[論文レビュー] Artificial intelligence to advance Earth observation: : A review of models, recent trends, and pathways forward

Devis Tuia, Konrad Schindler+12 more|arXiv (Cornell University)|May 15, 2023

Computational Physics and Python Applications被引用数 38

ひとこと要約

AI/ML、コンピュータビジョン、先端処理が地球観測をどう変革しているかを、ハイブリッド物理学-ML、知識ベースAI、倫理・ユーザー中心の配慮を強調して俯瞰した視点。

ABSTRACT

Earth observation (EO) is a prime instrument for monitoring land and ocean processes, studying the dynamics at work, and taking the pulse of our planet. This article gives a bird's eye view of the essential scientific tools and approaches informing and supporting the transition from raw EO data to usable EO-based information. The promises, as well as the current challenges of these developments, are highlighted under dedicated sections. Specifically, we cover the impact of (i) Computer vision; (ii) Machine learning; (iii) Advanced processing and computing; (iv) Knowledge-based AI; (v) Explainable AI and causal inference; (vi) Physics-aware models; (vii) User-centric approaches; and (viii) the much-needed discussion of ethical and societal issues related to the massive use of ML technologies in EO.

研究の動機と目的

• AI手法が地球観測をモデリング・理解・伝達の各面でいかに変革しているかを説明する。
• 地球観測データに特有の課題（データ融合、地上真値の希少性、ノイズのあるラベル、スケール）とAIによる潜在的解決策を論じる。
• AIを用いたEOのシステムアーキテクチャ、相互運用性、倫理・信頼性の検討事項を強調する。

提案手法

• 複数センサーの文脈で、翻訳、セグメンテーション、リトリーブなどEOタスクに適用されるコンピュータビジョンとML技術の調査。
• EO向けの学習パラダイム（監視付き、自己教師付き、半教師付き、アクティブラーニングを含む）の議論。
• 時空EOデータ向けに特化したAutoML、NAS、およびドメイン適応・適応手法のレビュー。
• 大規模EO AIを可能にする高度な処理アーキテクチャ（EOエコシステム、連合学習、相互運用性、スケーラブルな処理）の検討。
• 解釈性と信頼性を高めるための知識ベースAI、因果推論、物理知識を組み込んだMLの統合。
• AI-for-EOワークフローにおけるユーザー中心設計、信頼、倫理、およびデータガバナンスの考慮。

Figure 1: Conceptual overview of this perspective paper: (a) different levels of algorithms emerge from the areas of machine learning (ML) and interact with computer vision (CV), computer science, and statistics to learn patterns and associations from observational data. The models must integrate do

実験結果

リサーチクエスチョン

• RQ1 センサや解像度を横断するEOデータの処理と理解に最も効果的なMLおよびCVアプローチは何か。
• RQ2 物理ベースとデータ駆動モデルのハイブリッドがEOタスクをどう改善し、データ要件をどう削減できるか。
• RQ3 スケーラブルで相互運用性があり、信頼性の高い EO AI を支える最適なアーキテクチャと学習パラダイムは何か。
• RQ4 AutoML、ドメイン適応、継続学習はEOのデータ希少性、ノイズ、分布シフトにどう対処するか。
• RQ5 地球観測におけるAIの導入を導くべき倫理的・ユーザー中心の配慮は何か。

主な発見

• EOは多様なセンサデータを統合するデータ融合と表現学習の恩恵を受ける。
• 物理知識とMLを組み合わせたハイブリッドモデリングはEOにおけるロバスト性とデータ効率を向上させる。
• AutoMLとNASはEOのタスク・データ特化モデルの発見に有望で、特に時空データに有効。
• ドメイン適応と継続学習は分布シフトと拡大するEOアーカイブへの対処に必須で、オープンワールドとメモリベースの戦略が関連する。
• フェデレーテッドラーニングはプライバシー保護・分散学習を提供するが、EOに特有の非IIDデータ課題に直面する。