Filter by دسته‌ها
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 نظارت دقیق بر بلایای طبیعی به کمک فناوری «دید ماهواره‌ای هوشمند» آمازون

نظارت دقیق بر بلایای طبیعی به کمک فناوری «دید ماهواره‌ای هوشمند» آمازون

پیشرفت هوش مصنوعی و بینایی ماشین در سالیان اخیر، این امکان را در اختیار محققان و دولت‌ها قرار داده است که بسیاری از چالش‌های پردازش تصاویر ماهواره‌ای را از پیش رو بردارند و درک ما از سیاره زمین را بهبود ببخشند. شرکت آمازون، به‌تازگی جدیدترین مدل پیشرفته یادگیری ماشین (ML) خود به نام “Amazon SageMaker” را معرفی کرده تا سیستم نظارت ماهواره‌ای را وارد مرحله تازه‌ای کند.

هنگامی که یک فاجعه زیست‌محیطی در مقیاس بزرگ رخ می‌دهد، امدادگران و نیروهای اورژانس از اولین گروه‌هایی هستند که در منطقه حضور پیدا می‌کنند و از طریق دسترسی به تصاویر ماهواره‌ای و عکس‌های محیطی، سعی می‌کنند که بر جغرافیای منطقه اشراف پیدا کنند؛ اما به‌کارگیری این تصاویر آن‌چنان هم بدون چالش نیست، چرا که این تصاویر اغلب برچسب مشخصی ندارند و استفاده از آنها بسیار دشوار است. حتی پیشرفته‌ترین سیستم‌های بینایی کامپیوتری هم هنگام نمایش تصاویر ماهواره‌ای از مناطق درگیر آتش‌سوزی و سیل، عملکرد مناسبی از خود به‌جای نمی‌گذارند و همچنین به دلیل کمبود داده‌ها و عدم امکان آموزش الگوریتم‌های یادگیری ماشین، دقت و استاندارد لازم برای بررسی فجایع طبیعی وجود ندارد.

نظارت دقیق بر بلایای طبیعی

استفاده از تصاویر هوایی و ماهواره‌ای در حالت عادی می‌تواند بسیار کارآمد باشد؛ اما در هنگام حوادث طبیعی مانند سیل، نتیجه کاملاً متفاوت است. در شرایطی که تمامی خیابان‌ها مملو از آب است، پوشش گیاهی از بین رفته و خطوط جاده‌ای به‌واسطه گل‌ولای پوشیده شده، جز به‌وسیله برچسب‌گذاری تصاویر، نمی‌توان از این داده‌ها استفاده کرد. طبیعتاً با حجم بسیار بالای داده‌ها، برچسب‌گذاری تصاویر توسط نیروی انسانی امری زمان‌بر و گران‌قیمت خواهد بود. درنتیجه، توسعه مدل‌های یادگیری ماشینی که بتوانند به‌صورت خودکار به برچسب‌گذاری و حاشیه‌نویسی تصاویر بپردازند، حیاتی است.

برای آموزش این مدل، از داده‌های جغرافیایی که در سال 2015 تا 2019 توسط هواپیما‌های غیرنظامی تهیه شد، استفاده می‌شود. این مجموعه اطلاعاتی که “LADI” نام دارد، مناطقی از جمله ایالت‌های ساحلی اقیانوس اطلس تا امتداد خلیج مکزیک را در بر می‌گیرد. این سیستم ساخته‌شده توسط آمازون، می‌تواند از ارتفاع پایین اقدام به تصویربرداری و برچسب‌گذاری داده‌ها کند و این اطلاعات را جهت بررسی آسیب‌های سیل، آتش‌سوزی، رانش زمین و… به کارشناسان انسانی ارسال کند. آمازون برای دستیابی به این هدف، از طراحی معماری مقیاس‌پذیر افقی بهره برده است.

تصاویر تهیه‌شده توسط هواپیماهای غیرنظامی، امکان فیلترکردن داده‌های به‌دست‌آمده را فراهم می‌کند تا میزان خسارت به وجود آمده قبل و بعد از حوادث طبیعی از جمله سیل و طوفان باهم مقایسه شود. تغییرات اقلیمی در سالیان گذشته باعث افزایش تعداد و شدت حوادث طبیعی در تمامی نقاط دنیا شده و انتظار می‌رود که در سالیان پیش رو هم این روند افزایشی ادامه داشته باشد. استفاده از مدل پردازش ماشینی آمازون در برچسب‌گذاری تصاویر هوایی و ماهواره‌ای، می‌تواند در تخمین میزان خسارت وارده نقش مؤثری داشته باشد و همچنین پیش‌بینی کند که در صورت بروز بلایای طبیعی، چه میزان خسارت به مناطق موردنظر وارد می‌شود. درنتیجه، می‌توان سیاست‌های توسعه شهری و اقتصادی را به‌گونه‌ای برنامه‌ریزی کرد که در هنگام بروز حوادث زیست‌محیطی، کمترین میزان خسارت جانی و مالی را در پی داشته باشد.

نظر شما درباره سیستم Amazon SageMaker چیست؟ استفاده از این فناوری تا چه حد می‌تواند در کاهش خسارات زیست‌محیطی مفید واقع شود؟

بنر اخبار هوش مصنوعی

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
لطفاً برای تکمیل این فرم، جاوا اسکریپت را در مرورگر خود فعال کنید.