هنگام ساخت مجموعه داده های سنجش از راه دور، مانند Dynamic World، اصول هوش مصنوعی مسئول را به کار ببرید

1. قبل از شروع

Dynamic World یک مجموعه داده جهانی استفاده از زمین (LULC) است که تقریباً در زمان واقعی به روز می شود. وضوح 10 متری را ارائه می دهد زیرا از صورت فلکی Sentinel-2 توسط آژانس فضایی اروپا (ESA) و برنامه کوپرنیک استفاده می کند که هر 2 تا 5 روز یک تصویر جهانی به روز شده از سطح زمین ایجاد می کند. این با یک مدل یادگیری عمیق، Vertex AI، و Earth Engine، که یک پلت فرم تجزیه و تحلیل جغرافیایی است، تولید شده است. این به دانشمندان، محققان و توسعه دهندگان کمک می کند تا تغییرات را شناسایی کنند، روندها را نقشه برداری کنند و تفاوت ها را در سطح زمین کمیت کنند.

Earth Engine ابزاری است که به دنبال ارتقای دانش علمی در مورد فرآیندهای سیاره‌ای برای منافع بیشتر محیطی و اجتماعی است. استفاده تجاری آن، در پیش نمایش Google Cloud ، بیان می کند که هدف اصلی آن درک و مقابله با مسائل حیاتی پایداری و آب و هوا، مانند جنگل زدایی، مدیریت آب، و استفاده پایدار از زمین است.

توجه: وضوح زبان در مورد Dynamic World و Earth Engine یک رویکرد متداول هوش مصنوعی مسئول برای محافظت در برابر استفاده احتمالی به هر دلیلی غیر از هدف مورد نظر از منافع اجتماعی است.

در این نرم‌افزار، شما شیوه‌های مسئولانه‌ای را در تولید مجموعه داده‌های مشتق از یادگیری ماشین، مانند Dynamic World اعمال می‌کنید.

چیزی که یاد خواهید گرفت

• نحوه اعمال شیوه های هوش مصنوعی مسئول در برنامه های سنجش از راه دور.
• نحوه تفسیر بصری پیش‌بینی‌های دنیای پویا در فضا و زمان.
• چگونگی تأمل در مفاهیم اخلاقی و پیامدهای پایین دستی اجتماعی.

آنچه شما نیاز دارید

• آشنایی با نحوه پیمایش در برنامه های Earth Engine .
• Google Chrome، که با برنامه‌های Earth Engine بهتر کار می‌کند.

2. برنامه Dynamic World Earth Engine را باز کنید

مجموعه داده Dynamic World شامل پیش‌بینی‌های هر پیکسل از نه کلاس LULC است که در این جدول توضیح داده شده است. کاربری زمین نحوه استفاده انسان از زمین را توصیف می کند، در حالی که پوشش زمین مواد فیزیکی روی سطح زمین را توصیف می کند.

نوع LULC	شرح
اب	آب های دائمی و فصلی
درختان	جنگل های اولیه و ثانویه و مزارع در مقیاس بزرگ
چمن	مراتع طبیعی، مراتع دام و پارک ها
پوشش گیاهی سیل زده	حرا و سایر اکوسیستم های آب گرفته
محصولات زراعی	محصولات ردیفی و محصولات شالیزاری
درختچه و اسکراب	پوشش گیاهی باز کم تا متراکم که از بوته ها تشکیل شده است
منطقه ساخته شده	ساختمان های کم و پر تراکم، جاده ها و فضای باز شهری
زمین برهنه	بیابان ها و سنگ های آشکار
برف و یخ	پوشش برف دائمی و فصلی

تصاویر این مجموعه داده شامل 10 باند است: نه باند با احتمالات تخمین زده شده برای هر یک از نه کلاس LULC و یک باند برچسب کلاس که کلاسی را با بیشترین احتمال تخمینی نشان می دهد. این ویژگی‌های متمایز به کاربران اجازه می‌دهد تحلیل‌های چند زمانی انجام دهند و محصولات سفارشی متناسب با نیازهای خود ایجاد کنند.

توجه: این استفاده از پیش‌بینی‌ها در دنیای پویا از طریق یک بررسی اخلاقی انجام شد که در آن از نظر ایمنی، دقت علمی، انصاف، سوء استفاده احتمالی، منافع اجتماعی، و در این مورد، همسویی با اصول هوش مصنوعی Google ارزیابی شد. در صورت امکان، می‌توانید در پروژه ML خود نقاط بازرسی ایجاد کنید تا ارزیابی کنید که چگونه تصمیمات فنی که می‌گیرید با بیانیه مأموریت، ارزش‌ها یا منشور اخلاقی سازمان شما مطابقت دارد.

برای باز کردن برنامه Dynamic World Earth Engine:

1. برگه دیگری را در مرورگر خود باز کنید،
2. به دنیای پویا بروید.

نقشه موزاییک حالت Top1 را با سایه تپه در سطوح زوم بالا نمایش می دهد.

3. برای مشاهده نموداری که احتمالات کلاس را در طول زمان نمایش می دهد، روی نقشه کلیک کنید.
4. برای بارگذاری یک پیش‌بینی خاص و تصویر Sentinel-2 آن، روی یک نقطه داده در نمودار کلیک کنید.
5. در قسمت لایه ها ، لایه ها و قابلیت مشاهده را تنظیم کنید.

3. پیش بینی های دنیای پویا را در برزیل کاوش کنید

Dynamic World شامل پیش‌بینی‌ها در تمام نه کلاس LULC است و یک برچسب Top1 را برای هر پیکسل نمایش می‌دهد. دنیای واقعی ترکیبی از بسیاری از کلاس های LULC در هر وضوح فضایی است. در این بخش به صورت بصری پیش‌بینی‌های مکان و زمان را تفسیر می‌کنید.

برای بررسی پیش‌بینی‌های دنیای پویا در برزیل:

1. در مرورگر خود، به برنامه Dynamic World EE بروید.
2. در قسمت جستجوی مکان‌ها ، Sete de Setembro, Brazil را وارد کنید.

باید داده‌های محاسباتی Dynamic World را برای قلمرو بومی مردم Paiter Surui که در منطقه Sete de Setembro در Rondonia، برزیل زندگی می‌کنند، ببینید.

3. در قسمت Dynamic World ، 2016-01-01 در قسمت Start date و 2022-01-01 در قسمت End date وارد کنید و سپس روی Update کلیک کنید.

بارگیری نقشه ممکن است چند دقیقه طول بکشد زیرا در زمان واقعی محاسبه می شود.

4. برای ایجاد نمودار در زمان واقعی، روی هر نقطه از نقشه کلیک کنید.

برای پاسخ سریعتر می توانید بیشتر زوم کنید.

5. نموداری را بررسی کنید که در آن احتمالات کلاس روی محور y و زمان در محور x قرار دارد.

در این مثال، پیش‌بینی کلاس Top1 از 1 ژانویه 2016 تا 27 ژوئیه 2017 درختان است که از احتمال 0.684 تا 0.755 متغیر است. زمانی که صحنه بعدی Sentinel-2 در 5 سپتامبر 2017 ضبط می شود، پیش بینی دیگر درخت نیست و سیگنال بسیار پر سر و صداتر می شود.

6. کلیک برای بزرگ کردن نمودار

توجه: وقتی می‌خواهید مسئولانه یک مجموعه داده مشتق‌شده از ML ایجاد کنید، برنامه‌ریزی کنید که چگونه مجموعه داده می‌تواند برای استفاده‌های ناخواسته و حتی مضر تطبیق داده شود. سوالاتی مانند، «آیا افراد، بازارها، مناطق، بخش‌های کاربر یا جمعیت خاصی در معرض خطر عواقب منفی استفاده از این مجموعه داده در مقایسه با دیگران هستند؟» بپرسید.

4. تبریک می گویم

شما یاد گرفتید که چگونه اصول هوش مصنوعی مسئول را در تولید مجموعه داده های مشتق شده از ML، مانند Dynamic World به کار ببرید.

بیشتر بدانید

• شیوه های هوش مصنوعی مسئول
• مقدمه ای بر دنیای پویا (بخش اول): تجسم و ایجاد کامپوزیت ها