویر طبیعی را.
حل کردهاند،. باز میکند.
رمزگذاری خودکار ماسک شده:. یادگیری بدون برچسب پس از تبدیل محیط ساخته شده به تصاویر ویژگی شطرنجی شده،.
S2Vec آنها را با استفاده از رمزگذاری خودکار ماسک شده (MAE)،. یک تکنیک یادگیری خود نظارت قوی تجزیه و تحلیل میکند.
در حالی که ML سنتی به ی دست ساز متکی است (بهعنوان مثال،. برچسب گذاری دستی مناطق برای سطح درآمد یا کیفیت هوا)،.
نظارت شخصی این تنگنا را از بین میبرد. از آنجایی که برچسبگذاری کل سیاره یک کار غیرممکن است،.
MAE به ما اجازه میدهد تا بینشهای جهانی را بدون نیاز به ی ساختهشده دستی باز کنیم. فرآیند MAE بهطور سیستماتیک یک «وصله» از محیط ساختهشده را به مدل نشان میدهد در حالی که بخشهای.
خاصی از آن را پنهان میکند. سپس مدل قطعات گمشده را صرفاً بر اساس بافت اطراف بازسازی میکند:.
منطق زمینهای:. اگر مدل مجموعهای از ساختمانهای مسکونی مرتفع و یک ایستگاه مترو را ببیند،.
یاد میگیرد که به درستی پیشبینی کند که احتمالاً یک فروشگاه مواد غذایی در منطقه نقابدار وجود دارد. مقیاس:.
با تمرین این میلیونها بار در سراسر جهان،. این مدل روابط عمیق و اساسی بین ویژگیهای مختلف شهری را یاد میگیرد.
این رشتههای اعداد نشاندهنده ویژگیهای یک مکان هستند،. و پایهای را ایجاد میکنند که میتواند برای طیف وسیعی از وظایف تطبیق داده شود.
در مرحله بعد،. MAE یاد میگیرد که "جاهای خالی" بخشهای نقشه پنهان را پر کند و الگوهای عمیق را.
در محیط ساخته شده شناسایی کند. این یک "جاسازی" ریاضی قدرتمند برای هر مکانی ایجاد میکند و به ما امکان میدهد معیارهای.
اجتماعی-اقتصادی مانند قیمت مسکن و تراکم جمعیت را با مقیاس و دقت جهانی پیش بینی کنیم. حتی بدون اینکه گفته شود "منطقه مالی" یا "منطقه مسکونی حومه شهر" چیست،.
این مدل میتواند آنها را صرفاً بر اساس رابطه فضایی ویژگیهای آنها با هم گروه بندی. کند.
ارزیابی ما عملکرد زمین فضایی S2Vec را با چندین رویکرد جاسازی مبتنی بر تصویر و مکانی،. از جمله:.
SATCLIP،. GEOCLIP،.
RS-MaMMUT،. Hex2vec و GeoVeX مقایسه کردیم.
مدلها بر اساس معیارهای رگرسیون جغرافیایی چندگانه،. بهویژه پیشبینی معیارهای اجتماعی-اقتصادی مانند تراکم جمعیت و درآمد متوسط در ایالات متحده،.
و همچنین عوامل محیطی از جمله انتشار کربن،. پوشش درخت و ارتفاع،.
ارزیابی شدند. تقسیمهای قطار/آزمایش (الحاق) و انطباق جغرافیایی صفر شات (برونیابی).
نقاط قوت اجتماعی و اقتصادی S2Vec معمولاً بهترین مدل فردی برای وظایف تطبیق جغرافیایی صفر شات است،. مانند پیشبینی درآمد متوسط در سراسر ایالات متحده یا تراکم جمعیت در مناطق غیرقابل مشاهده.
همجوشی چندوجهی ترکیب S2Vec با تعبیههای مبتنی بر تصویر (تلفیقی چند وجهی) معمولاً با استفاده از هر روش. منفرد بهتر عمل میکند.
ضعف محیطی در حالی که S2Vec در پیش بینی عوامل محیطی مانند انتشار کربن رقابتی بود،. نتایج نشان داد که دادههای "محیط ساخته شده" به تنهایی همیشه کافی نیست.
برای این کارها،. S2Vec بهترین عملکرد را زمانی داشت که با تعبیههای تصاویر ماهوارهای ترکیب شود،.
که ویژگیهای حملونقل،. پوشش گیاهی و زمین را به تصویر میکشد که تعداد ساختمانها ممکن است از دست بروند.
نتیجه گیری S2Vec نشان دهنده یک گام مهم به سمت هوش پایه برای جغرافیا است. با ایجاد روشی مقیاسپذیر و خود نظارت برای نمایش محیط ساخته شده،.
ما از مدلهای دستساز دور میشویم و به سمت شکل کلیتری از هوش مصنوعی جغرافیایی حرکت میکنیم. پیامدهای این نوع کار گسترده است.
برنامهریزان شهری میتوانند از بینشهای حاصل از این تعبیهها و موارد مشابه برای درک بهتر چگونگی تأثیر تغییرات. زیرساختی بر سلامت محلهها استفاده کنند،.
در حالی که محققان محیطزیست میتوانند با دقت بیشتری ردپای کربن شهرهایی که به سرعت در حال رشد. هستند مدلسازی کنند.
آموزش هوش مصنوعی برای "خواندن" زبان خیابانها و ساختمانهای ما باعث میشود درک عمیقتر و مبتنی بر دادهها. از جهان ما ایجاد شود.
این با مأموریت گستردهتر هوش مصنوعی زمین ما برای تبدیل اطلاعات سیارهای به هوش عملی همسو است -. هدفی که توسط اکوسیستم مدلهای بنیاد موجود ما پشتیبانی میشود.
مدل بنیاد پویایی جمعیت (PDFM) و مدل RS-MaMMUT VLM بنیادهای سنجش از راه دور. این ابزارها با هم مقیاس و دقت مورد نیاز برای نقشه برداری و مدیریت تاثیر ما بر روی.
سیاره را فراهم میکنند. قدردانیها مایلیم از سایر نویسندگان همکار در مقاله تشکر کنیم:.
ایویل تسوگسورن،. چاندراکوماری سووارنا،.
الاد آهارونی،. عبدالرحمن کریدیه،.
چون تا لو و نها آرورا. ما همچنین میخواهیم از پرانجال آواستی برای بینشهای ارزشمند تشکر کنیم.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.