Per la prima volta, i ricercatori hanno addestrato un modello di apprendimento automatico nello spazio, a bordo di un satellite. Questo risultato potrebbe consentire il monitoraggio e il processo decisionale in tempo reale per una vasta gamma di applicazioni, dalla gestione dei disastri alla deforestazione.
I dati raccolti dai satelliti di telerilevamento sono fondamentali per molte attività chiave, tra cui la mappatura aerea, le previsioni meteorologiche e il monitoraggio della deforestazione.
Attualmente, la maggior parte dei satelliti può raccogliere dati solo passivamente, poiché non sono attrezzati per prendere decisioni o rilevare modifiche. Invece, i dati devono essere trasmessi alla Terra per essere elaborati, il che in genere richiede diverse ore o addirittura giorni. Ciò limita la capacità di identificare e rispondere a eventi che emergono rapidamente, come i disastri naturali.
Rappresentazione artistica di un satellite GPS Block IIIA in orbita. Dotare i satelliti di capacità di apprendimento automatico potrebbe consentire il monitoraggio in tempo reale, inclusi disastri naturali, condizioni meteorologiche estreme e deforestazione. Credito immagine: USAF tramite Wikimedia, dominio pubblico
Per superare queste restrizioni, un gruppo di ricercatori guidati da DPhil student Vít Růžička (Dipartimento di Informatica, Università di Oxford), ha accettato la sfida di addestrare il primo programma di apprendimento automatico nello spazio.
Nel 2022, il team ha presentato con successo la propria idea al Sfrecciando attraverso la missione Starsche aveva pubblicato un bando aperto per proposte progettuali da realizzare a bordo del satellite ION SCV004, lanciato nel gennaio 2022. Nell’autunno del 2022, il team ha effettuato l’uplink del codice del programma al satellite già in orbita.
I ricercatori hanno addestrato un modello semplice per rilevare i cambiamenti nella copertura nuvolosa dalle immagini aeree direttamente a bordo del satellite, in contrasto con l’addestramento a terra.
Il modello era basato su un approccio chiamato apprendimento a pochi colpi, che consente a un modello di apprendere le caratteristiche più importanti da cercare quando ha solo pochi campioni da cui addestrarsi. Un vantaggio chiave è che i dati possono essere compressi in rappresentazioni più piccole, rendendo il modello più veloce ed efficiente.
Vít Růžička ha spiegato: ‘Il modello che abbiamo sviluppato, chiamato RaVAEn, prima comprime i file immagine di grandi dimensioni in vettori di 128 numeri. Durante la fase di addestramento, il modello impara a mantenere in questo vettore solo i valori informativi; quelli relativi al cambiamento che sta cercando di rilevare, in questo caso se è presente o meno una nuvola. Ciò si traduce in un addestramento estremamente rapido grazie all’avere solo un modello di classificazione molto piccolo da addestrare.’
Mentre la prima parte del modello, per comprimere le immagini appena viste, è stata addestrata a terra, la seconda parte (che decideva se l’immagine contenesse nuvole o meno) è stata addestrata direttamente sul satellite.
Normalmente, lo sviluppo di un modello di apprendimento automatico richiederebbe diversi cicli di formazione, utilizzando la potenza di un cluster di computer collegati. Al contrario, il minuscolo modello del team ha completato la fase di addestramento (utilizzando oltre 1300 immagini) in circa un secondo e mezzo.
Quando il team ha testato le prestazioni del modello su nuovi dati, ha rilevato automaticamente se un cloud era presente o meno in circa un decimo di secondo. Ciò ha comportato la codifica e l’analisi di una scena equivalente a un’area di circa 4,8 x 4,8 km2 (equivalente a quasi 450 campi da calcio).
Secondo i ricercatori, il modello potrebbe essere facilmente adattato per svolgere diversi compiti e per utilizzare altre forme di dati.
Vít Růžička ha aggiunto: “Dopo aver raggiunto questa dimostrazione, intendiamo ora sviluppare modelli più avanzati in grado di distinguere automaticamente tra cambiamenti di interesse (ad esempio inondazioni, incendi e deforestazione) e cambiamenti naturali (come cambiamenti naturali nel colore delle foglie durante le stagioni ). Un altro scopo è sviluppare modelli per dati più complessi, incluse immagini da satelliti iperspettrali. Ciò potrebbe consentire, ad esempio, il rilevamento di fughe di metano e avrebbe implicazioni fondamentali per la lotta al cambiamento climatico».
L’esecuzione dell’apprendimento automatico nello spazio potrebbe anche aiutare a superare il problema dei sensori satellitari di bordo che sono influenzati dalle difficili condizioni ambientali, in modo che richiedano una calibrazione regolare.
Vít Růžička ha dichiarato: “Il nostro sistema proposto potrebbe essere utilizzato in costellazioni di satelliti non omogenei, dove è possibile applicare informazioni affidabili da un satellite per addestrare il resto della costellazione. Questo potrebbe essere utilizzato, ad esempio, per ricalibrare i sensori che si sono degradati nel tempo o che hanno subito rapidi cambiamenti nell’ambiente.’
Illustrazione dei dati utilizzati per addestrare il modello di classificazione delle nuvole minuscole (a sinistra) e le previsioni su nuove scene (a destra). L’intero processo di addestramento ha richiesto circa 1,5 secondi, incluso il tempo per la codifica del set di dati di addestramento completo e 10 epoche di addestramento di un modello di classificazione. Credito immagine: dati Sentinel-2 (ESA) elaborati da Vít Růžička.
Questo progetto è stato riassunto in una pubblicazione prestampata “Fast model inference and training on-board of Satellites” disponibile all’indirizzo arXiv. Il lavoro è stato anche presentato alla conferenza International Geoscience and Remote Sensing Symposium (IGARSS) il 21 luglio 2023.
Questo progetto è stato condotto in collaborazione con l’Agenzia Spaziale Europea (ESA) Φ-lab attraverso la campagna Cognitive Cloud Computing in Space (3CS) e l’iniziativa Trillium Technologies Networked Intelligence in Space (NIO.spazio) e partner di D-Orbit e Unibap.
Fonte: università di Oxford
Da un’altra testata giornalistica. news de www.technology.org