Áp dụng các nguyên tắc về trí tuệ nhân tạo có trách nhiệm khi xây dựng các tập dữ liệu viễn thám, chẳng hạn như Dynamic World

1. Trước khi bắt đầu

Dynamic World là một tập dữ liệu về sử dụng đất và độ che phủ đất (LULC) trên toàn cầu, được cập nhật gần như theo thời gian thực. Bản đồ này có độ phân giải 10 mét vì sử dụng chòm sao Sentinel-2 của Cơ quan Vũ trụ Châu Âu (ESA) và chương trình Copernicus. Chương trình này tạo ra hình ảnh toàn cầu mới nhất về bề mặt Trái Đất sau mỗi 2 đến 5 ngày. Tập dữ liệu này được tạo bằng mô hình học sâu, Vertex AI và Earth Engine (một nền tảng phân tích không gian địa lý). Công cụ này giúp các nhà khoa học, nhà nghiên cứu và nhà phát triển phát hiện những thay đổi, lập bản đồ xu hướng và định lượng sự khác biệt trên bề mặt Trái Đất.

Earth Engine là một công cụ nhằm nâng cao kiến thức khoa học về các quy trình trên hành tinh để mang lại lợi ích hơn nữa cho môi trường và xã hội. Việc sử dụng công cụ này cho mục đích thương mại (trong giai đoạn xem trước với Google Cloud) cho thấy mục đích chính của công cụ này là tìm hiểu và giải quyết các vấn đề quan trọng về tính bền vững và khí hậu, chẳng hạn như nạn phá rừng, quản lý nước và sử dụng đất bền vững.

Lưu ý: Việc sử dụng ngôn ngữ rõ ràng về Dynamic World và Earth Engine là một phương pháp phổ biến trong AI có trách nhiệm để ngăn chặn việc sử dụng vì bất kỳ lý do nào khác ngoài mục đích mang lại lợi ích cho xã hội.

Trong lớp học lập trình này, bạn sẽ áp dụng các phương pháp có trách nhiệm trong việc tạo tập dữ liệu dựa trên học máy, chẳng hạn như Dynamic World.

Kiến thức bạn sẽ học được

• Cách áp dụng các phương pháp phát triển AI có trách nhiệm trong các ứng dụng viễn thám.
• Cách diễn giải trực quan các dự đoán của Dynamic World theo không gian và thời gian.
• Cách suy nghĩ về những tác động về mặt đạo đức và những tác động xã hội sau này.

Bạn cần có

• Quen thuộc với cách sử dụng Các ứng dụng Earth Engine.
• Google Chrome, hoạt động hiệu quả nhất với Các ứng dụng Earth Engine.

2. Mở ứng dụng Dynamic World Earth Engine

Tập dữ liệu Dynamic World chứa các dự đoán trên mỗi pixel của 9 lớp LULC như mô tả trong bảng này. Việc sử dụng đất mô tả cách con người sử dụng đất, trong khi lớp phủ bề mặt đất mô tả vật liệu thực tế trên bề mặt Trái Đất.

Loại LULC	Nội dung mô tả
Nước	Vùng nước cố định và theo mùa
Cây	Rừng nguyên sinh và rừng thứ sinh, cùng các đồn điền quy mô lớn
Cỏ	Đồng cỏ tự nhiên, đồng cỏ chăn nuôi và công viên
Thảm thực vật ngập nước	Rừng ngập mặn và các hệ sinh thái ngập nước khác
Mùa màng	Cây trồng theo hàng và cây trồng trên ruộng lúa
Cây bụi và cây bụi thấp	Thảm thực vật thưa thớt đến dày đặc bao gồm các loại cây bụi
Khu vực xây dựng	Các toà nhà, đường và không gian mở đô thị có mật độ thấp và cao
Đất trống	Sa mạc và đá lộ thiên
Tuyết và băng	Lớp tuyết phủ vĩnh viễn và theo mùa

Hình ảnh trong tập dữ liệu này bao gồm 10 dải tần: 9 dải tần có xác suất ước tính cho mỗi trong số 9 lớp LULC và một dải tần nhãn lớp cho biết lớp có xác suất ước tính lớn nhất. Những đặc tính riêng biệt này cho phép người dùng thực hiện phân tích đa thời gian và tạo ra các sản phẩm tuỳ chỉnh phù hợp với nhu cầu của họ.

Lưu ý: Việc sử dụng thông tin dự đoán trong Dynamic World đã trải qua quy trình đánh giá đạo đức, trong đó thông tin dự đoán được đánh giá về độ an toàn, tính chặt chẽ khoa học, tính công bằng, khả năng sử dụng sai mục đích, lợi ích xã hội và trong trường hợp này là sự phù hợp với Các nguyên tắc về AI của Google. Nếu có thể, bạn có thể thiết lập các điểm kiểm tra trong dự án học máy để đánh giá mức độ phù hợp giữa các quyết định kỹ thuật mà bạn đưa ra với tuyên bố sứ mệnh, các giá trị hoặc quy tắc đạo đức của tổ chức.

Cách mở Ứng dụng Earth Engine Dynamic World:

1. Mở một thẻ khác trong trình duyệt,
2. Chuyển đến Dynamic World.

Bản đồ hiển thị chế độ Top1 ở dạng khảm có bóng đồi ở mức thu phóng cao.

3. Nhấp vào bản đồ để xem biểu đồ hiển thị xác suất của lớp theo thời gian.
4. Nhấp vào một điểm dữ liệu trên biểu đồ để tải một dự đoán cụ thể và hình ảnh Sentinel-2 tương ứng.
5. Trong ngăn Lớp, hãy điều chỉnh các lớp và chế độ hiển thị.

3. Khám phá thông tin dự đoán về Dynamic World ở Brazil

Dynamic World bao gồm các dự đoán trên cả 9 lớp LULC và hiển thị một nhãn Top1 duy nhất cho mỗi pixel. Thế giới thực là sự kết hợp của nhiều lớp LULC ở mọi độ phân giải không gian. Trong phần này, bạn sẽ diễn giải trực quan các dự đoán theo không gian và thời gian.

Cách khám phá thông tin dự đoán của Dynamic World ở Brazil:

1. Trong trình duyệt, hãy truy cập vào ứng dụng Dynamic World EE.
2. Trong trường Tìm kiếm địa điểm, hãy nhập Sete de Setembro, Brazil.

Bạn sẽ thấy dữ liệu tính toán của Dynamic World cho lãnh thổ của người Paiter Surui bản địa, sinh sống ở khu vực Sete de Setembro của Rondônia, Brazil.

3. Trong ngăn Dynamic World, hãy nhập 2016-01-01 vào trường Ngày bắt đầu và 2022-01-01 vào trường Ngày kết thúc, sau đó nhấp vào Cập nhật.

Bản đồ có thể mất vài phút để tải vì bản đồ tính toán theo thời gian thực.

4. Nhấp vào vị trí bất kỳ trên bản đồ để tạo biểu đồ theo thời gian thực.

Bạn có thể phóng to thêm để nhận được phản hồi nhanh hơn.

5. Xem xét biểu đồ trong đó xác suất của lớp nằm trên trục y và thời gian nằm trên trục x.

Trong ví dụ này, dự đoán về lớp Top1 từ ngày 1 tháng 1 năm 2016 đến ngày 27 tháng 7 năm 2017 là cây, có xác suất từ 0, 684 đến 0, 755. Đến thời điểm cảnh Sentinel-2 tiếp theo được chụp vào ngày 5 tháng 9 năm 2017, dự đoán không còn là cây và tín hiệu trở nên nhiễu hơn nhiều.

6. Nhấp vào biểu tượng để phóng to biểu đồ.

Lưu ý: Khi bạn muốn tạo một tập dữ liệu dựa trên học máy một cách có trách nhiệm, hãy lên kế hoạch cho tình huống về cách tập dữ liệu có thể được điều chỉnh cho các mục đích sử dụng không mong muốn và thậm chí là có hại. Đặt các câu hỏi như "Có phải một số cá nhân, thị trường, khu vực, phân khúc người dùng hoặc dân số nhất định có nguy cơ gặp phải hậu quả tiêu cực cao hơn khi sử dụng tập dữ liệu này so với những tập dữ liệu khác không?".

4. Xin chúc mừng

Bạn đã tìm hiểu cách áp dụng các nguyên tắc về trí tuệ nhân tạo có trách nhiệm trong việc tạo tập dữ liệu dựa trên học máy, chẳng hạn như Dynamic World.

Tìm hiểu thêm

• Các phương pháp phát triển AI có trách nhiệm
• Giới thiệu về Dynamic World (Phần 1): Trực quan hoá và tạo hình ảnh kết hợp