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

۱. قبل از شروع

«دنیای پویا» (Dynamic World) یک مجموعه داده جهانی از کاربری زمین و پوشش زمین (LULC) است که تقریباً به صورت بلادرنگ به‌روزرسانی می‌شود. این مجموعه داده به دلیل استفاده از ماهواره‌های Sentinel-2 آژانس فضایی اروپا (ESA) و برنامه Copernicus که هر ۲ تا ۵ روز یک تصویر جهانی به‌روز شده از سطح زمین تولید می‌کند، وضوح ۱۰ متری ارائه می‌دهد. این مجموعه داده با استفاده از یک مدل یادگیری عمیق، Vertex AI و Earth Engine که یک پلتفرم تجزیه و تحلیل مکانی است، تولید شده است. این مجموعه داده به دانشمندان، محققان و توسعه‌دهندگان کمک می‌کند تا تغییرات را تشخیص دهند، روندها را ترسیم کنند و تفاوت‌های سطح زمین را کمّی کنند.

موتور زمین ابزاری است که به دنبال پیشبرد دانش علمی فرآیندهای سیاره‌ای برای افزایش منافع زیست‌محیطی و اجتماعی است. استفاده تجاری از آن، در پیش‌نمایش با Google Cloud ، بیان می‌کند که هدف اصلی آن درک و مقابله با مسائل مهم پایداری و اقلیمی، مانند جنگل‌زدایی، مدیریت آب و استفاده پایدار از زمین است.

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

در این آزمایشگاه کد، شما شیوه‌های مسئولانه‌ای را در تولید مجموعه داده‌های مشتق‌شده از یادگیری ماشین، مانند Dynamic World، اعمال می‌کنید.

آنچه یاد خواهید گرفت

• چگونه می‌توان شیوه‌های مسئولانه هوش مصنوعی را در برنامه‌های سنجش از دور به کار برد.
• چگونه پیش‌بینی‌های دنیای پویا را در فضا و زمان به صورت بصری تفسیر کنیم.
• چگونه می‌توان در مورد پیامدهای اخلاقی و پیامدهای اجتماعی پایین‌دستی تأمل کرد.

آنچه نیاز دارید

• آشنایی با نحوه پیمایش در برنامه‌های Earth Engine .
• گوگل کروم، که با برنامه‌های Earth Engine بهترین عملکرد را دارد.

۲. برنامه Dynamic World Earth Engine را باز کنید.

مجموعه داده‌های دنیای پویا (Dynamic World) شامل پیش‌بینی‌های پیکسلی از نه کلاس LULC است که در این جدول شرح داده شده است. کاربری زمین نحوه استفاده انسان از زمین را توصیف می‌کند، در حالی که پوشش زمین، مواد فیزیکی روی سطح زمین را توصیف می‌کند.

نوع LULC	توضیحات
آب	منابع آب دائمی و فصلی
درختان	جنگل‌های اولیه و ثانویه و مزارع وسیع
چمن	مراتع طبیعی، چراگاه‌های دام و پارک‌ها
پوشش گیاهی سیل‌زده	جنگل‌های حرا و دیگر اکوسیستم‌های غرقابی
محصولات زراعی	محصولات ردیفی و شالیزاری
درختچه و اسکراب	پوشش گیاهی باز پراکنده تا متراکم که از درختچه‌ها تشکیل شده است
مساحت ساخته شده	ساختمان‌ها، جاده‌ها و فضاهای باز شهری با تراکم کم و زیاد
زمین خالی	بیابان‌ها و سنگ‌های نمایان
برف و یخ	پوشش برف دائمی و فصلی

تصاویر موجود در این مجموعه داده شامل ۱۰ باند هستند: نه باند با احتمالات تخمینی برای هر یک از نه کلاس LULC و یک باند برچسب کلاس که کلاسی با بزرگترین احتمال تخمینی را نشان می‌دهد. این ویژگی‌های متمایز به کاربران اجازه می‌دهد تا تجزیه و تحلیل چندزمانه انجام دهند و محصولات سفارشی متناسب با نیازهای خود ایجاد کنند.

توجه: این استفاده از پیش‌بینی‌ها در Dynamic World از طریق یک بررسی اخلاقی انجام شد که در آن از نظر ایمنی، دقت علمی، انصاف، سوءاستفاده احتمالی، منفعت اجتماعی و در این مورد، همسویی با اصول هوش مصنوعی گوگل ارزیابی شد. در صورت لزوم، می‌توانید در پروژه یادگیری ماشین خود نقاط بازرسی ایجاد کنید تا ارزیابی کنید که تصمیمات فنی که می‌گیرید چگونه با بیانیه ماموریت، ارزش‌ها یا منشور اخلاقی سازمان شما همسو هستند.

برای باز کردن برنامه Dynamic World Earth Engine:

1. یک تب دیگر در مرورگر خود باز کنید،
2. به دنیای پویا بروید.

نقشه، حالت موزاییکی Top1 را با سایه‌بان در سطوح بزرگنمایی بالا نمایش می‌دهد.

3. برای مشاهده نموداری که احتمالات کلاس را در طول زمان نشان می‌دهد، روی نقشه کلیک کنید.
4. برای بارگذاری یک پیش‌بینی خاص و تصویر Sentinel-2 آن، روی یک نقطه داده روی نمودار کلیک کنید.
5. در پنل لایه‌ها ، لایه‌ها و میزان دیده شدن (visibility) آن‌ها را تنظیم کنید.

۳. پیش‌بینی‌های دنیای پویا را در برزیل بررسی کنید

دنیای پویا شامل پیش‌بینی‌ها در هر نه کلاس LULC است و برای هر پیکسل یک برچسب Top1 واحد نمایش می‌دهد. دنیای واقعی ترکیبی از کلاس‌های LULC متعدد در هر وضوح مکانی است. در این بخش، شما پیش‌بینی‌ها را در طول فضا و زمان به صورت بصری تفسیر می‌کنید.

برای بررسی پیش‌بینی‌های دنیای پویا در برزیل:

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

شما باید ببینید که Dynamic World داده‌های مربوط به قلمرو بومی مردم Paiter Surui را که در منطقه Sete de Setembro در Rondônia برزیل زندگی می‌کنند، محاسبه می‌کند.

3. در پنجره‌ی Dynamic World ، در فیلد تاریخ شروع، 2016-01-01 و در فیلد تاریخ پایان ، 2022-01-01 را وارد کنید و سپس روی به‌روزرسانی کلیک کنید.

بارگذاری نقشه ممکن است چند دقیقه طول بکشد زیرا به صورت بلادرنگ محاسبه می‌شود.

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

برای پاسخ سریع‌تر می‌توانید بیشتر زوم کنید.

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

در این مثال، پیش‌بینی کلاس Top1 از ۱ ژانویه ۲۰۱۶ تا ۲۷ ژوئیه ۲۰۱۷، درختان است که احتمال آن از ۰.۶۸۴ تا ۰.۷۵۵ متغیر است. تا زمانی که صحنه بعدی Sentinel-2 در ۵ سپتامبر ۲۰۱۷ ثبت شود، پیش‌بینی دیگر درختان نیست و سیگنال بسیار نویزدارتر می‌شود.

6. کلیک برای بزرگنمایی نمودار.

توجه: وقتی می‌خواهید یک مجموعه داده مشتق‌شده از یادگیری ماشین را به‌طور مسئولانه تولید کنید، برای چگونگی تطبیق مجموعه داده با کاربردهای ناخواسته و حتی مضر، برنامه‌ریزی سناریو انجام دهید. سؤالاتی مانند «آیا افراد، بازارها، مناطق، بخش‌های کاربری یا جمعیت‌های خاصی در معرض خطر بیشتری از پیامدهای منفی استفاده از این مجموعه داده در مقایسه با سایرین هستند؟» بپرسید.

۴. تبریک

شما یاد گرفتید که چگونه اصول هوش مصنوعی مسئولانه را در تولید مجموعه داده‌های مشتق‌شده از یادگیری ماشین، مانند Dynamic World، به کار ببرید.

بیشتر بدانید

• شیوه‌های مسئولانه هوش مصنوعی
• مقدمه‌ای بر دنیای پویا (بخش 1): تجسم و ایجاد کامپوزیت‌ها