Τεχνητή νοημοσύνη και Δορυφόροι προσδιορίζουν την κάλυψη της αστικής επιφάνειας στο Ηράκλειο.
Συγκεκριμένα, πριν λίγες μέρες δημοσιεύτηκε επιστημονική εργασία σχετική με τη Μηχανική Μάθηση από τους Γιάννη Λαντζανάκη, Ζίνα Μιτράκα και Νεκτάριο Χρυσουλάκη του Εργαστηρίου Τηλεπισκόπησης και Εφαρμογών σε Αστικό και Φυσικό Περιβάλλον (http://rslab.gr) του Ινστιτούτου Υπολογιστικών Μαθηματικών του ΙΤΕ.
Η δημοσίευση συμπεριλαμβάνεται στην επιστημονική επιθεώρηση IEEE Transactions on Geoscience and Remote Sensing, ένα απ’ τα πιο σημαντικά επιστημονικά περιοδικά παγκοσμίως στο χώρο της τηλεπισκόπησης (https://ieeexplore.ieee. org/document/9180087).
Η Μηχανική Μάθηση (Machine Learning) ανήκει στις μεθόδους τεχνητής νοημοσύνης (Artificial Intelligence) και επικεντρώνεται στο πώς θα «διδάξει» κάποιος σε μια μηχανή (Computer) να αναγνωρίζει ή να προβλέπει παραμέτρους και καταστάσεις χωρίς να έχει προγραμματιστεί επακριβώς γι’ αυτό.
Οι δύο πιο διαδεδομένες κατηγορίες μοντέλων στον τομέα της Μηχανικής Μάθησης είναι οι Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines – SVM) και τα Τεχνητά Νευρωνικά Δίκτυα (Artificial Neural Networks – ANN ). Πρόσφατες εργασίες έχουν δείξει ότι τα SVM φαίνεται να υπερτερούν των ANN, καθώς τα αποτελέσματα τους προσεγγίζουν ακριβέστερα την πραγματικότητα, ενώ ο όγκος δεδομένων και ο χρόνος που χρειάζονται για να «εκπαιδευτούν» και να εξάγουν ένα αποτέλεσμα είναι πολύ μικρότερος απ’ αυτόν των ANN.
Οι ερευνητές του ΙΤΕ στην εργασία τους παρουσιάζουν αναλυτικά τη δομή και τον τρόπο λειτουργίας των SVM από την «εκπαίδευση» της μηχανής για το πρόβλημα μέχρι και τον τρόπο λύσης του, ενώ παράλληλα εξηγούν πως δημιουργήσαν το δικό τους SVM μοντέλο, το οποίο περιλαμβάνει τροποποιήσεις του ήδη υπάρχοντος προτύπου, οι οποίες το καθιστούν ακόμα πιο γρήγορο, πιο εύκολο στη χρήση και πιο αποτελεσματικό.
Το νέο μοντέλο που αναπτύχθηκε από τους ερευνητές του ΙΤΕ ονομάζεται X-SVM και χρησιμοποιήθηκε για την ακριβή αποτύπωση της κάλυψης γης στην περιοχή του Ηρακλείου, με χρήση δορυφορικών δεδομένων υψηλής διακριτικής ικανότητας. Τα αποτελέσματα συγκρίθηκαν με τα αντίστοιχα του ήδη υπάρχοντος προτύπου, με το X-SVM να υπερτερεί, βελτιώνοντας την ακρίβεια των αποτελεσμάτων μέχρι και 30%.
Το X-SVM μπορεί να εφαρμοστεί σε οποιαδήποτε πόλη του κόσμου για να παράξει αντίστοιχους χάρτες, ενώ βρίσκεται στα μελλοντικά σχέδια του Εργαστηρίου Τηλεπισκόπησης η εφαρμογή του μοντέλου σε παγκόσμια κλίμακα μέσω ενός περιβάλλοντος Υπολογιστικού Νέφους (π.χ. Google Earth Engine, Data and Information Access Services).
Τέτοιοι χάρτες είναι χρήσιμοι σε εφαρμογές αστικού κλίματος, στην εκτίμηση των αστικών εκπομπών και της ποιότητας του αέρα, στον αστικό σχεδιασμό, στην παρακολούθηση της πορείας υλοποίησης των Στόχων Βιώσιμης Ανάπτυξης (Sustainable Development Goals – SDGs) των Ηνωμένων Εθνών για το Αστικό Περιβάλλον, κλπ., ενώ μπορούν να χρησιμοποιηθούν για τη καταγραφή των μεταβολών που υπόκεινται στο πέρασμα του χρόνου η τρισδιάστατη αστική επιφάνεια συμπεριλαμβανομένου του αστικού πρασίνου, σε επίπεδο γειτονιάς .
Το πλήρες κείμενο της επιστημονικής εργασίας βρίσκεται εδώ: